多模態FCM分割方法在新生兒大腦磁共振圖像分割中的研究

王林

一、新生兒大腦磁共振圖像的特點

成年人的大腦是成熟的。在磁共振的T1圖像上，可以比較明顯看出幾種物質，例如白質、灰質和腦脊液。然而，新生兒的大腦是不斷變化的，其形態不同于成人。并且新生兒的大腦正處在快速發育的過程中，大腦中還沒有形成完整的神經網絡和區域，神經物質還沒有發育完全，這些原因就使得新生兒大腦MR圖像的分辨率非常低，而且在灰質和腦脊液的交界處的像素與白質的像素具有相同的灰度值。新生兒在剛出生的時候，沒有什么自控能力，所以也使得產生的圖像會有很大的誤差。隨著新生兒的不斷發育，新生兒大腦中的白質會越來越亮，越來越明顯，而灰質會越來越暗，與白質形成強烈的對比。由于這些因素的影響，新生兒大腦圖像的分辨率會非常的低，也使得產生的部分容積效應變得越來越明顯。

二、多模態FCM分割算法的基本原理和主要流程

聚類分割是一種基于聚類分析的大腦圖像分割方法。它是一種不需要人為手動操作的分類方法，根據相似性的理念把像素和體素歸類。根據圖像的灰度差進行分割是不能滿足我們的要求的，所以聚類分割將圖像中的不同參數進行聚類分析。然后將像素灰度值映射到這些不同的聚類中，如果滿足條件，該像素就是屬于這個類的。模糊C均值算法（FCM）是最常見的聚類分割方法，也是我在新生兒大腦圖像分割中運用的方法，FCM特別適用于大腦圖像中存在的模糊性和不確定性的特征。FCM利用迭代計算，確定目標函數是隸屬度矩陣，然后按照隸屬度矩陣進行聚類。它的優點是不需要人們的干涉，可以把噪聲處理得很干凈，分割的過程是全自動的，受體積的影響導致圖像的模糊。它的缺點是能夠影響到初始值的情況，初始值不僅影響算法收斂的速度，更是影響到了分割的結果；FCM運算復雜度比較大，當數據較多時，速度明顯下降。對于模糊分類來說，它的函數就是：

總體來說，FCM的算法本文分為以下幾個步驟：

首先，確定了類別數為4，加權指數在0到1之間，迭代次數為40，隸屬度矩陣U的指數為2，隸屬度最小變化量為1e-5。然后，按照上面的公式進行計算。最后，對每一組特征值求出新的隸屬度值，一直到結束。

多模態FCM分割算法的主要思想就是利用多種模態的MR圖像，來提取新生兒大腦的主要成分。通過多模態FCM分割算法，我們可以通過不同的方式，對新生兒的大腦圖形進行更全面的了解。

其主要流程如下流程圖：

三、圖像分割的結果

利用多模態圖像分割技術，本文將一組75套兩個月大的新生兒的MR大腦圖像的數據集進行處理，得出了以下分割的結果（由于篇幅有限，這里僅列出圖層6的分割結果）：

四、圖像分割結果的分析討論

從下圖中，我們不難發現，神經質包括腦脊液的發育不是特別良好，灰質層比較厚實，白質層看上去比較混亂。在腦脊液中，我們看到了集中在中間的神經髓鞘組織，但是向周邊擴散的神經髓鞘末梢沒有很好地顯示出來。而且脊髓液的連續性不是特別的好，說明了神經髓鞘的發育還是不完全的。而且，由于分割方法的不完善，導致在將很微小的神經髓鞘組織分割的時候，給去掉了。白質看上去比較混亂，相比于灰質來說，比較薄，而且還存在頭皮組織。分析其原因，大腦的白質在新生兒前六個月時，亮度很低，導致分割時，沒有能夠很好將白質分辨出來。灰質相對來說還算比較好，可是灰質層比較厚，有可能將白質或者腦脊液的部分組織也分到了灰質當中。總體看來，新生兒大腦的圖像和成年人大腦的圖像有很大的差別。

本次實驗對新生兒大腦MR圖像分割有一個新的認識，對新生兒大腦分割做了初步的探索和研究，提出了一種利用多模態圖像和FCM分割新生兒大腦的方法，取得了比較滿意的分割結果。

參考文獻：

[1]陳允杰，張建偉，韋志輝，等.同時配準-分割腦MR圖像的耦合變分模型[J].計算機輔助設計與圖形圖像學報，2007（5）：215-220.

[2]陳志彬，邱天爽，Ruan S.一種基于FCM和Level Set的Mm醫學圖像分割方法[J].電子學報，2008（9）：1733-1736.