基于K均值聚类的图割医学图像分割算法

计 算 机 工 程 第37卷 第5期

Computer Engineering V ol.37 No.5

文章编号:1000—3428(2011)05—0232—03·图形图像处理·

2011年3月

March 2011

文献标识码:A

中图分类号:TP391.41

基于K均值聚类的图割医学图像分割算法

吴永芳,杨 鑫,徐 敏,张 星

(中国科学院自动化研究所复杂系统与智能科学重点实验室,北京 100190)

摘 要:图割是一种同时基于区域和边界的交互式图像分割算法。传统的基于高斯混合模型的图割具有时间慢和描述组织中灰度分布不准确的缺点。为此,提出一种基于K均值聚类的图割算法。通过用改进的图割来分割仿体的和真实的脑部核磁共振图像,显示出该方法的有效性。该方法不但能提高图割在分割时的速度,在有噪音和灰度不均匀的图像上也能在较短的时间内得到更准确且鲁棒的结果。 关键词:图像分割;图割;K均值聚类;脑部核磁共振图像

Graph Cuts Medical Image Segmentation Algorithm

Based on K-means Clustering

WU Yong-fang, YANG Xin, XU Min, ZHANG Xing

(Key Laboratory of Complex Systems and Intelligence Science, Institute of Automation, Chinese Academy of Sciences, Beijing 100190, China) 【Abstract】Graph cuts is an interactive segmentation algorithm based on boundary and region properties of objects in images. The region term in conventional graph cuts is based on Gaussian Mixture Model(GMM). However, it is not only a slow process, but sometimes it can’t describe the distribution of pixels in objects precisely. This paper proposes an improved algorithm based on K-means clustering graph cuts. Its evaluation is performed using both phantoms and real Magnetic Resonance Imaging(MRI) of brain, the effectiveness and efficiency of the proposed algorithm are showed. And in particular, an accurate and robust results in segmenting images with noise and intensity non-uniformity with a low computational cost can be achieved.

【Key words】image segmentation; graph cuts; K-means clustering; Magnetic Resonance Imaging(MRI) of brain DOI: 10.3969/j.issn.1000-3428.2011.05.079

复杂度内[3],可以在任意形状的图上算出最大流的方法,进而可以快速计算出能量函数的全局最小割,同时也是全局最图像分割是在计算机视觉中图像配准和图像可视化的基

优的图像分割方式。但随着研究的深入,graph cuts的缺点也础,随着各种医学影像(如CT、MRI、Ultrasound)在临床中的

日益显现出来。如分割细长的物体时容易产生皱缩的分割结出现及广泛应用,医学图像分割也成为了制约医学图像普及

果,而且graph cuts的能量函数的表达式中,参数λ对分割的一个非常有挑战性的问题[1]。准确而有效地分割出脑部核

结果的影响比较大[4]。然而,对graph cuts中区域项的依赖性磁共振图像中各个组织是量化分析脑部图像的关键。目前,

研究一直比较少,只提到可以用高斯混合模型[5],但实验证分割脑部核磁共振图像存在如下难点:(1)获取到的脑部核磁

明GMM有两大缺陷:(1)计算量大;(2)并非所有的图像都具共振图像由于噪音、对比度、偏磁场的存在以及部分容积效

应(PVE)的影响,图像中各个组织之间的界线比较模糊; 有GMM所示的概率模型。例如在脑部核磁共振图像中分割

灰质、白质时得到的分割结果都非常不理想。因此,本文提(2)脑部核磁共振图像中灰质、白质和脑脊液结构本身的复杂

出基于KMC的graph cuts的图像分割算法。 性。这使得对脑部核磁共振图像的分割问题是很多研究者的

1 概述

热点[2]。

目前,脑部核磁共振图像的分割方法大致可以分类2类:(1)用模糊C均值(FCM)及其改进的方法来实现,但FCM参数很多,所以,时间上比较慢,不符合临床的要求;(2)用基于马尔科夫随机场(MRF)的方法,但在MRF求最大后验概率时,大部分算法所采用的EM(Expectation-Maximization)[3]具有致命的缺点:计算量大,需要很好的初始化参数,而且容易陷入局部最小值[1]。

目前,图割(graph cuts)已经广泛地应用在计算机视觉中,用来对各种离散像素的标记问题给出最大后验解。目前,人们不但对graph cuts中提出的能量函数最小化的NP性进行了大量的研究,二进制随机变量的子模块函数也已经应用于图像处理的很多问题中,如图像分割、立体视觉匹配等。graph cuts日益流行的根本原因在于它找到了一个在多项式的时间

2 传统的graph cuts图像分割算法

graph cuts最早是由Boykov[6]等人在2001年提出的同时基于区域和边界的交互式图像分割算法。graph cuts基本原理如下:假定图像I中所有像素组成的集合为P,则图像I中的每个像素(在三维图像中称为体素)p(p∈P)都可以看作图中的一个节点,然后再添加2个特殊的节点S和T,分别表示源点和终点。根据定义的临域系统N(如在二维图像中一般是4邻域或8邻域),把相邻节点连接起来,即n links;然

基金项目:国家自然科学基金资助项目(60621001);中国科学院知识创新工程重要方向基金资助项目“计算机辅助肝脏手术前风险定量分析预测及术后功能评估系统”(KSCX2-YW-R-262)

作者简介:吴永芳(1983-),女,硕士研究生,主研方向:医学图像分割;杨 鑫,博士;徐 敏,高级工程师;张 星,博士 收稿日期:2010-07-26 E-mail:xiaoyuerb602@http://www.1mpi.com

你可能喜欢

  • K均值聚类算法
  • matlab图像分割
  • 医学图像分割
  • 马尔可夫随机场
  • 交互式分割
  • 图像综述
  • 图像分割论文

基于K均值聚类的图割医学图像分割算法相关文档

最新文档

返回顶部