多分辨率多上下文的脑磁共振图像自动分割

２００７年第２４卷第１期微电子学与计算机收稿日期：２００６－０２－１８

基金项目：国家自然科学基金项目（３０５７０６５５）

东南大学预研基金项目（ＸＪ０６１１２３７）

１引言

医学图像分割的对象是实际情况中遇到的形

状复杂、形态学特征多变的解剖结构，而且很少有有效的模型来描述这些结构。通常，医学图像的分割是在有限的先验知识的指导下识别图像中的区域。磁共振（ＭＲ）图像是一类常见的医学图像，ＭＲ图像人脑分割的目标是提取脑组织解剖结构的轮廓，并将人脑中各体素标记为所属的组织。目前，脑

ＭＲ图像分割的主要应用有：可视化和定量分析解

剖及功能皮层结构，指导神经外科手术，映射皮层表面，测量体积，评估功能及形状的改变，研究人脑的发育和老化机理等。

传统的基于直方图的阈值分析［１］是建立在一幅图像的不同的组成部分存在较大的区域特征，而直方图可以很清楚的表明图像的组成部分。一般对于人脑ＭＲ图像，它的灰度直方图包含有一个或者多

个峰值，通过选择灰度不同的阈值，分割目标图像，可以大致分割得到人脑结构的灰质和白质区域。如果一幅图像有着明显的峰值，那么我们选择分割的阈值是非常容易的。然而，在实际实验中，我们都很难得到很好的阈值，来提取人脑的白质结构。由于噪声的普遍存在，传统的阈值分割方法得到的效果很不好，即便是考虑空间相关性的二维直方图阈值法［２，３］都很难满足医学统计学上的要求。

对一幅图像而言，不同的区域，比如说目标区域或背景区域，同一区域内的象素，在位置和灰度级上同时具有较强的一致性和相关性。基于小波变换的多分辨率阈值法［４，５］能够有效地避免灰度级噪声的影响。但是医学图像中各局部之间经常存在亮度和对比度不均匀现象，如果只用一个固定的全局阈值对整幅图像进行分割，则由于不能兼顾图像各处的情况而使分割效果受到影响。

解决不均匀现象的办法就是用与象素位置相关的一组阈值（即阈值是坐标的函数）来对图像各局部分别进行分割。多上下文聚类法［６］是一种比较

多分辨率多上下文的脑磁共振图像自动分割

阮宗才

周振宇

（东南大学学习科学研究中心，江苏南京２１００９６）

摘

要：文章提出了一种新的脑磁共振图像自动阈值分割算法，该算法综合多分辨率和多上下文的思想，具有更

好的抗噪声能力。多分辨率阈值法只考虑了多尺度下灰度级的一致性，不能兼顾图像各局部之间的不均匀性，而多上下文方法恰好弥补了这方面的不足。临床脑磁共振图像实验的结果表明，多分辨率多上下文的算法（ＭＲＭＣ）改进了分类精度，抗噪声能力优于单上下文的方法。关键词：多分辨率，多上下文，磁共振图像，图像分割中图分类号：ＴＰ３９１

文献标识码：Ａ

文章编号：１０００－７１８０（２００７）０１－００７３－０３

ＭｕｌｔｉｒｅｓｏｌｕｔｉｏｎａｎｄＭｕｌｔｉｃｏｎｔｅｘｔＡｕｔｏｍａｔｉｃＳｅｇｍｅｎｔａｔｉｏｎｏｆ

ＢｒａｉｎＭＲＩｍａｇｅｓ

ＲＵＡＮＺｏｎｇ－ｃａｉ，ＺＨＯＵＺｈｅｎ－ｙｕ

（ＲｅｓｅａｒｃｈＣｅｎｔｅｒｆｏｒＬｅａｒｎｉｎｇＳｃｉｅｎｃｅ，ＳｏｕｔｈｅａｓｔＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００９６，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ｔｈｉｓｐａｐｅｒｐｒｅｓｅｎｔｓａｎｅｗｔｈｒｅｓｈｏｌｄａｌｇｏｒｉｔｈｍｆｏｒａｕｔｏｍａｔｉｃｓｅｇｍｅｎｔａｔｉｏｎｏｆｂｒａｉｎｍａｇｎｅｔｉｃｒｅｓｏｎａｎｃｅ

ｉｍａｇｅｓ．Ｉｎａｄｄｉｔｉｏｎｔｏｔｈｅｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎｆｒａｍｅｗｏｒｋ，ｔｈｅａｌｇｏｒｉｔｈｍａｐｐｌｉｅｓｍｕｌｔｉｃｏｎｔｅｘｔｍｏｄｅｌｓｔｏｊｏｉｎｔｌｙｕｓｅｔｈｅｉｒｄｉｓｔｉｎｃｔａｄｖａｎｔａｇｅｓ，ａｎｄｈａｓｂｅｔｔｅｒｒｅｓｉｓｔａｎｃｅｔｏｎｏｉｓｅ．Ｔｈｅｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎｔｈｒｅｓｈｏｌｄｍｅｔｈｏｄｏｎｌｙｃｏｎｓｉｄｅｒｓｔｈｅｇｒａｙ－ｓｃａｌｅｌｅｖｅｌｏｆｃｏｎｓｉｓｔｅｎｃｙ，ａｎｄｄｏｅｓｎｏｔａｂｌｅｔｏａｔｔｅｎｄｔｈｅｌｏｃａｌｈｅｔｅｒｏｇｅｎｅｉｔｙｉｎｉｍａｇｅｓ．Ｔｈｅｍｕｌｔｉｃｏｎｔｅｘｔｍｅｔｈｏｄｊｕｓｔｍａｋｅｓｕｐｔｈｅｓｈｏｒｔａｇｅ．ＥｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｏｎｃｌｉｎｉｃａｌｂｒａｉｎＭＲｉｍａｇｅｓｓｈｏｗｔｈａｔｔｈｅｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎａｎｄｍｕｌｔｉｃｏｎｔｅｘｔａｌｇｏｒｉｔｈｍ（ＭＲＭＣ）ｉｍｐｒｏｖｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｖｅｒｔｈｅｓｉｎｇｌｅｃｏｎｔｅｘｔｍｅｔｈｏｄ．Ｋｅｙｗｏｒｄｓ：Ｍｕｌｔｉｒｅｓｏｌｕｔｉｏｎ，Ｍｕｌｔｉｃｏｎｔｅｘｔ，ＭＲｉｍａｇｅ，Ｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ

７３

微电子学与计算机２００７年第２４卷第１期

新颖的方法，它对每个象素进行多邻域的重复多阈值分割，最后得到一个加权的分类结果。这种与位置相关的多阈值法对抗不均匀噪声的能力很强，对一些用全局阈值不易分割的图像有较好的效果。

本文综合基于多分辨率和多上下文的思想，提出了一种新的脑磁共振图像自动阈值分割算法，使算法具有更好的抗噪声能力。

２基于小波变换的多分辨率阈值算法

多分辨率方法的基本思想是首先由二进制小

波变换将图像分解，得到不同层次直方图的小波系数，然后依据给定的分割准则和小波系数选择阈值门限，最后利用阈值标出图像分割的区域。整个分割过程是从粗到细，由尺度变化来控制。即起始分割由粗略的Ｌ２（Ｒ）子空间上投影的直方图来实现，如果分割不理想，则利用直方图在精细的子空间上的小波系数逐步细化图像分割。分割算法的计算量与图像尺寸大小呈线性变化。

对于每个整数ｊ∈Ｚ（Ｚ为整数集合），ｄｊ＝

ｋ

２

ｊ

，ｋ∈"#

Ｚ表示在ｊ分辨率下的二进制有理数。因

此，对于任何ｊ∈Ｚ，ｄｊ是一组在实数轴上等间隔采样点集合，如果ｉ＜ｊ，则ｄｉ表示低分辨率的采样点；反之，ｉ＞ｊ，则ｄｉ表示高分辨率的采样点。假定ｆ（ｘ，ｙ）表示为一幅图像，Ｄｍ是图像ｆ（ｘ，ｙ）中最大灰度，则直方图表示为：

ｈｆ（ｋ）＝（ｘ，ｙ）：ｆ（ｘ，ｙ）＝"$ｋ；ｋ∈０，Ｄｍ%&（１）

式中，“｜…｜”

表示计数操作，ｈｆ（ｋ）是离散函数。令ｈｆ（ｘ）＝ｈｆ（ｋ），ｘ∈ｋ，ｋ＋%&

１，离散函数ｈｆ（ｋ）表示成连续函数ｈｆ（ｘ），ｈｆ（ｘ）可以看作是由几个分段常数函数组成。对于ｊ∈Ｚ，ｈｆ按采样点ｄｊ"$

采样，则ｈｊｆ表示在ｊ分辨率下的直方图。

进一步ｈｊｆ可以用Ｈａａｒ尺度函数!（ｘ）的平移与伸缩表示，即：

!（ｘ）＝

１０≤ｘ≤１

０其"

它

（２）ｈｊｆ（ｘ）＝ｎ∈Ｚ

(ｈｆ（２－ｊｎ）!（２ｊｘ－ｎ）

（３）

由于连续函数ｈｆ（ｘ）由若干分段常数函数组成，存在阶梯现象，需用滤波操作平滑处理函数ｈｆ（ｘ），去掉其高频成分。多层表达曲线ｈｆ（ｘ）可以表示为：

ｈｆ（ｘ）＝ｋ∈Ｚ

(ａｋ!ｊ，ｋ

（４）其中ａｋ)$＝＜ｈｆ，!ｊ，ｋ"$

＞，!ｊ，ｋ＝２ｊ／２!（２ｊｘ－ｋ）（５）

对图像的直方图曲线按上式进行多分辨分解，利用分解系数ａｋ"$，从粗到细，则可以找出图像的分割阈值。算法步骤如下：

步骤１：预设分割区域为Ｍ，分解级数ｊ＝－３，ｊ由图像中的最大灰度值Ｄｍ确定；

步骤２：对直方图曲线ｈｆ（ｘ）进行ｊ级二进小波分解，得到ａｋ"$ｊ＝＜ｈｆ，!ｊ，ｋ"$＞ｋ∈Ｚ；

步骤３：从分解系数ａｋ"$ｊ中，找出满足ａｌ－１＞ａｌ

和ａｌ＜ａｌ＋１条件的标号ｌ（该标号值就是此时所求的灰度阈值），更新灰度阈值数组，同时统计标号ｌ的个数ｎ；

步骤４：如果ｎ≤Ｍ，则ｊ＝ｊ＋１，当时ｊ＜０，转向步骤２；如果ｎ＞Ｍ，则合并靠得较近的灰度阈值，更新灰度阈值数组，使得ｎ＝Ｍ，同时ｊ＝ｊ＋１，当时ｊ＜０，转向步骤２；

步骤５：图像中的每一个像素值与灰度阈值进行比较，对图像进行分割。

３改进的多分辨率多上下文分割算法

在上面的方法中，我们是把一幅ＭＲ图像作为

一个完整的分割目标进行处理的。但是医学图像中各局部之间经常存在亮度和对比度不均匀现象，很自然的一个想法是，如果我们将图像分割成网格状，分别对小块的图像区域进行分割处理，可能会得到比上面更好的分割结果。这种方法可以保留更多的局部细节信息，但是它不可能从相邻网格获取相应的信息，而且它对于图像分割的连续性有一定的破坏。

多上下文方法是一种新颖的方法，它对每个象素进行滑动窗口多邻域的重复多阈值分割，可以减少固定网格所产生的问题。由此，我们就得出了一种新的方法，多分辨率多上下文的阈值分割算法（ＭＳＭＣ），它既能够保留原来的优点，又可以使得分割的结果有很好的连续性和较可靠的统计学意义。

在这个方法中，滑动窗口的形状必须首先决定的。在我们的实验中，我们选择了一个矩形用于处理二维的大脑磁共振图像。我们只需要给出移动窗口的大小参数：

η＝‖ｃ‖ｎ－ｎｂｋ+,＝ｃｗ×ｃｈ+,Ｉｗ×Ｉｈ－ｎｂｋ+,（６）其中Ｉｗ和Ｉｈ分别表示输入图像的宽和高，而ｎ表示图像的象素总数，ｎｂｋ表示已经经过处理的输入

图像的灰度值为零的背景象素总数。再通过给定的参数η我们就可以计算出矩形窗口的宽ｃｗ和高ｃｈ。通过我们详细的定义，那么在原始输入图像中不同

７４

２００７年第２４卷第１期微电子学与计算机

的切片层采用不同的矩阵大小来对脑组织进行分割处理。我们在实验中应该注意的是这四个参数必须满足如下的定义：

ｃｗ／Ｉｗ＝ｃｈ／Ｉｈ（７）滑动窗口的移动法则如下，它从左向右以步长Ｓｗ移动，从上往下以步长Ｓｈ移动。

Ｓｗ＝ｃｗ／ｍｗ（８）

Ｓｈ＝ｃｈ／ｍｈ（９）在实际操作中，我们对二维脑磁共振图像采用ｍ＝ｍｗ×ｍｈ＝２×２，那么，在图像处理过程中，有效处理面积中存在的象素都处于ｍ个计算窗口内。

在计算过程中，在每一次移动窗口的内部，上节的算法被使用直到整幅图像都处理完成，这样大多数象素都被赋予了ｍ个不完全一致的隶属关系：灰质，白质或者脑脊液。最后，我们使用一个最大隶属度原则最终来确定该象素的性质。

４实验结果

图１给出实验用的已经去脑壳的人脑二维图像的灰度直方图，我们可以看出该直方图没有明显的峰值和谷点。这样就意味着很难通过简单的阈值方法对大脑的灰质和白质进行分割。

运用ＭＳＭＣ方法的分割结果如图２（ａ）￣（ｄ）所示。图２（ａ）为含有白质、灰质和脑脊液的图像，图２（ｂ）、图２（ｃ）和图２（ｄ）分别表示单独提取出来的大脑组成部分。作为对比，图２（ｅ）￣图２（ｈ）是运用改进前的小波多分辨率阈值算法的分割效果图像。我们仅从外囊和内囊附近的分割就可以发现，改进的ＭＳＭＣ算法可以把大脑ＭＲ图像中的细微信息更好的挖掘出来，而且不会把灰质成分错误地划分为白质成分。

其中图２（ｂ）、（ｆ）为白质；图２（ｃ）、（ｇ）为灰；图２（ｄ）、（ｈ）为脑脊液；图２（ａ）、（ｅ）为三者的叠加图。

５结束语

本文提出了一种新的脑磁共振图像自动阈值分割算法，该算法综合多分辨率和多上下文的思想，具有更好的抗噪声能力。多分辨率阈值法只考虑了多尺度下灰度级的一致性，不能兼顾图像各局部之间的不均匀性，而多上下文方法恰好弥补了这方面的不足。临床脑磁共振图像实验的结果表明，多分辨率多上下文的算法（ＭＲＭＣ）改进了分类精度，抗噪声能力优于单上下文的方法。

参考文献：

［１］ＳｅｚｑｉｎＭ，ＳａｎｋｕｒＢ．Ｓｕｒｖｅｙｏｖｅｒｉｍａｇｅｔｈｒｅｓｈｏｌｄｉｎｇｔｅｃｈ－ｎｉｑｕｅｓａｎｄｑｕａｎｔｉｔａｔｉｖｅｐｅｒｆｏｒｍａｎｃｅｅｖａｌｕａｔｉｏｎ［Ｊ］．Ｊ．ＥｌｅｃｔｒｏｎｉｃＩｍａｇｉｎｇ，２００４，１３（１）：１４６￣１６８

［２］ＡｂｕｔａｌｅｂＡＳ．Ａｕｔｏｍａｔｉｃｔｈｒｅｓｈｏｌｄｉｎｇｏｆｇｒａｙ－ｌｅｖｅｌｐｉｃ－ｔｕｒｅｓｕｓｉｎｇｔｗｏ－ｄｉｍｅｎｔｉｏｎａｌｅｎｔｒｏｐｙｏｆｔｈｅｈｉｓｔｏｇｒａｍ［Ｊ］．ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，ＧｒａｐｈｉｃｓａｎｄＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ，１９８９，４７（１）：２２￣３２

［３］芦蓉，沈毅．一种改进的二维直方图的图像阈值分割方法［Ｊ］．系统工程与电子技术，２００４，２６（１０）：１４８７￣１４９０［４］ＯｌｉｖｏＪＣ．Ａｕｔｏｍａｔｉｃｔｈｒｅｓｈｏｌｄｓｅｌｅｃｔｉｏｎｕｓｉｎｇｔｈｅｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍ［Ｊ］．ＣＶＧＩＰ：ＧｒａｐｈｉｃａｌＭｏｄｅｌａｎｄＩｍａｇｅＰｒｏｃｅｓｓ－ｉｎｇ，１９９４，５６（３）：２０５￣２１８

［５］韩建栋，向健勇，尹超．一种基于小波的图像模糊熵阈值分割算法［Ｊ］．红外技术，２００４，２６（３）：２９￣３２

［６］ＺｈｕＣ，ＪｉａｎｇＴ．ＭｕｌｔｉｃｏｎｔｅｘｔｆｕｚｚｙｃｌｕｓｔｅｒｉｎｇｆｏｒｓｅｐａｒａｔｉｏｎｏｆｂｒａｉｎｔｉｓｓｕｅｓｉｎｍａｇｎｅｔｉｃｒｅｓｏｎａｎｃｅＩｍａｇｅｓ［Ｊ］．Ｎｅｕ－ｒｏｉｍａｇｅ，２００３，１８（３）：６８５￣６９６

作者简介：

阮宗才男，（１９７０－），博士，副研究员。研究方向为计算机视觉、虚拟现实和图像分析

。

７５

Chan_Vese模型下的脑肿瘤图像分割方法

2010，46（9） 1引言 医学图像分割是医学图像处理过程中的重要步骤，医学图像中的脑肿瘤分割[1]要求不仅要快速，而且要准确地对脑肿瘤进行分割操作。同时，医学图像分割也是图像处理领域中的一个经典难题，迄今为止还没有出现某种分割方法对各种医学图像的分割达到令人满意的地步。一般而言，根据具体的情况可以选择不同的图像分割方法，但基于模型和基于区域的分割方法[2]是比较常用的分割方法。 基于模型的分割方法包括活动轮廓模型（可变型模型）[3]和水平集[4]等算法，分别由Kass et al[3]和Osher and Sethian[4]提出。在此基础上Tony Chan和Luminita Vese[5]共同提出了Chan-Vese[5-6]模型。上述算法的核心思想是在分割目标附近初始化一条可变型能量曲线，然后这条曲线不断朝着分割目标的边界变型，当曲线即将与目标边界重合时能量几近为零，从而达到分割的目的。这种方法的优点是通过设置种子区域，可以快速地对图像进行分割操作，但由于过度依赖分割目标的梯度或亮度信息，同时分割过程中比较依赖参数的选择，所以导致分割结果不够准确。 基于区域的分割方法包括区域增长[7]和形态学处理[8]等。这些算法都是基于对邻域像素点的操作，分割的准确度比较高。基于区域的分割方法通常被用来提取图像的轮廓。由于需要针对逐个像素点进行计算，导致这些方法的计算量很大，这直接影响到了最后的图像分割速度。 Tim McInerney等人[9]将可变型模型用于医学图像分割并取得了较好的效果。由于可变型模型（活动轮廓模型、Chan-Vese模型）过度依赖于图像的梯度或亮度均值等信息，所以当 Chan-Vese模型下的脑肿瘤图像分割方法 许存禄1，高佳1，武国德2 XU Cun-lu1，GAO Jia1，WU Guo-de2 1.兰州大学信息科学与工程学院，兰州730000 2.兰州大学第二附属医院神经内科，兰州730000 1.School of Information Science and Engineering，Lanzhou University，Lanzhou730000，China 2.Department of Neurology，Second Affiliated Hospital of Lanzhou University，Lanzhou730000，China E-mail：clxu@https://www.wendangku.net/doc/d03814173.html, XU Cun-lu，GAO Jia，WU Guo-de.Brain tumor image segmentation method based on Chan-Vese https://www.wendangku.net/doc/d03814173.html,puter Engi－neering and Applications，2010，46（9）：155-158. Abstract：A brain tumor image segmentation and3D reconstruction method is proposed based on Chan-Vese model.The brain tumor image is first eroded iteratively by using morphological erosion to extract the brain tumor contour.Then the brain tumor in－cluded in eroded image is segmented by the Chan-Vese model.The image is finally dilated iteratively by using morphological di－lation to restore the image.Moreover，all segmented brain tumor images are reconstructed and located to three dimensions.Experi－mental results show that the algorithm based on Chan-Vese model can solve the problem of incomplete segmentation easily oc－curred in brain tumor segmentation process.At the same time，the3D reconstruction and location of the brain tumor offer a great reference value in clinical work. Key words：brain tumor；image segmentation；Chan-Vese model；3D reconstruction and location 摘要：提出了一种基于Chan-Vese模型的脑肿瘤图像分割与三维重构方法。该方法首先通过对脑肿瘤图片的迭代腐蚀操作提取脑肿瘤轮廓，然后利用Chan-Vese模型对脑肿瘤进行分割，最后对图像进行迭代膨胀操作复原图像。另外对所有分割后的脑肿瘤图片进行了三维重构与定位。实验结果表明，基于Chan-Vese模型的图像分割方法很好地解决了脑肿瘤分割过程中容易出现的不完全分割问题，同时对脑肿瘤的三维重构与定位也具有较大的临床实用价值。 关键词：脑肿瘤；图像分割；Chan-Vese模型；三维重构与定位 DOI：10.3778/j.issn.1002-8331.2010.09.044文章编号：1002－8331（2010）09-0155-04文献标识码：A中图分类号：TP391 基金项目：国家自然科学基金青年科学基金项目（No.60903101）。 作者简介：许存禄（1976-），男，博士，硕士生导师，主要研究领域为计算医学与图像处理；高佳（1985-），男，硕士生，主要研究领域为医学图像处理；武国德（1969-），男，副主任医师，主要从事神经内科临床工作。 收稿日期：2009-04-07修回日期：2009-06-02 Computer Engineering and Applications计算机工程与应用155

一种数字人脑部切片图像分割新方法

医学物理与工程学 A ne w segmentation method for slice im ages of digital hum an brain L UO Hong 2y an 13 ,L I Mi n 1 ,TA N L i 2wen 2 ,Z H EN G X i ao 2li n 1 ,Z HA N G S hao 2x iang 2 ,HOU Wen 2sheng 1 (1.B ioengineering College ,Chongqing Universit y ,Chongqing 400030,China; 2.De partment of A natom y ,T hi rd M ilitary Medical Universit y ,Chongqing 400038,China ) [Abstract]　Objective To present a new automatic segmentation algorithm for human slice images ,in order to reduce the massive manual intervention in the existing segmentation methods 1Methods According to the features of slice images of digital human brain ,a segmentation algorithm based on the theory of region growing and threshold in normal gray histogram was proposed 1More exactly ,the slice images were initially segmented coarsely by means of the region growing 1Then the method of threshold in normal gray histogram was adopted to refine the segmentation 1R esults White matter and cerebral cortex were segmented accurately and effectively with this method 1Conclusion This algorithm characterized by the combi 2nation of global information and local information of a slice image for automatic segmentation exhibits good performance 1[K ey w ords]　Slice image segmentation ;White matter ;Cerebral cortex ;Region growing [基金项目]国家自然科学基金(60771025)。 [作者简介]罗洪艳(1976— ),女,四川泸州人,博士,讲师。研究方向:医学图像处理。 [通讯作者]罗洪艳,重庆大学生物工程学院,4000030。E 2mail :cqu_lhy @1631com [收稿日期]2009202227 [修回日期]2009203224 一种数字人脑部切片图像分割新方法 罗洪艳13,李　敏1,谭立文2,郑小林1,张绍祥2,侯文生1 (1.重庆大学生物工程学院,重庆　400030;2.第三军医大学基础部解剖学教研室,重庆　400038) [摘　要]　目的　提出一种人脑切片图像自动分割算法,以克服现有的方法对大量人工参与的依赖。方法　针对人脑切片 图像的特征,提出一种基于区域生长的灰度直方图阈值化分割算法。首先通过区域生长过程对图像进行初始的粗分割,再用直方图阈值化方法进行二次细分割提取目标区域。结果　采用此方法准确有效地分割出了大脑白质和大脑皮质。结论　此算法结合切片图像的全局信息和局部信息应用于分割,是一种比较好的分割方法。[关键词]　切片图像分割;白质;皮质;区域生长[中图分类号]　TP391　[文献标识码]　A [文章编号]　100323289(2009)0821488204 人脑是人体内结构和功能最复杂的器官,是人类认识自己、了解自己的最后一座有待攻克的堡垒。继基因组计划之后,全球启动了“人类脑计划”的国际性科研合作,我国已加入该计划并承担东方人脑的结构功能图谱研究。该项研究的首要任务是要基于人脑切片建立精确的、可视化的数字人脑模型[1] ,而切片图像分割作为三维重建的基础是其中的核心步骤。数字人研究的先驱者Victor Spitzer 曾说过,数字人研究具有三个挑战性的问题,即分割,分割,再分割[2]。 目前,对于切片图像分割,国内外多采用手工分割的方法实现,严重制约了分割的精度和速度。彩色图像自动分割的算法很多[3],但对医学图像的分割,目前尚无一个公认的最好方法[4]。因此,针对具体彩色图像特征开发自动化程度较高、 更为准确的分割算法来实现人体切片中各解剖结构的分割, 对人的结构功能图谱研究和数字人的研究具有重大的意义。 本文主要探讨人脑切片图像上的大脑白质和大脑皮质的自动分割和提取,针对其具有结构均匀、灰度对比明显等特征,提出了一种二次分割算法,即基于区域生长的灰度直方图阈值化分割算法。此算法首先使用区域生长法对图像进行初始分割,获得较粗糙的分割结果;然后根据粗分割后图像的灰度直方图,通过设计灰度阈值的方法进行二次分割获得目标区域。1　数据来源 本文切片图像源于第三军医大学的原创性科研成果“中国数字化可视人体数据集”。原始切片每层厚度为011mm ,每张切片图像的记录像素为4064×2704,图片大小为6219MB ,24位真彩色图像。脑部切片图像由香港中文大学进行了去背景处理,处理后每张图片尺寸为3872×2048,所占空间为2216M ,以bmp 格式存储。2　分割算法 算法的基本实现过程如图1所示,主要分为图像预处理、

基于注意机制的改进卷积神经网络脑肿瘤图像分割方法与制作流程

本技术涉及一种基于注意机制的改进卷积神经网络脑肿瘤图像分割方法，包括下列步骤：数据预处理：首先对三维脑肿瘤MRI图像数据进行N4ITK算法的去偏置场效应处理，其次对原始MRI图像中的Flair、T1、T1C和T2四种模态图像分别进行灰度归一化预处理；搭建并训练基于注意机制的改进卷积神经网络模型，在训练过程中，将患者的四种模态数据当作神经网络的四个通道输入到网络模型中进行训练，以便融合不同模态的不同特征，进行更精确的分割；将预处理后的图像分为训练集和测试集，利用训练集对基于注意机制的改进卷积神经网络模型进行训练。 权利要求书 1.一种基于注意机制的改进卷积神经网络脑肿瘤图像分割方法，包括下列步骤： 1)数据预处理：首先对三维脑肿瘤MRI图像数据进行N4ITK算法的去偏置场效应处理，其次 对原始MRI图像中的Flair、T1、T1C和T2四种模态图像分别进行灰度归一化预处理。

2)搭建并训练基于注意机制的改进卷积神经网络模型，在训练过程中，将患者的四种模态数据当作神经网络的四个通道输入到网络模型中进行训练，以便融合不同模态的不同特征，进行更精确的分割：以用于生物医学图像分割的卷积网络3D U-Net作为基础，网络包括一个用于分析整个图像，获取上下文信息的分析路径和一个连续扩展的合成路径实现精确定位以产生全分辨率分割输出； 每个路径都有四个分辨率步骤层，两条路径中每层均包含两个内核大小为3×3×3的卷积层，每个卷积层后跟一个ReLu激活函数；相邻两层之间分别是最大池化层和上采样层，步长均为2内核大小均为2×2×2；为避免瓶颈，分析路径中在最大池化层之前已将通道数量加倍，合成路径中同理；在最后一层，内核大小为1×1×1的卷积层将输出通道的数量减少到标签数量； 在为合成路径提供基本的高分辨率特征的来自分析路径中同层的快捷连接中加入注意门(Attention Gate，AG)模型，将从下一分辨率层提取的粗尺度信息作为门控信号，用来删减跳过连接中的不相关的特征，突出显示通过跳过连接传递的显著特征，搭建基于注意机制的改进卷积神经网络模型，称为AG_UNet； 对所有卷积层的非线性部分采用leaky ReLu激活函数，标准化方式采用实例标准化，在训练过程中使用随机翻转，随机缩放，随机弹性形变和镜像等数据增强技术进行数据增强，并选用多类Dice损失函数作为损失函数； 将预处理后的图像分为训练集和测试集，利用训练集对基于注意机制的改进卷积神经网络模型进行训练； 3)测试分割结果：当基于注意机制的改进卷积神经网络模型训练好后，在测试集上测试模型。 技术说明书

基于MRI的脑组织分割方法概述

1 基于MRI的脑组织分割方法概述 1.1 经典分割方法 1.1.1 阈值脑组织分割方法 阈值化的分割方法是MR脑组织分割中最基本的方法。根据阈值，可分别显示图像中灰度级大于阈值和小于阈值的像素，从而实现图像分割。但当图像中的目标和背景灰度差异不明显或灰度值范围有重叠时，单纯的阈值法分割效果不佳，且阈值法只考虑像素本身的灰度值，多不考虑空间特征，因而对噪声和灰度不均匀敏感，所以常与其它方法相结合。文献[1]提出先采用最大类别方差法自动寻找阈值以去除颅脑和肌肉等非脑组织，然后通过K-最近邻规则对脑白质、脑灰质和脑脊髓液进行划分，提高了分割精度。文献[2]提出基于多分辨率边缘检测、区域选择和动态阈值相结合的方法分割脑组织，克服了模糊和不均匀影响。文献[3]提出模糊最大熵结合遗传算法的阈值法，能完全将脑白质从三维脑组织图像中分割出来，且抗噪性强。 1.1.2 基于区域生长法脑组织法分割方法 区域生长法是以同一区域内像素具有相似灰度、颜色、纹理等特征为假设条件的，其基本思想是以一组“种子”点开始将与其性质相似的相邻像素合并到种子像素所在的类中。该方法充分利用了图像的空间信息，但需依赖先验知识选择种子点，且对噪声敏感，会造成孔状甚至不连续区域。因此使用区域生长法分割脑实质等连续、简单较大的结构效果理想，但对于分割脑白质、脑灰质或脑肿瘤这样复杂的不连续结构，难以获得满意效果。因此，有学者提出首先利用改进的水平集法提取骨组织和脑脊液，然后使用区域生长法实现脑白质和脑灰质的分离，提高了算法的鲁棒性和准确性[4]。文献[5]将直方图阈值法与区域生长法相结合，准确有效地分割出了脑白质和大脑皮质。 1.2 基于统计学脑组织分割方法 基于统计学分割方法把图像中各个像素点的灰度值看作是具有一定概率分布的随机变量，找出最大概率的图像组合就可以正确分割图像。它是近年来流行的脑组织分割方法之一，常用的基于统计学分割方法如下。 1.2.1 分类器法 分类器算法是一种监督性算法，需要为分割选择训练样本，根据训练样本对未分像素进行分类。它对于正常MR脑组织图像分割是比较成功的，但是对于异常脑组织的分割效果还不太理想。传统分类器算法包括最大似然法、贝叶斯模型、K近邻法。这些算法不需要迭代运算，但以经验风险最小化为出发点，所以泛化能力差，且对大样本空间进行分类时易产生误差。 近十几年发展起来的支持向量机（Support V ector Machine，SVM）模型，被

颅脑MRI正常分析报告

旧书不厌百回读，深思熟虑子自知 磁共振成像基本原理涉及到的几个重要概念： 核磁：带有正电荷的原子核自旋产生的磁场称为核磁，可以产生核磁的原子核叫磁性原子核。 进动：处于主磁场的质子，除了自旋运动外，还绕着主磁场的轴进行 进动的频率称为Larmor频率：ω=γ?B 磁共振现象： T2驰豫，横向驰豫：横向磁化矢量从最大逐渐减小直至消失，这个过程我们称作横向驰豫，也就是T2驰豫。 T1驰豫，纵向驰豫：纵向磁化矢量从零逐渐恢复到最大，这个过程叫纵向驰豫，也就是T1驰豫。 加权：加权就是突出重点的意思，也即重点突出某方面的特性。

颅脑MR诊断读片要点： 1、大脑纵裂：是否在中线上？有没有移位？大脑镰的宽度、信号特点、静脉窦中的血流 2、大脑及小脑的脑沟：轮廓、脑沟的数目、脑沟的宽度、脑沟表面是否粗糙、有没有局部狭窄或扩张、脑池和皮质分界是否清晰？ 3、大脑皮质：厚度、有没有异位？信号特点（有没有高信号：脱髓鞘、水肿、出血；低信号：钙化、出血）。有没有与颅盖分离，脑皮 质与颅盖之间有没有异常信号病灶。 4、脑室：形态，不同年龄的大小：

脑室是否对称？有没有单侧或局部扩大？中脑导水管的流空效应（位于中线），第四脑室呈帐篷形，有没有扩张？有没有颅内压增高征象？（如脑沟消失、变窄或脑室扩大） 5、白质：信号特点【信号均匀，尤其是脑室周围区域，没有斑片状或局部高信号（脱髓鞘、水肿、出血）或低信号（钙化、出血）】。与皮质比宽度正常。 6、基底节、内外囊、丘脑：位置、大小、边界、信号 7 性脱髓鞘？有没有肿物？ 8、脑干： 9(信号) 漏斗位于中心） 鞍上池、颈内动脉虹吸部、海绵窦）有没有异常？ 12、岩锥：桥小脑角区：内听道骨性部分的宽度及对称性(如下)。脑脊液间隙（对称、为液体信号）。有没有肿物。前庭蜗神经显示清晰。 13、乳突气房、乳突窦：解剖、气化程度、边界（壁的厚度、轮廓光滑、连续性有没有中断）有没有肿物？有没有液体充填？ 14、耳蜗及半规管：解剖、轮廓、边界光滑 15、鼻窦：解剖，气化程度，边界（壁的厚度、轮廓光滑、连续）

Chan-Vese模型下的脑肿瘤图像分割方法

万方数据

１５６２０１０，４６（９）ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用 分割目标（脑肿瘤或血管）的边界比较模糊时分割效果就不是很准确，容易出现不完全分割问题。另一方面，利用三维图像处理技术对人体病变器官进行术前分析获得了越来越多的关注。Ｌａｍａｄｅ等人【ｌａｆ对人体病变肝脏进行了虚拟三维重构，为肝脏的术前分析提供了可靠的依据，具有很好的临床应用价值。而传统的脑肿瘤术前分析局限于对脑肿瘤进行二维信息判断，医生只能通过经验判定肿瘤的三维状态及肿瘤在大脑中的三维定位等重要术前信息，这直接影响到了脑肿瘤手术的准确性。 在此基础上提出了基于Ｃｈａｎ—Ｖｅｓｅ模型的脑肿瘤图像分割与三维重构方法。首先对脑肿瘤图像进行形态学迭代腐蚀操作提取脑肿瘤轮廓，然后利用Ｃｈａｎ—Ｖｅｓｅ模型对脑肿瘤进行分割，最后再对图像进行形态学迭代膨胀操作复原图像。这样就结合了可变型模型的速度优势和数学形态学的准确性优势，同时当分割目标的边界比较模糊时，改进的方法能取得比Ｃｈａｎ—Ｖｅｓｅ模型更好的分割效果，很好地解决了不完全分割问题。另外借助ＶＴＫｔｕ】对分割后的脑肿瘤图片序列进行三维重构与定位，得到了脑肿瘤的三维信息（大小、状态），从而为脑肿瘤术前分析提供理论基础。 ２Ｃｈａｎ－Ｖｅｓｅ模璎 Ｃｈａｎ—Ｖｅｓｅ模型由ＴｏｎｙＣｈａｎ和ＬｕｍｉｎｉｔａＶｅｓｅ提出，主要基于曲线变型［ｔ２１，Ｍｕｍｆｏｒｄ—ｓｈａｈｌ吩割函数和水平集１４１，它与 传统可变型模型最大的区别是对图像进行分割时无需依赖于图像的梯度信息。Ｃｈａｒｔ—Ｖｅｓｅ模型的能量函数无法直接使用单次微分求其极值，可以通过Ｅｕｌｅｒ－ＬａｇｒａｎｇｅＩ－目方程，使能量函数通过迭代的偏微分方程逼近真正的解。 ２．１基本能量曲线 首先定义基本能量方程： 及ｃ，ｃｌ，ｃ２）＝｝止（ｃ）＋以（ｆｎ（ｃ））“１Ｊｌｕｏ（ｘ，ｙ）－－ｔ１广ｄ茁ｄｙ＋ 一ｃ） ｒ＾ Ａ２ｌｕｏ（ｘ，，，）－ｃ２广ｄｘｄｙ（１） 魂素。） 其中ｐ，ｙ，Ａ。，Ａ：是可调参数，ｃ是可变型曲线，Ｃ，是曲线内部的亮度平均值，Ｃ：是曲线外部的亮度平均值，‰（菇，，，）是图像中点（菇，ｙ）处的亮度值，Ｌ（ｃ）是可变型曲线的长度，Ａ（ｉｎ（Ｃ））是曲线内部的面积。因此能量最小化问题可以表示为： ｉＩｌｆ只Ｃ，Ｃｌ，ｃ２）（２）Ｃ．ｃＩｆｃ２ ２．２Ｍｕｍｆｏｒｄ—Ｓｈａｈ函数模理 从逼近论ｔ≈的观点来看，Ｍｕｍｆｏｒｄ—Ｓｈａｈ函数模型是对—个任意的定义域为ｎ的图像函数呦（茗，＇，）用分片光滑函数ｕ（ｘ，，，）做下述意义的最佳逼近： ，（ｕ，ｃ）单?ｋｎｇ矾（ｃ）“ｆＩｌｌｏ（戈，，，）一“（茹，ｙ）１２出ｄｙ＋ 五 ｆ， ｌ。ＩＶｕ（ｘ，ｙ）ｌ‘出ｄｙ（３）其中Ｕｏ为输入图像，当取Ａｌ＝Ａ２＝４，／Ｌ＞Ｏ，ｖ＝Ｏ时，可以把Ｃｈａｎ—Ｖｅｓｅ模型看成Ｍｕｍｆｏｒｄ—Ｓｈａｈ模型的特殊情况，这时只需找出Ｕｏ的最佳逼近“，再结合水平集方法和曲线演化理论，即可推导出高维函数的进化方程。 ２．３水平集求解 利用水平集求解Ｃｈａｒｔ—Ｖｅｓｅ模型，将变型曲线Ｃ看做Ｌｉｐｓｃｈｉｔｚｔｌ２】函数咖的零水平集。由于Ｃｈａｎ—Ｖｅｓｅ模型被看成Ｍｕｍｆｏｒｄ—Ｓｈａｈ模型的特殊情况，所以用水平集函数对Ｃｈａｎ，Ｖｅｓｅ模型进行表述时可以表示为： ｕ（ｘ，，，）＝ｃ１Ⅳ（币（菇，Ｙ））４＂Ｃ２（１－Ｈ（４＇（ｘ，Ｙ）））（４）使咖保持不变，同时最小化能量函数，（Ｃ，ｃ。，ｃ：），可通过公式（５）求出ＣＩ（ｐ）和ｃ２（妒）。 ＣＩ（妒）＝ 』讽（妒）出如 ｎ 』Ｉｌｏ（１．巩（９））出ｄｙ ，ｃ２（９）＝ｊＬ——————————一（５）ｆｎ．Ｃ牮，）ｄｘｄｙＪ（１也（妒））出ｄｙ ｎｎ 为了计算与未知水平集函数西相关的Ｅｕｌｅｒ—Ｌａｇｒａｎｇｅ函数方程，分别引入Ｈｅａｖｉｓｉｄｅ删函数也和一维Ｄ／ｒａｃｌ月函数瓦，然后最小化能量函数只（咖），就能以迭代的方式得到如下求解西的Ｅｕｌｅｒ－Ｌａｇｒａｎｇｅ方程： 譬书（西） ｄ‘ 即∽删）ｄｉｖｐ－－Ｉ（器）叫 一Ａｌ（“ｄ．Ｉｃｌ）２＋Ａ２（“旷．ｃ２）２ 妒（Ｉ，石，，，）＝伽（并，ｙ）（６）Ｐ（弘叫锗＝ｏ 鱼生：翌竺 ＯｔＡｔ 其中ｔ为时间变量，咖为水平集函数，当￡＝，时，用咖“表示当前的水平集毋。Ｃｈａｒｔ—Ｖｅｓｅ模型的具体算法如下： （１）令ｎ－－０，初始化∥；＾－ （２）用公式（５）计算ｃ。（咖４）和ｃ：（咖“），且当ｐ＝２时，有ｌｅｎｇｔｈ｛４，“旬｝吐（币４）； （３）用公式（６）计算∥的偏微分方程，从而进—步求出∥１； （４）检查‘ｂ“是否为稳态解，若不是则ｎ：ｎ＋１，跳入（２）再次循环。 ３基于Ｃｈａｒｔ—Ｖｅｓｅ模型的脑肿瘤图像分割与三维重构方法 ３．１基于Ｃｈａｎ－Ｖｅｓｅ模璎的脑肿瘤分割 ＴｉｍＭｃｌｎｅｍｅｙ等人Ｉ咀将町变型模型应用于医学图像分割并取得了较好的效果，但也存在某些缺陷。由于可变型模型（活动轮廓模型、Ｃｈａｎ－Ｖｅｓｅ模型）在型变时往往依赖于分割目标的梯度或亮度均值，所以当分割目标的边界比较模糊时变型曲线很可能在未完全与分割目标的边界重合就停止型变，从而产生不完全分割，如图１所示。临床应用中，多数脑肿瘤的边缘部分相对比较模糊，所以在分割过程中很容易出现不完全分割问题。 待分割肿瘤模糊边界最后分割区域不完全分害ｊ区域原始脑肿熘ｌ圭ｊ片小完全分割ｊ垄｜片 图ｌ脑肿瘤不完全分割图 　万方数据

一种快速模糊C均值聚类算法的颅脑图像的分割

一种快速模糊C均值聚类算法的颅脑图像的分割 摘要：颅脑图像分割的准确性对医生判断病变并作出正确的诊断至关重要。本文利用图像分割技术，采用一种快速模糊c均值聚类算法，实现了颅脑图像白质、灰质、脊髓液以及背景的自动分割。该算法在visual c++2008软件开发平台上编程实现并与其他方法做了比较。实验表明该算法对于具有多峰直方图和边缘模糊的颅脑图像具有良好的实时性和分割效果，为接下来的颅脑的病变诊断等其他工作奠定了良好的基础。 关键词：模糊c均值聚类；颅脑图像；自动分割；边缘模糊；中图法分类号：tp391.4 文献标识码： j abstract：using the technology of image segmentation，introduced a fast fuzzy c-means（ffcm） algorithm，with which the background，the white matter area，gray matter area and cerebrospinal fluid area could be divided automatically. on the visual c++ 2008 software development platform，the algorithm was completed and compared with other algoithms.the results indicated that the algorithm was of goog real-time capacity and accuracy in segmentation of craniocerebral image that had multi-peaks histogram and edge blur .this work would lay the foundation a better pathological changes diagnosis. key words： fuzzy c-means ； craniocerebral ； automatic

基于Hough变换和GVF Snake模型的脑肿瘤分割方法

收稿日期：2017-09-25；修回日期：2017-10-27 基金项目：国家自然科学基金资助项目（61440049，61262019）；江西省自然科学基金资助项目（ 20151BAB207065，20161BAB202038）；江西省教育厅科技项目（GJJ170572）；江西省科技厅重点研发基金资助项目（20161BBG70047）作者简介：孔媛媛（1992-），女，山东枣庄人，硕士，主要研究方向为图像处理（2465884938@https://www.wendangku.net/doc/d03814173.html, ）；李军华（1974-），男，教授，博士，主要研究方向为进化算法、智能控制；王艳（1980-），女，讲师，博士研究生，主要研究方向为图像处理；鲁宇明（1969-），女，教授，博士，主要研究方向为进化计算、模式识别；W u Liu （1975-），男，assistant professor ，主要研究方向为图像处理. 基于Hough 变换和GVF Snake 模型的 脑肿瘤分割方法* 孔媛媛1a ，李军华1a ，王 艳1b ，鲁宇明1b ，Wu Liu 2 （1.南昌航空大学a.江西省图像处理与模式识别重点实验室；b.工程训练中心，南昌330063；2.耶鲁大学医学院，美国康涅狄格州06511） 摘 要：脑M R 图像中肿瘤区域的精确分割对后续的治疗与诊断十分关键，提出了一种基于Hough 变换定位与 遗传算法优化GVF Snake 模型的脑肿瘤分割方法。首先， 利用Hough 变换和阈值处理自动确定肿瘤区域；然后，利用GVF Snake 模型对肿瘤区域进行分割；同时，为了防止GVF Snake 在分割时易出现局部极小值的问题，进一步利用遗传算法的全局优化特性，对GVF Snake 模型分割的结果进行优化。实验结果表明，提出的模型能实现 对肿瘤区域的自动定位，同时也避兔了GVF Snake 模型在分割时易陷入局部最优的问题， 使分割的结果更加精确。 关键词：脑肿瘤分割；Hough 变换；GVF Snake 模型；遗传算法中图分类号：TP391.41 文献标志码：A 文章编号：1001-3695（2018）11-3469-03 doi ： 10.3969/j.issn.1001-3695.2018.11.064Brain tumor segmentation method based on Hough transform and GVF Snake model Kong Yuanyuan 1a ，Li Junhua 1a ，W ang Yan 1b ，Lu Yuming 1b ，W u Liu 2 （1.a.Key Laboratory ofImage Processing &Pattern Recognition in Jiangxi Province ，b.Engineering Training Center ，Nanchang Hangkong University ，Nanchang 330063，China ；2.School ofM edical ，Y ale University ，Connecticut 06511，United States ） Abstract ：The precise segmentation of the tumor area in the brain M RI image is critical important for the subsequent treat-ments and diagnoses.This paper proposed a new segmentation method ，which based on Hough transform location and genetic al-gorithm optimization of GVF Snake model.Firstly ，it used Hough transform and threshold processing to locate the tumor areas automatically.Then it applied the GVF Snake model to segment the tumor areas.At the same time ， to address the problem that the algorithm is easily trapped into local minimum ，the results of GVF Snake segmentation are further optimized by using the global optimization of genetic algorithm.The experimental results show that the proposed model is then done automatically with no manual intervention ， and it can also avoid the local convergence problems of GVF Snake model ，then obtains a more precise result. Key words ：brain tumor image segmentation ；Hough transform ；GVF Snake model ；genetic algorithm 0 引言 脑肿瘤的发病率较高，约占全身肿瘤发病率的1.4%，死亡率超过2.4%。因此对脑肿瘤的诊断、治疗和科学研究日益 重要[1] 。目前，脑肿瘤的分割主要是医生利用自身的专业知识及经验手动完成，不仅耗时费力，而且主观因素较强。因此将图像处理技术应用到医学图像辅助分析中，生成脑肿瘤的自动分割或少量人工干预的半自动分割方法十分必要。 图像分割方法经过快速发展，针对M R 图像的脑肿瘤分割已形成不同的方法理论，如区域生长法、阈值法、分水岭变换、 基于曲线演变的模型等[2~6] 。区域生长法计算简单，可用于比较复杂的图形，但灰度的不均一和噪声容易产生过分割或欠生长。阈值法适用于灰度值相差较大的图像，脑肿瘤图像复杂，阈值选取困难。分水岭变换方法分割精度高，计算速度快，分割边界连续，但易产生大量的假边界，造成算法过度分割的现象。基于曲线演变的模型包括参数形变模型和几何形变模型[ 7，8] 。Snake 模型是经典的参数形变模型，在处理有间断的目标轮廓时能得到连续的分割结果，且对噪声不敏感，但 Snake 模型无法收敛于凹陷目标轮廓区域，对初始轮廓要求 高，无法处理边缘模糊的图像。文献[ 9]提出梯度矢量流（GVF ）模型扩大了外部力场的捕获范围，解决了传统Snake 模型对初始轮廓敏感、不能收敛于凹陷区域的缺点。文献[10]提出一种基于活动轮廓模型和进化算法优化参数值的混合优化算法。文献[11]利用Canny 边缘检测结果计算GVF Snake 模型的边缘梯度。这两种分割方法虽然改进了GVF Snake 模型对弱边界敏感的问题，但都需要人工参与确定肿瘤的初始轮廓，没有实现自动化分割。文献[12]中利用脑组织的左右对称性对脑肿瘤进行定位，实现了脑肿瘤的自动化检测，但不能处理肿瘤关于对称轴对称的情况，且受灰度值影响较大，鲁棒性较差。 本文设计了一种脑肿瘤的自动分割方法，该方法根据肿瘤 的形状特点，利用Hough 变换[13]和阈值处理[14] 对脑肿瘤进行定位。根据定位结果确定初始轮廓，然后利用GVF Snake 模型 对肿瘤区域进行分割，并通过遗传算法[ 15] 优化分割结果，从而实现脑肿瘤的精确分割。 第35卷第11期2018年11月 计算机应用研究 Application Research of Computers Vol.35No.11 Nov.2018 万方数据

基于特征提取的脑部MRI肿瘤自动分割

第３４卷砌五３４第９期 Ⅳｂ．９ 计算机工程 ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇ ２００８年５月 Ｍａｙ２００８ ?人工智能及识别技术?文章绩号Ｉ１０００－－３４２８（２００８）０９－－－０１８９－－４）３文献标识码ＩＡ中圈分类号。ＴＰ３９１．４１基于特征提取的脑部ＭＲＩ肿瘤自动分割 宣晓１。廖庆敏２ （１．清华大学电子工程系，北京１０（０）８４；２．清华大学深圳研究生院，深圳５１８０５５） 蓑娶：对脑部磁共振图像中肿瘤的自动分割，有助于了解疾病特征和制定手术方案，评价治疗效果。该文通过提取基于灰度统计、对称性、纹理等的特征，结合ＡｄａＢｏｏｓｔ方法。利用计算枕进行自动脓肿瘤分割。该方法综合利用了磁共振（ＭＲ）各加权图像的信息和大脑解剖结构的知识，以及ＡｄａＢｏｏｓｔ算法的特征选择能力。在２０帧带有肿瘤的ＭＲ图像上进行实验，得到了９６．８２％的分类准确率。 关蝴：磁共振图像；肿瘤分割；纹理特征；特征选择；ＡｄａＢｏｏｓｔ方法 ＡｕｔｏｍａｔｅｄＭＲＩＢｒａｉｎＴｕｍｏｒＳｅｇｍｅｎｔａｔｉｏｎ ＢａｓｅｄｏｎＦｅａｔｕｒｅＥｘｔｒａｃｔｉｏｎ ＸＵＡＮＸｉａｏ‘．ＬＩＡｏＱｉｎｇ?ｒａｉｎ。 （１．ＤｅｐａｒｔｍｅｎｔｏｆＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇ，ＴｓｉｎｇｈｕａＵｎｉｖｅｒｓｉｔｙ，ｎｅｉｊｉｎｇ１０００８４； ２．ＧｒａｄｕａｔｅＵｎｉｖｅｒｓｉｔｙａｔＳｈｅｎｚｈｅｎ，ＴｓｉｎｇｈｕａＵｎｉｖｅｒｓｉｔｙ，Ｓｈｅｎｚｈｃｎ５ｌ８０５５） ［Ａｂｓｔｒａｃｔ］ＡｕｔｏｍａｔｅｄＭＲＪｂｒａｉｎｔｕｍｏｒｓｅｇｍｅｎｔａｔｉｏｎｐｒｏｖｉｄｅｓａｐｏｗｅｒｆｕｌｔｏｏｌｆｏｒｄｉａｇｎｏｓｉｓ．Ｉｎｔｈｉｓｐａｐｅｒ．ａｔｔｌｍｏｒｓｅｇｎ舱ｎｔａ６０ｎｍｅｔｈｏｄｕｓｉｎｇｍｕｌｔｉ—ｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄＡｄａＢｏｏｓｔｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎｉｓｐｒｅｓｅｎｔｅｄ．Ｔｈｅｍｅｔｈｏｄｕｔｉｌｉｚｅｓｔｈｅｉｎｆｏｒｍａｔｉｏｎ０ｆＭＲｉｍａｇｅｓａｎｄｔｈｅａｎａｔｏｍｉｃａｌｋｎｏｗｌｅｄｇｅ．ａｎｄｔａｋｅｓｔｈｅａｄｖａｎｔａｇｅｏｆｔｈｅｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎａｂｉｌｉｔｙｏｆＡｄａＢｏｏｓｔ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｏｎ２０ｓｌｉｃｅｓＭＲｉｍａｇｅｓｄｅｍｏｎｓｔｒａｔｅｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｅｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎ．ａｎｄａｃｈｉｅｖｅａｌｌａｃｃｕｒａｃｙｏｆ９６．８２％Ｏｎｔｕｍｏｒｓｅｇｍｅｎｍｔｉｏｎ． ［ＫｅｙｗｏｒｄｓＩＭａｇｎｅｔｉｃＲｅｓｏｎａｎｃｅｌｍａｇｅ（ＭＲＩ）；ｔｕｍｏｒｓｅｇｍｅｎｔａｔｉｏｎ；ｔｃｘｎｌ代ｆｅａｔｕｒｅｓ；ｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎ；ＡｄａＢｏｏｓｔ ｌ概述 由于具有非损伤性和较高的软组织分辨率，磁共振（ＭａｇｎｅｔｉｃＲｅｓｏｎａｎｃｅ，ＭＲ）图像已成为诊断脑部肿瘤的重要工具。在利用磁共振图像诊断脑部肿瘤肘，医生必须对图像中的肿瘤进行分割，从而了解肿瘤的位置和大小，以及其附近功能组织的分布。现阶段肿瘤分割仍然依靠医生手工完成，这种方法大量消耗医生的精力和时间。同时，不同医生或是同一医生在不同时间所做出的分割结果误差很大，可重复操作性差。如果能够利用计算机对肿瘤进行自动分割将大大提高医生的工作效率，并且可以提供一个客观的分割结果。然而遗憾的是，由于肿瘤的形状、位置、灰度分布等的复杂多变性，现在还没有一种分割方法能够满足临床应用的要求。 现有肿瘤分割方法中大部分是基于模式识男０的方法，将分割问题看作像素的分类问题，其成功的关键是提取有效的特征区分肿瘤类和各种正常组织。常用的特征有灰度特征和纹理特征等。现有的研究中存在的主要问题是在特征提取的同时缺乏对特征的选择，尤其是纹理特征，通常维数较高，但并非每一维都为分割提供了有用的信息。 为了解决以上问题，本文重点研究了肿瘤分割中的特征提取与选择。通过对ＭＲ脑部图像中肿瘤性质的分析，提出了基于灰度、对称性和纹理等的３类特征。然后利用ＡｄａＢｏｏｓｔ方法选出对分割最有效的特征，并进行分类。ＡｄａＢｏｏｓｔ方法于１９９５年被提出【Ｉ】，是一种将弱分类器组合成强分类器的方法，但也可以被用作特征选择。例如文献【２】采用ＡｄａＢｏｏｓｔ算法选择纹理特征，对乳腺图像中的微小钙化病灶进行检测；文献【３】用类似的方法对血管超声图像中的血管进行分割；文献（４Ｊ对ＭＲ图像中的前列腺肿瘤进行自动检测，对图像提取特征之后，根据训练集的知识和贝叶斯准则对每个特征建立一幅肿瘤类的似然图，然后利用ＡｄａＢｏｏｓｔ方法对各似然图进行加权组合得到最终的似然图，这实际上也是一个特征选择的过程。综上所述，用ＡｄａＢｏｏｓｔ方法进行特征选择和分类在医学图像处理方面已经取得了一定的成果，但总的来说应用还不多，在脑部ＭＲＩ肿瘤分割中，还没有此类的方法出现。２脑部磁共振图像基本特征 ＭＲ图像根据成像参数的不同，可以得到不同的加权像，本文实验所用的加权像有Ｔｌ，Ｔ２和ＦＬＡＩＲ３种。正常的大脑组织主要包括灰质、自质、脑脊髓渡等，它们和肿瘤在各加权像中的灰度特性均有所不同，如图１所示。 置１ＭＲ圈● 基金项目：国家自然科学基金资助项目（６０．３７２０２３） 作者簧介：宣晓０９８２－－），女，硕士研究生，主研方向：计算机图像处理，模式识别等；廖庆敏，教授、博士生导捧 收藕日期：２００７一０６－０４Ｅ?ｍａｉｌ．＂ｘｕａｎｘｉａｏ＠ｍａｉｌｓ．ｔｓｉｎｇｈｕａ．ｅＡｕ，ｃｎ －－１８争一 　万方数据