基于Hough变换和GVF Snake模型的脑肿瘤分割方法

脑MR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

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@http://www.1mpi.com );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Hough变换和GVF Snake模型的脑肿瘤分割方法相关文档

最新文档

返回顶部