The invention discloses a fuzzy clustering medical image segmentation method with real time property, belonging to the technical field of medical image processing. The method includes: extracting gray features of medical images for a given, and obtained the characteristic information of medical image; using medical image feature information and neighborhood information filtering technology, pre-processing of medical image based on histogram calculation; image filtering; calculating the characteristic interval from the corresponding histogram on the corresponding cluster center; tissues or organs in medical images after filtering and initialization, membership of pixel is calculated; through the iterative process, in the process of weighted function to minimize pixel and cluster centers in update pixel membership and fuzzy clustering center; based on the principle of maximum degree of membership, the realization of medical image segmentation, extract the corresponding the tissue or organ. The invention not only can realize the segmentation of the medical image, but also can meet the real-time requirement of the medical image segmentation.
【技术实现步骤摘要】
具有实时性的模糊聚类医学图像分割方法
本专利技术涉及医学图像处理
,特别是指一种具有实时性的模糊聚类医学图像分割方法。
技术介绍
医疗影像仪器的快速发展,为医疗诊断提供了X线、电子计算机断层扫描(CT)、核磁共振成像(MRI)、正电子发射型计算机断层显像(PET)、数字减影血管造影(DSA)和数字胃肠等丰富的图像信息。有效利用这些信息,可以有效帮助医生进行计算机辅助诊断、辅助介入式治疗、制定内外科手术规划、对相应医学组织或器官进行动态模拟并分析病变部位的结构和发生过程,提高疾病诊断的准确性。为了有效利用医学图像提供的信息,需要对医学图像进行分割,将医学图像分割为不同的医学组织或器官。此外,分割技术是计算机视觉、机器学习等领域的共性技术,基于图像的分割结果,可以进一步对图像进行理解、分析和识别。由于成像原理,医学图像中存在部分容积效应现象(partialvolumeeffect,PVE)。具体而言,每一个像素的特征值是两相邻切片之间、该像素邻域中像素特征值的平均值。因而一个像素的特征应该是相邻的多个医学组织或器官的共同作用结果。目前处理这种现象的有效方式是采用模糊C-均值聚类方法(fuzzyC-means,FCM)。在FCM方法中,允许一个像素以不同的隶属度隶属于多个医学组织和器官,与K-means算法相比,可以从原图像中保留更多的信息,因而可以取得更好的效果。从本质上讲,模糊聚类算法是通过最小化像素与聚类中心的加权距离实现图像分割。目标函数形式化为:其中C是预定义的医学图像中组织或器官的数目,n是医学图像中像素的数目,uij是第j个像素隶属于第i类医 ...
【技术保护点】
一种具有实时性的模糊聚类医学图像分割方法,其特征在于,包括:步骤1:对给定的医学图像提取灰度特征,得到所述医学图像的特征信息集;步骤2:利用所述医学图像的特征信息和邻域信息,基于滤波技术对所述医学图像进行预处理;步骤3:计算滤波后医学图像的特征直方图,以得到滤波后医学图像的统计信息;步骤4:从所述滤波后医学图像的特征直方图上计算相应的特征区间;步骤5:基于获取的特征区间,初始化所述滤波后医学图像中相应组织或器官的聚类中心,并对像素的隶属度进行计算;步骤6:通过迭代过程,在最小化像素与聚类中心的加权函数的过程中,更新所述像素的隶属度以及聚类中心;步骤7:基于最大隶属度原则对像素的隶属度去模糊化,实现对给定医学图像的分割,提取相应的组织或器官。
【技术特征摘要】
1.一种具有实时性的模糊聚类医学图像分割方法,其特征在于,包括:步骤1:对给定的医学图像提取灰度特征,得到所述医学图像的特征信息集;步骤2:利用所述医学图像的特征信息和邻域信息,基于滤波技术对所述医学图像进行预处理;步骤3:计算滤波后医学图像的特征直方图,以得到滤波后医学图像的统计信息;步骤4:从所述滤波后医学图像的特征直方图上计算相应的特征区间;步骤5:基于获取的特征区间,初始化所述滤波后医学图像中相应组织或器官的聚类中心,并对像素的隶属度进行计算;步骤6:通过迭代过程,在最小化像素与聚类中心的加权函数的过程中,更新所述像素的隶属度以及聚类中心;步骤7:基于最大隶属度原则对像素的隶属度去模糊化,实现对给定医学图像的分割,提取相应的组织或器官。2.根据权利要求1所述的具有实时性的模糊聚类医学图像分割方法,其特征在于,所述步骤1中,所述特征信息集为:X={x1,x2,...,xn},xi={xi1,xi2,...,xis}(1)其中,X是给定医学图像的特征信息集,xi为医学图像的像素点,n为医学图像中像素点的个数,s为像素点xi的维数。3.根据权利要求2所述的具有实时性的模糊聚类医学图像分割方法,其特征在于,所述步骤2中,利用公式(2)对所述给定医学图像进行处理:其中Nj代表第j个像素的邻域像素组成的集合,NR代表集合Nj的势,α是像素与邻域像素之间的平衡因子,xj和x′j分别代表滤波前后第j个像素的灰度特征值,xr代表Nj中第r个像素的灰度特征值。4.根据权利要求3所述的具有实时性的模糊聚类医学图像分割方法,其特征在于,所述步骤3中,特征直方图为fh;所述步骤4包括:步骤41:分以下三种情况计算出所述医学图像特征直方图上的局部极大值的集合LM:如果fh(0)>fh(1),则0∈LM;如果fh(i)>fh(i-1)且fh(i)>fh(i+1),则i∈LM,其中0<i<255;如果fh(255)>fh(254),则255∈LM;步骤...
【专利技术属性】
技术研发人员:唐新亭,张小峰,孙玉娟,
申请(专利权)人:鲁东大学,
类型:发明
国别省市:山东,37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。