基于边缘竞争模糊水平集的脑部磁共振图像自动分割

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于边缘竞争模糊水平集的脑部磁共振图像自动分割范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：针对脑部磁共振（MR）图像分割时容易出现的受噪声影响大和边缘定位模糊问题，提出一种以基于核函数的增强模糊C均值（RFCMK）算法结果为先验知识的边缘竞争水平集自动分割方法。首先采用RFCMK算法对图像进行预分割；然后对预分割后的各子类图像进行阈值化处理，并将其边缘作为水平集演化的初始轮廓；最后采用引入竞争机制的边缘指示器对各部分边缘进行演化。该方法对模拟图像不同层切面的分割实验表明，基于面积和基于边缘的评估统计值范围分别为[0.91，0.95]和[0.05，0.22]。对噪声图像的实验结果表明该方法能够有效地抑制噪声对分割结果的影响。

关键词：水平集演化；模糊聚类；边缘竞争；自动分割；脑部磁共振图像

中图分类号： TP391.413

文献标志码：A

0引言

磁共振成像（Magnetic Resonance Imaging，MRI）因其高软组织分辨率、无电离辐射等优势已经成为人们进行脑功能、解剖研究的重要手段[1]。脑实质主要可被划分为脑白质（White Matter，WM）、脑灰质（Grey Matter，GM）、脑脊液（Cerebrospinal Fluid，CSF），而这些组织的边界定义了大部分的脑解剖结构。因此，对脑组织的MR图像进行精确分割是脑部诊断、治疗和研究的先决条件。现存的MR图像分割方法主要是半自动分割法，其与人工分割类似，虽然精度较高，但是速度较慢且重复性差，且分割结果很大程度上依赖于操作者的经验[2]。因此，脑部MR图像的自动分割一直是研究热点。Clark等[3]提出了基于人工智能的自动分割方法，Gering等[4]提出了一种使用多层马尔可夫随机场方法的脑部分割方法，这些算法及其改进算法虽然在一定程度上获得了良好的效果，但是仍然存在计算量大、速度慢等缺点。模糊C均值（Fuzzy CMeans，FCM）算法是目前比较流行的自动分割算法[5-7]。该方法虽然速度较快，但其对边缘定位的能力较低。Li等[8]提出了一种模糊水平集自动分割方法（Fuzzy Level Set Method，FLSM），其使用模糊聚类来自动地配置参数和初始化水平集分割。虽然该方法有效地减轻了计算量，但是在应用于脑部MR图像时效果并不理想。这是由于：1）MR图像一般存在较大的噪声；2）脑部MR图像中各组织形状不规则、边界不清晰；3）基于边缘的水平集方法容易出现边缘泄露问题。

针对这些问题，本文提出了一种以基于核函数的增强模糊C均值（Robust Fuzzy CMeans Based Kernel Function，RFCMK）的聚类结果作为先验知识的边缘竞争水平集分割方法。该方法使用RFCMK算法代替传统FCM算法来自动初始化水平集演化和配置参数，在实现了自动分割的基础上减轻了噪声对分割结果的影响；同时，在水平集演化的过程中引入了边缘竞争机制，从而提高了边缘定位的准确度。

3实验与分析

3.1本文方法的分割效果

本文分别选择1幅真实头部磁共振（Magnetic Resonance， MR）图像和BrainWeb网站[12]提供的8幅模拟头部MR图像作为实验样本以验证本文方法的有效性。首先，采用BET（Brain Extraction Tool）[13]去除脑周围的颅骨和脂肪组织，留下图像中的脑实质部分；然后，选取每幅图像颅顶区域、中层区域、颅底区域的典型代表2D切面各3帧，并将其作为实验样本进行比较、统计分析。

图1显示了本文方法中使用RFCMK算法的预分割结果和经过竞争性边缘水平集演化后的结果，以真实图像的第28层切面图像为例。为了更加清晰地对比边缘，本文使用Canny算子提取出预分割结果的边缘。由图可以看出，预分割的结果已经比较理想，但若对比图1（b）和图1（e）的GM预分割与演化后边缘可以看出，在CSF和WM之间的位置容易被错分为GM部分，而经过水平集演化后，被错误分割的部分基本被消除，能够得到更加准确的结果。

4结语