FCM和Level Set在醫(yī)學(xué)影像分割中的應(yīng)用

伍強(qiáng)，陳賽明，涂蓉

海南醫(yī)學(xué)院附屬醫(yī)院 a.設(shè)備科；b.醫(yī)學(xué)影像科，海南 ?？?570102

FCM和Level Set在醫(yī)學(xué)影像分割中的應(yīng)用

伍強(qiáng)a，陳賽明a，涂蓉b

海南醫(yī)學(xué)院附屬醫(yī)院 a.設(shè)備科；b.醫(yī)學(xué)影像科，海南 ?？?570102

目的 探討 RGAC-M（改進(jìn)的區(qū)域幾何活動(dòng)輪廓模型），用于更準(zhǔn)確地分割醫(yī)學(xué)圖像。方法通過(guò)分析區(qū)域幾何活動(dòng)輪廓模型（RGAC）在醫(yī)學(xué)圖像分割中存在的缺陷，并對(duì)其區(qū)域項(xiàng)進(jìn)行改進(jìn)，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(duì)初始條件的敏感性，同時(shí)也減少了人工干預(yù)。結(jié)果 利用RGAC-M對(duì)多種腦組織（灰質(zhì)、白質(zhì)、腦脊液以及背景等）進(jìn)行分割，取得了良好效果。結(jié)論 RGAC-M可減少圖像分割的迭代次數(shù)，提高圖像分割速度和圖像質(zhì)量。

核磁共振成像；圖像分割；模糊聚類；幾何活動(dòng)輪廓模型

1 研究背景

對(duì)醫(yī)學(xué)影像系統(tǒng)進(jìn)行數(shù)據(jù)挖掘中，更準(zhǔn)確地提取有用信息和醫(yī)學(xué)圖像中醫(yī)學(xué)結(jié)構(gòu)，是醫(yī)學(xué)圖像分析的重要問(wèn)題；是可視化、醫(yī)療診斷和治療方案制定的前提。由于醫(yī)學(xué)圖像的結(jié)構(gòu)復(fù)雜性、多變性，以及病人個(gè)體之間的差異等因素，僅利用單一的圖像信息，要準(zhǔn)確地分割和測(cè)量醫(yī)學(xué)目標(biāo)是比較困難的。利用不同的圖像信息，融合多種分割技術(shù)，是獲得準(zhǔn)確分割結(jié)果的有效途徑。

圖像的分割方法可以大體分為基于區(qū)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(yōu)點(diǎn)和缺陷。相對(duì)而言，基于區(qū)域的分割方法對(duì)噪聲不敏感，但容易過(guò)分割，且邊緣的定位精度還需要提高。與基于區(qū)域的方法相比，基于邊緣的方法有較高的定位準(zhǔn)確度，缺點(diǎn)則是對(duì)噪聲敏感度高?；谶吘壍姆指罘椒ê突趨^(qū)域的分割方法之間具有互補(bǔ)性，將二者結(jié)合不諦是個(gè)很好的選擇。有關(guān)文獻(xiàn)[1]提出了一種將變形邊界查找與基于區(qū)域的分割方法相結(jié)合的分割模型，利用基于區(qū)域的分割方法來(lái)輔助邊界查找。已有研究報(bào)道，區(qū)域內(nèi)和區(qū)域間的灰度方差測(cè)度，進(jìn)而構(gòu)造了區(qū)域能量項(xiàng)[2]，用于對(duì)左心室的分割。在活動(dòng)輪廓模型（GAC）[3-4]框架下融合了邊緣和區(qū)域信息，通過(guò)目標(biāo)函數(shù)對(duì)區(qū)域內(nèi)灰度和運(yùn)動(dòng)參數(shù)的最大后驗(yàn)概率來(lái)追蹤運(yùn)動(dòng)目標(biāo)，從而獲得良好效果。 Suri[5-6]提出一種將圖像區(qū)域、邊緣、梯度信息融合的算法，稱為基于區(qū)域的幾何活動(dòng)輪廓模型（RGAC），采用水平體系（Level Set）曲線進(jìn)化技術(shù)[7]來(lái)分割腦白質(zhì)和灰質(zhì)的邊界， 該算法易實(shí)現(xiàn)，邊界估計(jì)準(zhǔn)確。但也存在以下缺點(diǎn)：進(jìn)化速度慢、分割性能受誤差門限和迭代次數(shù)影響，對(duì)圖像灰度空域變化不能取得滿意的結(jié)果[6]。聚類選擇對(duì)分割結(jié)果很重要，需要慎重選擇。

本文對(duì)RGAC模型的區(qū)域項(xiàng)進(jìn)行了改進(jìn)，解決了RGAC模型可能存在的不穩(wěn)定性問(wèn)題，降低了初始參數(shù)設(shè)置對(duì)圖像分割質(zhì)量的影響。改進(jìn)后的算法（下稱RGAC- M）：① 減少了圖像分割的迭代次數(shù)，提高了圖像分割速度；② 將RGAC模型擴(kuò)展到可以對(duì)多種腦組織（灰質(zhì)、白質(zhì)、腦脊液以及背景等）進(jìn)行分割，并取得良好效果。

2 FCM算法

3 基于區(qū)域活動(dòng)輪廓模型

4 算法改進(jìn)與實(shí)現(xiàn)

5 實(shí)驗(yàn)與討論

5.1 算法分割性能比較

實(shí)驗(yàn)圖像從Brainweb[9]下載，取第96 切片圖像共10 幅。RGAC 算法的參數(shù)設(shè)置遵從文獻(xiàn)[5]。RGAC- M參數(shù)設(shè)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(gè)種子均勻分布在圖像域內(nèi)，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(duì)應(yīng)白質(zhì)（WM）、灰質(zhì)（GM）、腦脊液（CSF）。或者迭代次數(shù)＞500 次。圖像的分割結(jié)果，見圖1。

與圖1（a）中的標(biāo)準(zhǔn)圖相比較, 圖1（b）的白質(zhì)分割結(jié)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(lái)，左側(cè)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(duì)應(yīng)位置的分割結(jié)果；圖1（b）中灰質(zhì)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(zhì)中，而圖1（c）中對(duì)應(yīng)部分則分割準(zhǔn)確；圖1（b）中腦脊液的分割應(yīng)該說(shuō)是失敗的，兩側(cè)大部分區(qū)域沒有分割出來(lái)，而圖1 (c)中分割準(zhǔn)確。分割結(jié)果總體上看，RGAC-M明顯優(yōu)于RGAC。這一分析結(jié)果可以從表1 的統(tǒng)計(jì)結(jié)果中得到驗(yàn)證。表中分別就分割結(jié)果的評(píng)價(jià)指標(biāo)：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(guān)文獻(xiàn)[8])進(jìn)行了統(tǒng)計(jì)；WM、GM、CSF列數(shù)據(jù)是10幅圖像分割結(jié)果相應(yīng)指標(biāo)按組織平均結(jié)果，平均一欄則是3種組織相應(yīng)指標(biāo)的平均值。

表1 RGAC-M和RGAC分割結(jié)果性能指標(biāo)比較

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

表1中還對(duì)第二階段Level Set 分割的迭代次數(shù)和分割時(shí)間進(jìn)行了統(tǒng)計(jì)(分割時(shí)間是在CPU 為E6300 ，內(nèi)存為1GB 的計(jì)算機(jī)上，在MATLAB615 環(huán)境下運(yùn)行程序的統(tǒng)計(jì)結(jié)果)。其中，白質(zhì)分割中迭代次數(shù)降低了約15倍,灰質(zhì)分割降低約8 倍，腦脊液分割降低約10倍。 與RGAC 相比, RGAC- M對(duì)3種腦組織分割的平均迭代次數(shù)和平均分割時(shí)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(shí)驗(yàn)采用T1 加權(quán)圖像疊加5 %、7 %和9 %高斯白噪聲。 兩種方法的分割結(jié)果，見圖2 。從圖2（a）可以看出，噪聲對(duì)RGAC 的影響是明顯的，3 幅圖像對(duì)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(zhì)分割到了腦白質(zhì)中；9 %噪聲強(qiáng)度條件下,白質(zhì)外圍邊沿部分細(xì)節(jié)以及腦室分割質(zhì)量明顯下降； 從圖2（b）可見，RGAC- M在相應(yīng)的噪聲強(qiáng)度下分割質(zhì)量較好，退化基本難以察覺。 反映出RGAC- M對(duì)噪聲的敏感程度低于RGAC，分割質(zhì)量明顯優(yōu)于RGAC，具有良好的韌性。

5.3 真實(shí)圖像分割實(shí)驗(yàn)

實(shí)驗(yàn)圖像尺寸256像素×256像素×148 像素， 采用RGAC- M對(duì)3個(gè)切面的圖像進(jìn)行了分割，分割參數(shù)設(shè)置與5.1中實(shí)驗(yàn)設(shè)置相同，橫斷面圖像的分割結(jié)果( 顯示圖像經(jīng)過(guò)剪切處理)，見圖3。從圖中可以看出，白質(zhì)中的細(xì)長(zhǎng)結(jié)構(gòu)以及灰質(zhì)中腦室部分以及外側(cè)的腦溝都可以準(zhǔn)確地分割，分割結(jié)果令人滿意。

6 結(jié) 論

本文在對(duì)RGAC分析研究的基礎(chǔ)上，針對(duì)其存在的分割速度慢、分割質(zhì)量和分割類別有關(guān)系以及參數(shù)設(shè)置影響分割質(zhì)量等問(wèn)題， 對(duì)其區(qū)域項(xiàng)進(jìn)行了改進(jìn), 使得改進(jìn)后的RGAC-M能夠?qū)M、GM、CSF以及背景進(jìn)行分割,克服了RGAC僅能對(duì)白質(zhì)和灰質(zhì)邊界進(jìn)行分割的限制,而且算法也很容易擴(kuò)展到對(duì)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(shù)明顯降低,速度提高了10倍以上；解決了原算法存在的穩(wěn)定性問(wèn)題,使得初始條件對(duì)分割質(zhì)量的影響顯著降低,且初始化位置不再局限于待分割目標(biāo)附近；最后也是最重要的,即 RGAC-M顯著提高了分割質(zhì)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(guò)程不再需要人工干預(yù)，實(shí)現(xiàn)了多種腦組織的準(zhǔn)自動(dòng)分割。需要指出的是RGAC-M沒有考慮MR 圖像的偏置場(chǎng)以及部分容積效應(yīng)的影響，因此，還需要對(duì)該算法進(jìn)行細(xì)致的研究和完善,其中包括圖像的預(yù)處理和后處理方法, 以進(jìn)一步提高圖像分割質(zhì)量。

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

[2] 侯德鵬,劉政清,路遠(yuǎn).綜合灰度形態(tài)學(xué)與模糊熵的紅外圖像區(qū)域分割[J].光電技術(shù)運(yùn)用,2007,2(3):56-60.

[3] 沈琦,汪承義,趙斌.幾何活動(dòng)輪廓模型用于高分辨率遙感影像[J].復(fù)旦學(xué)報(bào),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(guó)醫(yī)療設(shè)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(xué)基金項(xiàng)目（310154）資助。

本文作者：伍強(qiáng)，副教授，高級(jí)工程師，中華醫(yī)學(xué)會(huì)醫(yī)學(xué)工程分會(huì)青年委員。

作者郵箱：wq6899@yahoo.com.cn