FCM与KFCM-II算法在医学MRI图像分割中的应用研究

医学图像分割在医学图像处理,尤其是临床诊断的MRI图像分析中起着重要的作用.由于医学成像过程中存在着各种退化因素,当前各种分割算法仍难以很好地满足高层应用的需求.为解决这一问题,FCM (Fuzzy C-means clustering)算法和它的核方法版本KFCM(Kernel-based FCM)可以应用于图像分割以取得更好的性能表现.对FCM和KFCM-II算法应用于MRI图像分割进行了比较,讨论了在这两种算法中应用灰度有偏场纠正的效果.实验结果表明,在FCM和KFCM-II中采用有偏场模型可以取得更好的分割性能.     

基于马尔可夫随机场和模糊C-均值聚类的DTI图像分割算法

传统的模糊C-均值聚类(FCM)算法只考虑了图像灰度信息,未考虑图像的邻域信息,抗噪性能不够理想.为了充分利用图像空间信息,提出一种结合马尔可夫随机场(MRF)的自适应加权FCM改进算法.该算法根据局部密度判断像素在其窗口邻域范围内的离散种类,将MRF空间约束场和隶属度场的权重根据像素离散种类进行自适应变化,在消除噪声影响的同时,尽可能保留弥散张量成像(DTI)的图像细节信息.实验结果表明:该算法可以准确分割DTI图像,得到边缘清晰且细节信息保留良好的分割结果,与FCM算法以及MRF和FCM融合算法相比,其分割系数至少提高了3%,分割熵至少降低了2%,分割聚类效果得到提高,且分割系数和分割熵都不易受噪声幅度的影响.     

结合空间信息的FCM脑图像分割

针对传统模糊C均值聚类算法(FCM)在图像分割时没有利用图像的空间信息而对噪声敏感、分割结果不够准确的问题,提出一种结合空间信息的FCM改进算法.该算法利用邻域像素间的灰度差异计算出邻域加权系数,并利用该系数对中心像素的隶属度进行更新,控制邻域像素对中心像素的不同影响;该算法还利用了快速FCM算法对图像进行初始分割.对MRI脑图像分割的实验结果表明FCM改进算法简单有效,具有较强的抗噪能力,能取得较好的图像分割结果.     

基于混沌飞蛾扑火优化的膝盖MRI分割算法

由于飞蛾扑火优化(MFO)算法在解决实际优化问题时仍会表现出易陷局部最优、收敛停滞等不足，针对MRI图像较难分割问题，本文提出了一种基于混沌飞蛾扑火(CMFO)的膝盖MRI分割算法.为辅助医生阅片，提高诊断效率和准确率，实验先将膝盖MRI图像选作研究对象，然后将CMFO算法与最大阈值熵相结合应用到医学MRI图像多阈值分割领域.为突出基于CMFO的膝盖MRI分割的优势，引入了SOA，BFOA和MFO算法作对比实验，结果表明:CMFO算法能有效改善MFO的优化性能，而且对膝盖MRI图像分割具有更好的适用性和优越性.     

基于KFCM算法对MRI图像分割的研究

医学图像分割在医学图像处理,尤其是临床诊断的MRI图像分析中起着重要作用,提出一种基于核模糊C均值聚类算法(KFCM)的MRI脑图像分割,讨论KFCM算法中隶属度m参数和聚类数目k的选取对图像分割的效果影响,通过仿真实验表明,对于MRI脑图像隶属度函数值在2≤m≤11整数时,图像能取得较好效果,对于聚类数目k选取不易超过8.     

基于小波变换和改进的FCM算法的医学 CT图像分割法

为提高计算机辅助诊断的准确性,提出一种基于小波变换和改进的模糊C均值(Fuzzy C-Means,FCM)算法的医学CT图像分割方法。以FCM算法为基础,首先利用小波变换对医学图像进行分解,用分解后低频图像的像素点作为FCM算法的样本点;其次,利用马氏距离来进一步修正FCM_S(FCM_Spatial)算法,修正后的FCM算法能更加精确地反映医学图像的信息。实验结果表明,算法的效率得到较大提高。     

一种基于集合划分的鲁棒性自适应模糊聚类分割算法

模糊C均值算法(FCM)是图像分割最常用的算法之一,这种方法需要提前确定初始聚类中心和聚类数.为此,提出了一种新的自适应模糊聚类算法(AFCM),AFCM算法中构造的观察矩阵、判断矩阵和集合划分可以自动确定合适的聚类数.为了得到更好的图像分割效果,采用核距离作为相似性度量,提出了一种鲁棒性自适应模糊C均值算法(RAFCM).实验结果表明,与FCM算法相比,AFCM和RAFCM算法不仅能自动地确定聚类数目,还可以得到更好的图像分割质量.     

基于空间模糊聚类的图像分割优化算法

针对传统模糊C-均值(FCM)算法抗噪性能差的问题,提出一种新的基于空间模糊聚类的图像分割优化算法.该算法通过在传统FCM算法基础上加入图像特征项中像素间的空间位置信息,解决了传统FCM对噪声敏感的问题,增强了算法的鲁棒性.实验结果表明,对于添加5%Gauss噪声的图像,该算法可实现有效分割,分割效果显著优于传统FCM算法.     

基于距离场的非线性图像插值分割方法

对于医学序列切片,需要图像分割技术将图像中感兴趣区域ROI(region of interest)提取并进行三维重建.提出一种基于距离场的非线性图像插值分割方法,该方法克服了软组织因灰度值分布不均匀难分割的问题,可以快速提取ROI区域.实验表明用该方法进行医学序列切片的分割,可以得到良好的分割结果,并已成功地应用于医学数据的三维重建系统中.     

改进的基于邻域隶属度约束的FCM图像分割算法

传统模糊C均值(FCM： Fuzzy C-Means)聚类算法应用于图像分割时, 因对噪声较敏感而达不到理想的分割效果。为此, 提出了改进的基于邻域隶属度约束的FCM图像分割算法。该算法通过对FCM目标函数添加空间邻域信息约束隶属度函数, 提高对图像噪声的鲁棒性, 使分割的结果更加符合期望。实验结果表明, 该算法对噪声具有较强的抑制能力, 图像分割时能获得较好的分割效果。     

面向脑MR影像分割与偏置场修正的FCM方法

传统模糊C-均值(fuzzy C-means,FCM)算法以及结合空间信息的改进方法在分割脑磁共振(magnetic resonance,MR)影像时对噪声十分敏感,且无法消除脑MR影像中的偏置场。针对上述问题,提出一种面向脑MR影像分割与偏置场修正的FCM方法。该方法充分利用图像中的空间局部信息和非局部信息,分别构造出多局部信息模糊因子和非局部权重,在提高算法抗噪性的同时,尽可能多地保持图像细节;建立偏置场模型,以去除脑MR影像中的灰度不均匀性;将提出的多局部信息模糊因子和非局部权重嵌入到带有偏置场模型的FCM方法中,以实现噪声和偏置场条件下的脑MR影像分割。实验结果表明,与其他方法相比,所提方法对脑MR影像中的噪声具有更强的抑制能力,且能够有效消除偏置场对脑MR影像分割的影响,具有更优的分割性能。     

基于相似类合并FCM在图像分割中的应用

传统的基于模糊C均值聚类的图像分割算法分割结果中类内数据空间分布离散,无法准确分割出目标物体.针对这一问题,提出一种基于相似类合并模糊C均值聚类算法,并将其应用到图像分割中.首先,提出一种全局空间相似性度量标准和全局灰度相似性度量标准,并将其引入到一种新颖的节点间距离度量公式中来计算图像中任意一点与聚类中心点的差异.其次,算法选取彩色直方图作为区域描述算子,采用巴氏距离计算聚类过程中得到的任意两类间的相似性.最后,应用最大相似类合并策略得到最终的分割结果.实验结果表明,与传统模糊C均值聚类算法和空间约束核模糊C均值聚类算法相比,该算法获得更加精确的图像分割结果.     

一种基于一致性分片FCM的图像分割算法

针对传统FCM(fuzzy c-means)算法抗噪性差的问题,提出了一种基于一致性分片的模糊c均值聚类算法.为避免额外的空间邻域约束项带来的控制变量设置问题,该算法直接将FCM应用于图像片空间.为减弱空间邻域对图像边缘的模糊,采用基于置信区间的局部多项式交叉近似技术(local polynomial approximation and intersection of confidenec intervals,LPA-ICI)构造自适应形状一致性分片.在脑磁共振图像上的实验表明,与传统的FCM算法相比,该算法具有更高的分割精度和运行效率.     

一种针对脑部图像分割强度不均匀性的改进方法

强度不均匀性是医学图像中常见的问题,对图像的精确分割提出了许多挑战,图像分割是计算机视觉和计算的基础步骤,提出了一种基于模糊C均值（FCM）的能量最小化方法,将全局聚类和局部聚类相结合,用于磁共振（MR）脑图像的偏场估计和分割。该方法将MR图像分解为两个分量作为全局聚类项的优点,充分利用了表征组织物理性质的真实图像和解释强度不均匀性的偏置场及其各自的空间特性。MR图像的分解描述了整个图像中偏移场的变化,其中组织边界的某些深层变化细节可能会丢失。该方法利用了图像局部区域的不同偏移场的局部聚类项,较好地处理了不同组织间强度的深刻变化。由于局部聚类方法对偏移场的分布缺乏全局控制,此文利用了全局聚类和局部聚类的优点,考虑了两者的结合。在该方法中,通过能量最小化过程同时实现了偏移场估计和组织分割。用FCM迭代优化能量最小化问题,通过真实图像和合成图像与相关模型的对比实验,证明了该模型在偏差校正和分割精度方面的优越性。