基于模糊C均值的脑部磁共振图像分割新技术在多发性硬化症中的应用

摘要

图像分割是指把图像分成几个具有不同特性的区域并且提取出所感兴趣的目标的技术和过程。医学图像分割是其他医学图像处理与模式识别问题的前处理技术,例如特征配准、三维重建、特征量化等,它可以为临床诊断和辅助治疗提供有力的支持。本文主要是对脑部的磁共振(Magnetic Resonance,MR)图像分割来进行研究,脑部磁共振(MR)图像的分割主要包括两个方面的内容:第一是对正常的脑组织的分割,即把MR脑部图像分割成灰质、白质、脑脊液和头骨等组织部分。这是医学图像可视化、配准和三维重建的基础；第二个方面就是对包含有病灶的MR脑部图像的分割,即把感兴趣的病灶从其它组织之中分割出来。这样就能够对病灶的形状、边界、截面面积及体积等进行测量,并且通过治疗前后对它们的测量和分析来帮助医生制定和修改治疗方案。因为人体解剖的个体差异性较大,临床应用对于算法的执行速度和医学图像分割的准确度有较高的要求；又因为噪声、偏移场效应和部分容积效应等因素对图像的影响,使得已有的分割算法远远达不到理想的效果。因此,MR脑部图像的分割一直是医学图像处理和分析的热点研究问题。
　　 理想的脑部MR图像应该是分段常量图像,但由于磁共振成像固有的一些噪声与伪影如电子噪声、偏移场失真与部分容积效应等的存在,理想的分段常量属性通常会遭到破坏。又因为人体解剖的个体差异较大,同时临床应用对医学图像分割的准确度和算法的执行速度要求较高,使得已有的算法远未达到理想的效果。目前,对于脑部MR图像分割算法来说,模糊C-均值算法(FuzzyC-Means,FCM)是其中比较常用的算法之一。传统的FCM算法只利用了灰度信息,而没有考虑到相邻象素间的相关性和图像的空间信息,在分割被噪声污染的图像时效果不好。本文对传统的FCM算法进行了改进,该方法在提高图像分割精度等方面具有显著效果。
　　 医学图像的部分容积效应和有些组织区域的不确定性,决定了医学图像的模糊性。基于模糊理论的图像分割算法将模糊概念引入到图像分割算法中,用隶属度表示像素占各种“纯组织”部分容积的比例。这已经广泛地应用于MR脑部图像的分割中,其中最具代表性的算法就是模糊c-均值聚类算法(FCM)。但传统的FCM聚类算法是一种仅利用灰度信息的聚类算法。它未考虑相邻像素之间相关性,未能利用图像的空间信息,在分割低信噪比图像时会产生较大的偏差。
　　 多发性硬化症(Multiple Sclerosis,MS)是一种中枢神经系统脱髓鞘疾病,多发于青少年,严重威胁病人的中枢神经功能。其特点是白质散在、多发的髓鞘脱失和胶质细胞增生病灶。临床表现复杂,有缓解复发的病程。该病征累及大脑半球、视神经、脊髓、脑干和小脑,白质受累为主,病灶位于脑室周围,在室管膜下静脉分布区,毗邻侧脑室和前角。MR液体衰减反转回复(FluidAffenuated Inversion Recovery,FLAIR)序列成像俗称水抑止序列成像。它能将自由水如脑脊液(CSF)抑止为低信号,又能得到T2加权MR序列成像对多发性硬化症病灶检出敏感的优点。在FLAIR MR脑部图像中,多发性硬化症病灶显示为高信号。在图像中通常病灶没有清晰的边界。
　　 有经验的临床医生可以根据多发性硬化症的诊断标准,通过MR FLAIR脑部图像来诊断病灶的分布情况及病人病情。在临床中,医生一般要根据多发性硬化症的成像特点及其解剖性质,在很多的脑切片图像上进行边界的人工描绘工作。然后,根据边界的人工描绘结果来考虑病灶与周围组织的三维结构及空间关系,并以此作为制订治疗计划的基础。这种方法既费时又费力,分割结果对于医生本身的解剖知识及经验依赖大,而且分割结果难以再现。另外,有时医生的手工勾绘结果会由于主观原因的影响而具有较大的误差。多发性硬化症病程长,为了评估治疗的效果,需要对同一病人不同时期的磁共振图像进行分析度量,这样使得分析病情的工作量就非常大。那么,如何运用数学方法,利用计算机快速准确地自动或半自动分割出多发性硬化症的病变组织就成为一个非常有意义的研究方向。
　　 本文第一章首先对脑部MR图像及其分割和医学图像分割的现状作了详尽的综述。这部分首先介绍了医学图像分割的定义、目的及意义,接着详细介绍了医学图像分割方法的各种分类方法,特别对近年来医学图像分割方面的新算法及其特点作了一个详细的总结。
　　 第三章主要介绍了近年来国际上出现的很多改进的FCM算法。将它们大体分为三类:第一类,改变隶属度的约束条件；第二类,引进空间信息约束项:第三类,引入核函数。对这些算法中比较典型的算法做了简单的分析和评价。
　　 第四章是本文的重点。我们将多发性硬化症的MR成像特点和解剖性质做为先验知识,提出了一种基于FCM的多发性硬化症病灶的分割算法。模糊C-均值聚类算法是一种基于灰度的聚类算法,在聚类过程中各象素相互独立,未考虑相邻象素之间的影响,未能利用图像的空间信息,在分割迭加了噪声的图像时,分割效果很不理想。所以本文结合了空间信息提出了一种均值模糊C-均值算法,考虑到在同一种脑部组织中,相邻像素属于同一分类的概率应该相近。我们考虑将每个像素值8邻域内的像素值看作一个数据集,对该数据集采用滤波的方法用以降低噪声对聚类精度的影响。通过对临床患者FLAIR MR图像的分割实验,表明该分割算法能够比较准确地分割多发性硬化症病灶,其分割效果明显好于传统FCM聚类算法。