FCM和Level Set在醫學影像分割中的應用

伍強，陳賽明，涂蓉

海南醫學院附屬醫院 a.設備科；b.醫學影像科，海南 海口 570102

FCM和Level Set在醫學影像分割中的應用

伍強a，陳賽明a，涂蓉b

海南醫學院附屬醫院 a.設備科；b.醫學影像科，海南 海口 570102

目的 探討 RGAC-M（改進的區域幾何活動輪廓模型），用于更準確地分割醫學圖像。方法通過分析區域幾何活動輪廓模型（RGAC）在醫學圖像分割中存在的缺陷，并對其區域項進行改進，提出了RGAC-M模型。該模型采用多種子初始化方式，降低了算法對初始條件的敏感性，同時也減少了人工干預。結果 利用RGAC-M對多種腦組織（灰質、白質、腦脊液以及背景等）進行分割，取得了良好效果。結論 RGAC-M可減少圖像分割的迭代次數，提高圖像分割速度和圖像質量。

核磁共振成像；圖像分割；模糊聚類；幾何活動輪廓模型

1 研究背景

對醫學影像系統進行數據挖掘中，更準確地提取有用信息和醫學圖像中醫學結構，是醫學圖像分析的重要問題；是可視化、醫療診斷和治療方案制定的前提。由于醫學圖像的結構復雜性、多變性，以及病人個體之間的差異等因素，僅利用單一的圖像信息，要準確地分割和測量醫學目標是比較困難的。利用不同的圖像信息，融合多種分割技術，是獲得準確分割結果的有效途徑。

圖像的分割方法可以大體分為基于區域和基于邊緣的分割方法兩種。兩種分割方法各有自己的優點和缺陷。相對而言，基于區域的分割方法對噪聲不敏感，但容易過分割，且邊緣的定位精度還需要提高。與基于區域的方法相比，基于邊緣的方法有較高的定位準確度，缺點則是對噪聲敏感度高。基于邊緣的分割方法和基于區域的分割方法之間具有互補性，將二者結合不諦是個很好的選擇。有關文獻[1]提出了一種將變形邊界查找與基于區域的分割方法相結合的分割模型，利用基于區域的分割方法來輔助邊界查找。已有研究報道，區域內和區域間的灰度方差測度，進而構造了區域能量項[2]，用于對左心室的分割。在活動輪廓模型（GAC）[3-4]框架下融合了邊緣和區域信息，通過目標函數對區域內灰度和運動參數的最大后驗概率來追蹤運動目標，從而獲得良好效果。 Suri[5-6]提出一種將圖像區域、邊緣、梯度信息融合的算法，稱為基于區域的幾何活動輪廓模型（RGAC），采用水平體系（Level Set）曲線進化技術[7]來分割腦白質和灰質的邊界， 該算法易實現，邊界估計準確。但也存在以下缺點：進化速度慢、分割性能受誤差門限和迭代次數影響，對圖像灰度空域變化不能取得滿意的結果[6]。聚類選擇對分割結果很重要，需要慎重選擇。

本文對RGAC模型的區域項進行了改進，解決了RGAC模型可能存在的不穩定性問題，降低了初始參數設置對圖像分割質量的影響。改進后的算法（下稱RGAC- M）：① 減少了圖像分割的迭代次數，提高了圖像分割速度；② 將RGAC模型擴展到可以對多種腦組織（灰質、白質、腦脊液以及背景等）進行分割，并取得良好效果。

2 FCM算法

3 基于區域活動輪廓模型

4 算法改進與實現

5 實驗與討論

5.1 算法分割性能比較

實驗圖像從Brainweb[9]下載，取第96 切片圖像共10 幅。RGAC 算法的參數設置遵從文獻[5]。RGAC- M參數設置為: ωR= 7，ωe= 0.5 ,ε= 0.025，Δt = 0.1。算法采用多種子初始化方式，16 ×16 個種子均勻分布在圖像域內，兩種算法的迭代終止條件相同。新分入的像素比例分別為10-3、10-4、10-4，且分別對應白質（WM）、灰質（GM）、腦脊液（CSF）。或者迭代次數＞500 次。圖像的分割結果，見圖1。

與圖1（a）中的標準圖相比較, 圖1（b）的白質分割結果中，左中部(圓圈位置)、下部和右上部、中部（圓圈位置） 等多處沒有很好地分割出來，左側腦室的分割是不成功的，整體的分割效果明顯不如圖1（c）中對應位置的分割結果；圖1（b）中灰質的分割，左中部、上部和右下部（圓圈位置）腦脊液被誤分到灰質中，而圖1（c）中對應部分則分割準確；圖1（b）中腦脊液的分割應該說是失敗的，兩側大部分區域沒有分割出來，而圖1 (c)中分割準確。分割結果總體上看，RGAC-M明顯優于RGAC。這一分析結果可以從表1 的統計結果中得到驗證。表中分別就分割結果的評價指標：敏感性( Sensitivity) 、特異性( Specificity)以及誤分割( Incorrect Segmentation) 和比較得分(Comparison Score) ( 定義參見有關文獻[8])進行了統計；WM、GM、CSF列數據是10幅圖像分割結果相應指標按組織平均結果，平均一欄則是3種組織相應指標的平均值。

表1 RGAC-M和RGAC分割結果性能指標比較

從表1可以看出，除了白質的敏感性指標稍低于RGAC外，RGAC- M 的分割總體指標明顯高于RGAC，分割質量提高明顯。

表1中還對第二階段Level Set 分割的迭代次數和分割時間進行了統計(分割時間是在CPU 為E6300 ，內存為1GB 的計算機上，在MATLAB615 環境下運行程序的統計結果)。其中，白質分割中迭代次數降低了約15倍,灰質分割降低約8 倍，腦脊液分割降低約10倍。 與RGAC 相比, RGAC- M對3種腦組織分割的平均迭代次數和平均分割時間均降低了10 倍以上,分割速度提高明顯。

5.2 噪聲條件下分割性能比較

噪聲條件下的圖像分割比較實驗采用T1 加權圖像疊加5 %、7 %和9 %高斯白噪聲。 兩種方法的分割結果，見圖2 。從圖2（a）可以看出，噪聲對RGAC 的影響是明顯的，3 幅圖像對比可以看到，右下部(圖中圈示位置) 分割退化明顯：7 %噪聲條件下將腦灰質分割到了腦白質中；9 %噪聲強度條件下,白質外圍邊沿部分細節以及腦室分割質量明顯下降； 從圖2（b）可見，RGAC- M在相應的噪聲強度下分割質量較好，退化基本難以察覺。 反映出RGAC- M對噪聲的敏感程度低于RGAC，分割質量明顯優于RGAC，具有良好的韌性。

5.3 真實圖像分割實驗

實驗圖像尺寸256像素×256像素×148 像素， 采用RGAC- M對3個切面的圖像進行了分割，分割參數設置與5.1中實驗設置相同，橫斷面圖像的分割結果( 顯示圖像經過剪切處理)，見圖3。從圖中可以看出，白質中的細長結構以及灰質中腦室部分以及外側的腦溝都可以準確地分割，分割結果令人滿意。

6 結 論

本文在對RGAC分析研究的基礎上，針對其存在的分割速度慢、分割質量和分割類別有關系以及參數設置影響分割質量等問題， 對其區域項進行了改進, 使得改進后的RGAC-M能夠對WM、GM、CSF以及背景進行分割,克服了RGAC僅能對白質和灰質邊界進行分割的限制,而且算法也很容易擴展到對腦部其他組織的分割，提高了分割速度。3種腦組織的分割迭代次數明顯降低,速度提高了10倍以上；解決了原算法存在的穩定性問題,使得初始條件對分割質量的影響顯著降低,且初始化位置不再局限于待分割目標附近；最后也是最重要的,即 RGAC-M顯著提高了分割質量。特別需要指出的是,由于采用多種子初始化方式（RGAC需要輸入手工繪制的初始化曲線），分割過程不再需要人工干預，實現了多種腦組織的準自動分割。需要指出的是RGAC-M沒有考慮MR 圖像的偏置場以及部分容積效應的影響，因此，還需要對該算法進行細致的研究和完善,其中包括圖像的預處理和后處理方法, 以進一步提高圖像分割質量。

[1] 許凱,秦昆,黃伯和.基于云模型的圖像區域分割方法[J].中國圖象圖形學報,2010,15(5):757-763.

[2] 侯德鵬,劉政清,路遠.綜合灰度形態學與模糊熵的紅外圖像區域分割[J].光電技術運用,2007,2(3):56-60.

[3] 沈琦,汪承義,趙斌.幾何活動輪廓模型用于高分辨率遙感影像[J].復旦學報,2011,5(1):77-82.

[4] Fractal active contour model for segmenting the boundary of man-made target in nature scenes[A].Optical test and measurement technology and equipment(part two)—proceedings of the 2nd international symposium on advanced optical manufacturing and testing technologies[C].2005 .

[5] J S Suri.White matter/gray matter boundary segmentation using geometric snakes:a fuzzy deformable model[A].Proceeding of the second international conference on advances in pattern recognition[C].London:Springer Verlag,2001:331-338.

[6] J S Suri,K Liu,S Singh,et al.Shape recovery algorithms using level sets in 2d/3d medical imagery:a state of the art review[J].IEEE Trans On Information Technology in Biomedicine,2002,6(1):8-28.

[7] S Osher,R Fedkiw. Level set methods and dynamic implicit surfaces[M].New York: Springer Verlag New York Inc.2003.

[8] C Bailland,C Barillot.Robust 3D segmentation of anatomical structures with level sets[A].Medical image computing and computer assisted intervention[C].Heidelberg:Springer,2000:236 -245.

[9] MCBIC/MNI.BrainWeb:20 anatomical models of 20 normalbrains[DB/OL]. Http://www.bic.mni.cgill.ca/brainweb/ anatomic-normal-20.html,2006-06-12/2007-03-10.

[10] 梁洪,李金.一種肺部CT圖像快速分割算法研究[J].中國醫療設備,2011,26(3):28-30.

Application of FCM and Level Set in Medical Image Segmentation

WU Qianga, CHEN Sai-minga, TU Rongb
a. Equipment Department; b. Medical Imaging Department, The Hospital Aff liated to Medical College of Hainan, Haikou Hainan 570102, China

Objective To explore RGAC-M (Region Based Geometric Active Contour-Model), in order to divide medical images more accurately. Methods By analyzing the existing defects of RGAC in medical image segmentation and improving its areas, RGAC-M is put forward, namely, by adopting many ways of substate initialization, reduces the sensibility of arithmetic to initial conditions, and meanwhile decreases manual intervention. Results In the way of various of brain (cinerea, alba, cerebrospinal f uid, background and so on) segmentation, RGAC-M got good result. Conclusion RGAC-M could reduce iterations of image segmentation and improve segmentation speed and image quality.

magnetic resonance imaging; image segmentation; fuzzy clustering; geometric active contour

TP391.41

A

10.3969/j.issn.1674-1633.2012.09.007

1674-1633(2012)09-0038-04

2012-04-25

2012-08-14

海南省自然科學基金項目（310154）資助。

本文作者：伍強，副教授，高級工程師，中華醫學會醫學工程分會青年委員。

作者郵箱：wq6899@yahoo.com.cn