基于密度聚类医学图像分割DCMIS.docVIP

基于密度聚类医学图像分割DCMIS 　　摘 要：为了克服聚类算法对灰度不均匀和有噪声的医学图像分割存在鲁棒性较差等缺点，提出一种基于核密度估计的密度聚类方法分割医学图像。在分析DENCLUE密度聚类算法的思想及爬山策略存在的三个问题的基础上，改进了此密度聚类的爬山策略，并设计了适合于人体组织器官图像分割的DCMIS(Density Clustering based Medical Image Segmentation)算法。该算法先用核密度估计数学模型描述医学图像，然后用改进的爬山算法识别聚类，最后根据聚类分割医学图像。该算法有容忍大量噪声数据等特性。实验结果中的欠分割率、过分割率和错误分割率表明DCMIS比DENCLUE和FCM算法有更好的性能和较好的医学图像分割效能。?? 　　关键词：医学图像分割；核密度估计；密度聚类；爬山算法 ?? 　　中图法分类号：TP392.41文献标识码：A 　　文章编号：1001―3695(2007)02―0167―03 　　随着医学影像在临床的成功应用，图像分割在医学影像处理与分析中的地位也随之变得愈加重要。图像分割是医学图像分析及其他相关研究领域的前期工作和关键环节。分割算法主要分为两大类，即基于边缘的分割方法和基于区域的分割方法。20世纪80年代以来，聚类算法就一直被用于核磁图像多参数特性空间的分割[1]。Stewart应用模糊聚类分析方法对雷达目标的识别和归类进行了研究[2]。还有最简单的C-均值聚类、迭代自组织数据分析聚类和模糊聚类(FCM)[3]等实现医学图像分割。这些聚类分割算法都是直接使用图像中的灰度作为特征进行聚类，样本间的特征差异较小，所以分割容易出现重叠区域，且对灰度不均匀和有噪声图像的鲁棒性比较差。?? 　　DENCLUE[4]采用了非参数密度估计的核密度估计构造数据的密度函数以实现聚类，可以适用于任何复杂的数据对象（包括医学图像），是一种相当有效的基于核密度估计的聚类算法。针对医学图像数据，本文采用DENCLUE密度聚类实现医学图像分割，从DENCLUE中的爬山算法的数据点丢失、平顶和山顶山脊三个方面，对其进行改进和补充，提出了基于密度聚类的人体医学图像组织分割算法。实验中的欠分割率、过分割率和错误分割率表明，基于密度聚类的医学图像分割算法有较好的分割性能。?? 　　 　　1 DENCLUE密度聚类概要?? 　　 　　DENCLUE密度聚类的基本思想可以形式化描述如下[4]： 　　DENCLUE算法是运用数据集的密度函数方法构造聚类算法的典型代表，它有很多优点，但是也存在一些问题，最明显的问题是缺乏实验结果。文献[4 ]描述的关于分子生物的实验结果比较模糊，没有实验说明与传统划分方法如K-means的可比性，也没有实验结果来判断DENCLUE的层次特征。要解决此问题，需要对从构造的密度函数上识别聚类的爬山算法进行深入的研究。 　　 　　2 DENCLUE密度聚类的改进及其在医学图像分割中的应用 　　 　　为了搜索密度函数的密度吸引子和密度吸引数据点，需要采用爬山策略。但是爬山存在数据点丢失、山脊和平顶等问题，对此，我们分别提出了与之对应的三个策略。设数据集D经过预处理后的有效集合为Darray，从Darray中除去遍历过的数据和噪声数据的集合为Dc, f(X)表示X的密度，爬山步长δ，密度阈值ξ。 　　(1)数据点丢失： 一个数据对象Xi沿着梯度方向爬山，下一个数据对象Xi+1可能不在数据集中，即会出现丢失点问题。经分析可知，或Xi+1越出了数据集的边界（因为Xi+1是根据式（4）计算出来的，没有保证它一定是有效的数据）；或已经标记为访问过的对象，为了提高爬山聚类的效率，爬山途中沿路半径为r的周围数据自动添加到被吸引数据中[6]，但可能会再次访问到这些数据。 　　为了解决数据点丢失的问题，我们提出了备份数据集的方法。如果当前位置为Xi，根据式(4)计算Xi+1，判断它是否在数据集Dc中，如果在，则沿着梯度爬山；如果不在，则看是否在备份的Darray数据集中，如果在Darray中则从中找回Xi+1并将其添加到Dc中，否则标记所遍历过的数据点为噪声并删除这些数据。因为Darray是所有数据的备份，当Dc中的数据对象被过滤后，可以从备份中找出来恢复。如果在Darray中都没有，一定是跳出了图像的边界，则将沿途访问过的数据点都当作噪声过滤掉。 　　(2)山脊问题：因为梯度方向仅是密度函数值变化最快的方向，不能保证从任意方向搜索的Xi+1的密度比Xi密度小，如果此时存在某一方向的Xi+1的密度比Xi密度大，即当前爬山停止的密度吸引子可能不是密度的局部最优值点，即是山脊。如图1所示，如果在S1处沿着梯度方向是密度吸引子，但是沿着其他方向发现S0