硕士论文-磁共振脑部图像壳核区域有监督蚁群分割算法研究.pdf

硕士学位论文 （工程硕士） 磁共振脑部图像壳核区域有监督 蚁群分割算法研究 刘晓军刘晓军 哈尔滨工业大学 2010 年 9 月 国内图书分类号： 学校代码：10213 国际图书分类号： 密级：公开 工程工程硕士学位论文硕士学位论文 磁共振脑部图像壳核区域有监督 蚁群分割算法研究 硕 士 研究生：刘晓军 导 师：吴芝路 教授 申 请 学 位: 工程硕士 学 科: 电子与通信工程 所 在 单 位: 山东大学威海分校 答 辩 日 期: 2010 年 9 月 授予学位单位: 哈尔滨工业大学 Classified Index: U.D.C.: Dissertation for the Masters Degree in Engineering STUDY OF SUPERVISED SEGMENTATION ALGORITHM BASED ON ANT COLONY FOR PUTAMEN REGION IN BRAIN MRI Candidate： Liu Xiaojun Supervisor： Prof. Wu Zhilu Academic Degree Applied for： Master of Engineering Speciality： Electronics Communication Engineering Affiliation： Shandong University at Weihai Date of Defence： September, 2010 Degree-Conferring-Institution： Harbin Institute of Technology 哈尔滨工业大学工程硕士学位论文 - I - 摘 要 文中主要采用群智能算法中的蚁群优化理论开展对磁共振图像脑部基底 节区内的壳核区域进行图像分割研究。壳核是帕金森病(ParkinsonsDisease, PD)发病的主要区域，对该区域进行精细分割研究是一项具挑战性的课题， 不仅在脑科学研究理论上有较强的科学价值,有助于后期 PD 鉴别诊断的特 征参数提取，而且为脑部其他更小区域的精细分割打下理论基础。 对磁共振图像脑部基底节区内的壳核区域进行有监督蚁群分割算法研 究。由于采用搜索轮廓与壳核模板的方差作为目标函数，所以提出的有监督 的蚁群算法模型的求解过程就是把图像分割过程变成求解目标函数极小值的 过程，也就是寻找搜索空间的最优路径问题。 尝试一种新的寻找搜索空间的方案。该方案采取的是对于所给定模板轮 廓上的每个点，求其法线，然后在法线方向取搜索空间。在文中对提出的方 案和王晓年等提出的基于模板轮廓线质心的搜索空间方法进行对比。实验证 明采用提出的方案既可以逼近壳核的形状，操作起来又比较简单，分割效果 也比较好；而如若采用王晓年等提出的方案，由于壳核的形状的特殊性，它 的质心离边界比较近，导致搜索空间的点集中且有许多重复点，甚至搜索空 间的波动明显不符合壳核的大致形状，导致分割结果差异较大。 通过对模板的一般性假设，详细描述了对该类问题的求解方法和过程。 大量实验结果表明提出的有监督蚁群分割算法在与实际模板在本层内及上下 相邻层之间的形态相似性和单一层内的连续性方面，都要好于在文中介绍的 模糊聚类分割算法、区域生长分割算法、GVF Snake 模型的图像分割算法和 基本蚁群分割算法。提出的有监督蚁群分割算法与文中介绍的其他算法相 比，具有更快的收敛速度。 关键词 图像分割；有监督分割；磁共振成像；蚁群算法；GVF Snake 模型 哈尔滨工业大学工程硕士学位论文 - II - Abstract The image segmentation research for putamen region in brain MRI is based on ant colony optimization theory in swarm intelligence. The putamen region is the main region which causes ParkinsonsDisease(PD). The refined segmentation for the region is a challenging matter, which has not only a strong scientific value on brain science, and can help extracting characteristic parameters for post PD discrimination and diagnosis, but also can create a theoretic foundation for other more smaller regions refined segmentation in brain MRI. A supervised segmentation algorithm based on ant colony for putamen region in brain MRI is studied. Since the variance of the putamen template and the searching contour is adopted as the object function, the solution process for the supervised ant colony algorithm model proposed is transformed as the process of the minimum of the object function, or as the optimal searching path problem in the searching space. A new scheme for finding searching space is adopted. The normals of the points on the putamen template contour are given, and a searching space along the corresponding normal direction for a point on the template contour can be decided in the proposed scheme. The comparison between the proposed scheme and the scheme based on the centroid of the template contour proposed by Wang Xiaonian et al is described. The experimental results show that the proposed scheme can perfectly approach the shape of the putamen, and the implement is relative easy, and the segmentation effect is better. For the scheme adopted by Wang Xiaonian et al, since the putamen has a special shape, and the centroid of the putamen is near the most contour of the putamen, so that some points in the searching space are centralized and overlapped, and in some section, the fluctuant tendency of the searching space does not accord with the rough shape of the putamen, the scheme can result in a different segementation. By a general hypothesis for the template, the solution process for the problem is described in detail. A great deal of experimental results show that the supervised segmentation algorithm based on ant colony proposed is better than the Fuzzy c-Mean segmentation, region growth segmentation, GVF(Gradient Vector Flow) Snake model segmentation and the basic ant colony segmentation in the shape of the real template, the shape comparability between adjoining 哈尔滨工业大学工程硕士学位论文 - III - slices and the continuity in single slice. Moreover, the convergence speed of the proposed algorithm is the fastest than the others. Keywords Image Segmentation, Supervised Segmentation, Magnetic Resonance Imaging (MRI), Ant Colony Algorithm, GVF Snake Model 哈尔滨工业大学工程硕士学位论文 - IV - 目 录 摘 要 . I Abstract . II 第 1 章 绪 论 1 1.1 课题研究背景 . 1 1.1.1 磁共振成像的特点 1 1.1.2 帕金森病发病的主要区域 1 1.1.3 MRI 脑局部图像分割的必要性 2 1.2 课题研究现状和发展趋势 . 3 1.2.1 医学图像分割方法及研究现状 4 1.2.2 医学图像分割发展趋势 8 1.3 本文研究思路的提出 . 9 1.4 本课题的主要研究内容 . 9 第 2 章 模糊聚类分割和区域生长分割基本原理 11 2.1.1 模糊聚类分割原理 11 2.1.2 模糊聚类分割方法实现步骤 12 2.1.3 模糊聚类分割效果分析 14 2.2 区域生长图像分割原理 . 15 2.3 分割效果分析 . 16 2.4 本章小结 . 20 第 3 章 基本 Snake 与 GVF Snake 的图像分割算法 . 21 3.1 传统的 Snake 模型原理 . 21 3.2 传统的 Snake 模型的缺点 . 23 3.3 改进的 Snake 模型 GVF Snake 模型 24 3.4 分割结果 . 25 3.5 性能分析 . 27 3.6 本章小结 . 28 哈尔滨工业大学工程硕士学位论文 - V - 第 4 章 有监督蚁群分割算法及实验结果对比分析 29 4.1 基本蚁群算法 . 29 4.1.1 蚁群算法简介 29 4.1.2 蚁群算法的基本思想 29 4.2 提出的有监督蚁群分割算法 . 31 4.2.1 搜索空间的确定方法 31 4.2.2 目标函数的定义 32 4.2.3 信息素场的定义及更新策略 32 4.2.4 选择概率的确定 34 4.2.5 提出的有监督蚁群分割最优路径选取准则 34 4.2.6 提出的有监督蚁群优化求解过程 34 4.3 实验结果对比分析 . 35 4.3.1 预处理与后期处理方法 35 4.3.2 实验结果的对比 36 4.3.3 有监督蚁群分割算法特点 40 4.4 本章小结 . 40 结 论 41 参考文献 42 哈尔滨工业大学硕士学位论文原创性声明 48 致 谢 49 个人简历 50 哈尔滨工业大学工程硕士学位论文 - 1 - 第1章 绪 论 1.1 课题研究背景 1.1.1 磁共振成像的特点 如果说1901年获得诺贝尔物理学奖的X射线和1979年获得诺贝尔医学奖的 CT (Computed Tomography)成像技术是上个世纪医学影像诊断设备的巨大成就, 那么磁共振成像（Magnetic Resonance Imaging, MRI）技术的发展却是代表着 21世纪医学影像诊断设备和技术的发展。为此诺贝尔医学奖评委会宣布将2003 年度的诺贝尔生理或医学奖授予了美国的保罗 C 劳特伯(Paul C. Lauterbur)和 英国的皮特 曼斯菲尔德( Peter Mansfield),表彰他们对MRI技术做出的杰出贡 献。其实MRI技术得益于获得1952年诺贝尔物理学奖的哈佛大学教授Edward Mills Purcell首次发现核磁共振现象。MRI实际临床应用的标志是于1980年在 Fonar公司诞生的第一台可用于全身的磁共振成像。从此以后,MRI走过了从理 论到实践、从形态到功能、从二维到四维、从宏观到微观的发展历程。 MRI的无创、无痛苦、精确定位与近似解剖图谱般的图像显示,特别是在 无造影剂的情况下，对软组织的清晰显像特征。迄今为止，MRI已经确立了其 在影像诊断中的重要地位，并取代了许多传统影像诊断技术。尤其是在提供 脑、脊髓、骨骼肌肉的精美结构和解剖细节方面更没有比MRI成像更有效的设 备。它在中枢神经系统中的应用已成为疾病诊断的金标准，在骨关节、软组织 病变的诊断中是举足轻重的手段。特别是近几年来，超高场磁共振在脑功能成 像、频谱成像、白质纤维束成像、心脏检查、冠心病诊断、腹部、盆腔等脏器 的检查技术得到了飞速发展。MRI实现了人们对医学临床检查中多年梦想,对 医学诊断、治疗与随访等均具有划时代的意义。 1.1.2 帕金森病发病的主要区域 帕金森病(ParkinsonsDisease, PD)是一种常见的中老年人神经系统变性疾 病，临床表现为震颤、全身僵硬、运动减少和姿态性反射障碍等。病理变化以 黑质致密带（Pans Compacts of Substantia Nigra，SNc）含黑色素多巴胺 哈尔滨工业大学工程硕士学位论文 - 2 - （Dopamine, DA）能神经元选择性变性、缺失及黑质（Substantia Nigra， SN）和篮斑存在路易包涵体(Lewy body，LB )，以及由此而导致的纹状体DA 含量降低为其特征，其原因尚不完全清楚。随着我国人口老龄化的加快，PD 的患病率在逐年增加。据不完全统计，我国目前至少有200万PD患者，其中50 岁以上人群的PD患病率逐步增高，给社会、家庭和个人带来了较为严重的经 济负担和生活压力，有必要对PD的诊断治疗做深入细致地研究。 如按照传统的方法和手段对PD做早期临床诊断是非常困难的，因此，近 年来人们一直在寻找客观和可靠的诊断PD的影像学方法。对PD进行可靠的诊 断的主要关键是对PD发病的区域进行仔细观察和分析，这势必就要求精确地 确定对这些区域寻。可喜的是，最近几年,通过三维重组技术对PD发病的基底 节区核团和黑质体积进行测量的研究日趋增多1-2。如由Oneiu等3采用手动描 绘法对Hoehn Yahr分级级以上的PD患者研究发现，其壳核、苍白球的体 积较正常对照组显著性减小,而尾状核、黒质致密带（SNc）的体积改变不明 显。与此同时，病理学研究也证实了PD患者存在壳核萎缩。另外，由Geng等4 研究发现,与正常对照组相比，壳核体积在早期及晚期PD患者中明显减小,并与 Hoehn Yahr分级呈负相关；苍白球体积在晚期PD患者中明显减小；而全脑 容积、尾状核及黑质体积无明显差异。Almeida等2研究认为PD可出现尾状核 萎缩，但只是全脑萎缩的表现之一，并不具备特征性。另外,有研究者测量了 PD患者的黑质体积，发现与正常对照组并无明显差异,认为这可能与SNc和大 脑脚底纤维相互混杂交叉导致MRI难以精确描绘出黑质边界、黑质胶质细胞增 生、黑质体积过小导致容易忽略细微改变等因素相关5。 PD发病的主要表现区域是基底节区（尾状核、壳核、苍白球、丘脑核） 和黑质神经核团，能否对该区域进行精细分割直接影响到对PD鉴别诊断特征 的提取。为此国内外都在探讨对这些区域进行精细分割研究。 1.1.3 MRI 脑局部图像分割的必要性 MRI成像产生的大量数据已经完全超出了医学专家肉眼分析的能力，要求 对图像进行自动分析。为从图像中抽取有效的信息，精确而稳定的图像分割方 法是其中最为关键性的工作。为了精确地测定发生PD病变MRI影像特征,评价 PD患者患病程度,准确地将基底节区几个区域及黑质核团几个区域分离出来是 哈尔滨工业大学工程硕士学位论文 - 3 - 非常必要的。目前大多需要影像医生对每一层影像图片手工进行分离，不仅耗 时，而且对于一个连续的多层图片序列手工分割操作不能同时兼顾到层内和层 间显著的不连续性。且分割结果受医师主观影响大, 容易出现偏差, 三维重建 结果连续性较差。 目前, 已经提出了大量的计算机辅助分割方法6-7。这些方法包括: 可变模 型法8-10、动态轮廓线演化方法11、基于图谱的弹性配准法12-14、基于手工标 记训练集的Bayesian方法15、基于先验的模糊模型方法16和信息融合17等。 尽管在这些文献中有很多自动和半自动的方法，但很多图像研究机构和临床医 生仍然会选择手工分割, 因为担心这些方法的可靠性、对图像数据变化的鲁棒 性、高的计算代价及对初始化敏感性，如配准方法。目前由李伟等6 提出一 种解剖先验知识为约束基于动态曲面模型和自适应区域增长的自动3D分割方 法，来完成黑质形状结构的精确三维分割和提取，具有一定的效果。而采用其 他一些算法，对于PD发病的其他区域的分割方法研究还未见报道。 所以，非常有必要考虑开展采用其他一些有效的分割算法继续对其他区 域进行精细分割研究。采用这些分割算法的同时要求利用像素的灰度值和相应 的边缘检测算法，对某一需要识别的组织区域，利用该组织区域轮廓的一些先 验知识对一系列连续图像序列进行有监督分割识别。最终通过二维图像序列的 连续识别构建该组织区域的三维体形态。 对PD病变的主要区域进行分割研究是一项具挑战性的课题，不仅在脑科 学研究理论上有较强的科学价值,有助于后期PD鉴别诊断的特征参数提取，而 且为脑部其他更小区域的研究或其他部位MRI图像的精细分割打下理论基础， 为针对脑部微细组织区域的脑萎缩诊断分析提供有力保障，具有非常重要的现 实意义和社会效益。 1.2 课题研究现状和发展趋势 图像分割是图像处理中最基本和最主要的技术。本课题研究涉及的MRI图 像脑分割是医学图像分割的主要研究对象，从研究方法上与其他的医学图像分 割方法有一些共性。所以有必要从总体的角度介绍介绍医学图像分割的常用分 割方法,主要包括阈值分割、神经网络分割、模糊分割、遗传算法、蚁群算 法、统计方法和基于特定模型等方法的图像分割,并对其近年来的研究现状和 哈尔滨工业大学工程硕士学位论文 - 4 - 发展趋势分别进行阐述，进而得出本研究提出的方法的可行性。 医学图像分割是一个非常重要的研究领域,它主要应用于疾病诊断、图像 引导手术以及医学数据可视化。医学图像分割是将原始的2D或3D图像划分成 不同性质(如灰度、纹理等)的区域,从而把感兴趣的区域提取出来,为临床诊疗 和病理学研究提供可靠的依据18。目前,医学图像分割主要以各种细胞、组织 与器官的图像作为处理的对象或内容。 1.2.1 医学图像分割方法及研究现状 图像的分割可按分割后的个体形式一般来讲分为三类19, 基于区域动态 增加、分裂、合并的区域分割方法； 基于边界寻找、连结的边界分割方 法； 利用输入数据的多种特征进行统计聚类分割。对于MR图像的分割根 据待分割的图像类型大体上分为两类20： 基于灰度单一图像分割；具有 不同灰度对比度多谱图像分割21。与第一种类型相应的分割又可分为基于阈 值分割方法、边缘检测、边界追踪、基于模板模型、随机场等。后一种类型又 可分为对于在分割中是否引用先验信息，分为有监督和无监督两类。上面这些 分类方法也不是绝对的，也有一些中间混合类型。一些有代表性的具体算法有 聚类算法22、基于轮廓模型的迂回算法23、神经网络24、模糊聚类算法25、k Nearest Neighbors (kNN)26等。迄今为止,应用于医学图像的分割方法层出不穷, 但对这些方法还没有一个统一的分类标准,下面不区分分割对象，而是着重介 绍目前在医学图像处理中较为常用的分割方法及其应用。 1.2.1.1 基于阈值的图像分割 阈值分割是最常见的、简单的、并行的直接检测区域的分割方法。阈值 分割法是将灰度图像变为二值图像以达到分割目的的方法,它是一种并行区域 (Parallel Region, PR)法。阈值法的过程是取决于一个灰度值,用以区分不同的类, 这个灰度值就叫做“阈值”。把灰度值大于阈值的所有像素归为一类,小于阈值 的所有像素归为另一类。 基于阈值的图像分割是在医学领域应用较为广泛的一种分割算法,如 Zhenyu Zhou等27提出的多控制小波阈值分割法,对二维脑组织MR图像自动分 割,证明该法优于传统的分割方法；Yen-Chun Chou等28通过选择最佳阈值对脑 MR图像各解剖部位进行分割，包括动脉、灰质、白质、小静脉、静脉窦等。 哈尔滨工业大学工程硕士学位论文 - 5 - 1.2.1.2 基于边缘检测的图像分割 图像的边缘包含着图像的重要信息，是图像处理的重要组成部分。边缘 检测算法很多，包括Canny算子、Roberts算子、Sobel算子、Prewitt算子、蚁群 算法和遗传算法( Genetic Algorithms, GA) 等。其中, GA是一类借鉴生物界自 然选择和自然遗传机制的随机搜索算法，是由美国J. Holland教授于20世纪60 年代提出的，此法尤其适用于处理传统方法难以解决的复杂的非线性问题。 近年来基于遗传算法的图像分割日渐广泛, Jamshid Dehmeshki等29用形态 遗传算法对肺结节CT图像的结节进行检测提取；J. Jiang等30运用遗传算法设 计对数字化乳房X线照片的微钙化灶进行自动分类和检测。 Xuejun Zhang等31运用自动边缘检测技术提取肝硬化组织,进而进行硬化 组织的纹理特征分析；M. I. Rajab等32应用神经网络边缘检测法对损伤皮肤图 像分割，能较好的将病损处从背景中分割出来。 1.2.1.3 基于模糊理论的图像分割 模糊分割方法33主要是考虑到图像分割中的一些不确定因素，回避了过 早地作出判断，为后续处理保留了足够多的信息。目前, FCM算法(Fuzzy C- mean Algorithm)在模糊聚类分析中得到了广泛的应用,它采用一个模糊隶属度 矩阵U来表示样本点属于各划分类别的程度，能够最大限度地保留了样本空间 的信息,并且能更加精确地反映出样本的分布情况，因而被广泛地应用于数字 图像分割中。 Weijie Chen等34用模糊 C 均值法来分割乳房动态对比增强MRI图像, 得 到乳房损伤病灶；Keh Shih Chuang等35提出将空间信息融入到模糊 C 均值聚 类算法中，并用此方法分割脑部MRI图像；Wang Shitong等36提出了一种改进 的模糊细胞神经网络分割法,可以有效的分割CT活动图像。 1.2.1.4 基于区域增长算法的图像分割 区域增长算法是指对每一像素或它的某邻域，在预先指定的相似性准则 (如灰度值)之下，若它们的特征足够相似，则作为同一类而归并。此方式使具 有相似性质向量的区域不断增长,进行图像的分割37。 Joes Staal等38将种子区域增长算法运用到胸部CT肋骨的自动分割和标记 的系统构建中,得到了较高的灵敏度和特异度；Do Yeon Kim等39在二值血管 图像中运用二相自适应区域增长法将颈动脉分割出来；Jun Wei等40对经过预 哈尔滨工业大学工程硕士学位论文 - 6 - 处理的乳房X线照片用基于聚类的区域增长来识别可疑乳房结构，有利于医生 做出正确的临床诊断。 1.2.1.5 基于模型法的图像分割 活动轮廓模型是20世纪80年代后期发展起来的一种图像分割方法,特别适 用于建模和提取任意形状的变形轮廓。活动轮廓模型主要分为两大类：参数活 动轮廓模型和几何活动轮廓模型。参数活动轮廓模型又称为Snake模型，是由 Kass提出的基于变分方法的一种主动轮廓模型41，它在边缘检测、医学图像 分割以及运动跟踪中得到了大量应用，但模型本身存在一些缺陷，如对初始位 置敏感、易陷入局部极值等。Xu and Prince 提出了一种新的外部力模型(梯度 矢量流模型，Gradient Vector Flow, GVF)42-43，称为GVF Snake模型，它可以 解决以上缺陷。GVF的外部力不用势函数的负梯度表示，而是通过力平衡条件 来直接定义的。几何活动轮廓模型借助于level sets方法作数值计算，较好地克 服了Snake 模型的许多缺点。由于其良好特性，引起了越来越多的关注，并已 在图像处理领域得到了广泛应用。 Pingkun Yan和Ashraf A.Kassim44基于level sets方法提出了毛细管的主动 轮廓模型法，分割磁共振血管造影术图像中的脉管系统；Jianming Liang等45 提出了一种联合主动轮廓模型的框架,并运用到动态胸部图像分析、MR图像生 长面的量化、乳房X线照片中乳房分割等多种图像处理中。 1.2.1.6 基于水平集的图像分割 水平集图像分割方法是一种基于几何变形模型的分割方法,是通过将二维 (三维)的闭合曲线(曲面)的演化问题转化为高维空间中水平集函数曲面演化的 隐含方式来求解，适应于对拓扑结构变换的处理，其计算精度高、算法稳定。 Jing Yang和James S.Duncan46运用水平集分割方法，结合贝叶斯公式分割 颅脑三维MRI图像，并与点分布模型法(Point Distribution Model,PDM)进行比 较，证明了前者有较好的鲁棒性；Y.Chenoune等47应用水平集方法来分割心 电磁共振图像，用以评价心肌畸形。 1.2.1.7 基于统计学的图像分割 基于统计学的图像分割是近年来比较流行的医学图像分割方法。从统计 学出发的图像分割方法是基于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，观察到的图像是对实际物体做了某种变换并加入噪声的结 哈尔滨工业大学工程硕士学位论文 - 7 - 果，因而要正确分割图像，从统计学的角度来看，就是要找出以最大的概率得 到该图像的物体组合。 用吉布斯( Gibbs)分布表示的Markov随机场模型，能够简单地通过势能形 式表示图像像素之间的相互关系。Ting Chen和Dimitris Metaxas48联合吉布斯 模型和形变模型等构建了一种新的三维图像分割方法，并用于脑MRI图像的肿 瘤分割，效果较理想；Sung Nien Yu等49运用小波过滤和马尔可夫随机场对数 字化乳房X线照片进行微钙化灶的检测；M.Sabry Hassouna等50用马尔可夫随 机场法分割TOF( Time-Of-Flight)MRI血管造影图像，有效地减少了血管信息的 丢失，基于此提出了一种新的自动统计法提取三维血管。聂生东等51结合独 立分量分析（Independent Component Analysis,ICA）和支持向量机(Support Vector Machine,SVM)提出一种基于特征优化算法的磁共振脑组织分割方法， 实验结果表明，采用本研究的分割方法可以获得比其他相关方法更好的脑组织 分割结果。 1.2.1.8 基于神经网络的图像分割 按照拓扑机构来划分，神经网络技术可分为前向神经网络、反馈(BP)神经 网络和自组织映射神经网络。目前已有各种类型的神经网络应用于医学图像分 割中。 陈志彬等52将图像树形框架小波变换、尺度共生矩阵、KL变换主分量分 析和自组织神经网络聚类相结合应用于医学超声图像，提出一种分割新方法， 可得到较清晰的分割结果，且显著提高了分割图像的对比度，可为临床诊断提 供新的借鉴；黄永锋等53提出了一种新的基于实数遗传神经网络的磁共振图 像分割算法，可有效地降低噪声和边缘模糊对分割结果的影响，对于分割磁共 振颅脑图像效果较好；John O.Glass等54将神经网络分割法应用于儿科急性淋 巴细胞性白血病的脑白质病MRI图像分析中，并发展了该领域的计算机辅助诊 断。 1.2.1.9 基于蚁群算法的图像分割 蚁群算法(Ant Colony Algorithm,ACA)是意大利学者Dorigo等人在20世纪90 年代初受到自然界中真实的蚁群集体行为的启发而提出的一种基于种群的模拟 进化算法55，是属于一种随机搜索算法。在首先提出该算法时，就充分利用 了蚁群搜索食物的过程与著名的旅行商问题之间的相似性，通过人工模拟蚂蚁 哈尔滨工业大学工程硕士学位论文 - 8 - 搜索食物的过程来求解TSP ,取得了较为理想的效果56。它是继模拟退火算 法、遗传算法、禁忌搜索算法、人工神经网络算法等智能算法之后的又一种应 用与组合优化问题的启发式智能搜索算法。蚁群算法不仅能够智能搜索、全局 优化,而且具有鲁棒性、正反馈、分布式计算、且易与其它算法相结合等特点 56-57。同时由于蚁群算法的离散性和并行性特点非常适合于数字图像处理58, 它的聚类特性与图像的识别过程有相似之处，已广泛地医用于医学图像分割中 59。 王晓年等60根据主动轮廓模型的特点构建了一类新的蚁群求解算法，把 图像分割问题转化成最优路径的搜索问题，为获得精确的图像轮廓提供了新方 法。因此本文所研究的内容在理论上是具有可行性的。白杨等61针对基本蚁 群算法容易出现早熟和停滞现象的特性,提出了一种动态自适应蚁群算法,通过 自适应的初始聚类中心调整策略和动态更新局部信息素浓度,使其收敛性和稳 定性有一定的提高。 1.2.2 医学图像分割发展趋势 图像分割算法研究一直是图像处理和分析的关键技术和研究热点,也是经 典难题，更是医学影像处理与分析技术在医学领域应用中的一个瓶颈问题。由 于医学图像本身的复杂性,及其分割的困难性，到目前为止，还没有一种对所 有医学图像都能产生满意分割效果的分割方法，也因此不断出现各种新方法和 技术。在实际分割时,根据待处理图像的不同特点,结合已知的先验知识,选用 符合具体图像特性的分割算法,这在一定程度上制约了医学图像处理技术的发 展。 随着一些新的图像分割算法的不断成熟，医学图像的分割也展现出新的 发展态势，一些基于智能计算的分割算法57也不断提出，对医学图像研究和 临床应用都有很大的理论和实践意义。 综观近几年的图像分割文献，学者们逐渐认识到现有任何一种单独的图 像分割算法都难以对一般图像取得比较满意的结果，因而更加注重多种方法的 有效结合，以达到相互补充的目的。随着不断的深入研究将会有更多的成果出 现，当然，如何将各种新的算法与其他的方法相结合并应用到实际的问题当中 将是医学图像发展的主要方向45-47。 哈尔滨工业大学工程硕士学位论文 - 9 - 医学图像分割在医学领域具有广泛的应用,它是开展医学图像在医学研究 领域广泛应用的基础。随着图像处理研究不断深入，图像分割将向自动、精 确、快速、自适应性的方向发展，并需要与新理论、新工具和新技术结合起来 才能有所突破和创新。 1.3 本文研究思路的提出 对PD发病的主要区域进行精细分割是一个非常必要和有意义的难题。其 原因在于MRI图像本身的复杂性导致同一组织结构具有不同的灰度，而同一灰 度值的像素又可能属于不同的组织结构；在图像中包含丰富有用细节的同时， 又存在着噪声、容积效应及正常变异等，因而还没有一种方法能适用于所有类 型的MRI图像边缘检测和分割。近几年来，在国内外开展MRI图像分割研究逐 渐增多，也取得了一系列的研究成果，但大多数学者致力于采取某些算法来对 整个脑部MRI图像进行完全精细分割的目的是不现实的，也不可能达到理想的 分割效果，仅能满足宏观分割的要求。况且在实际医学检测诊断中，常常只关 注其中某个局部区域，无需关注整体的精细分割。由于目前这些宏观的整体分 割算法并不是借助于局部脑部解剖结构来开展有监督的精细分割，这势必导致 分割结果与实际解剖结构之间的差异增大。所以说，基于局部微小组织的精细 分割将是以后医学图像分割研究的方向。 蚁群算法不仅能够智能搜索、全局优化，而且具有鲁棒性、正反馈、分 布式计算、易与其他算法相结合的特点，其离散性和并行性特点对于离散的数 字医学图像非常适用。所以，在分析多年来国内外对MRI图像分割研究结果的 基础上，提出基于解剖结构特征，采用蚁群聚类算法进行有监督精细分割算法 研究。 1.4 本课题的主要研究内容 在研究国内外现有的多种 MRI 图像分割算法的基础上，开展基于蚁群聚 类算法对脑部基底节区的壳核区域进行有监督精细分割算法研究。具体研究内 容表现为如下几个方面。 1. 将从整个脑部图像数据体中选取只比待分割区域稍大的脑部MRI图 像，通过采用图像增强和图像去噪等一系列的预处理措施首先解决壳核区域与 哈尔滨工业大学工程硕士学位论文 - 10 - 其相邻的其他微小结构区域之间模糊性的问题。 2. 根据已知脑解剖图谱中基底节区的壳核在脑图像中的空间位置关系， 建立通常形态的模板，开展基于局部解剖结构有监督的精细分割研究。 3. 在对目标区域进行增强处理之后，采用文中研究的基于有监督的蚁群 分割算法对待分割的区域进行精细分割，最终得到相关区域的分割结果。 4. 将文中研究的基于有监督的蚁群分割算法的分割结果与基于区域生长 的分割算法、基于模糊聚类的分割算法、基于GVF Snake模型的分割算法、基 本蚁群分割算法的分割结果进行对比分析研究。 哈尔滨工业大学工程硕士学位论文 - 11 - 第2章 模糊聚类分割和区域生长分割基本原理 模糊聚类分割算法和区域生长分割算法都是简单、复杂度低、易于实现 且应用比较广泛的分割算法，采取的都是基于像素点扩展平面区域的策略实施 的。模糊聚类的自动分割结果对图像边缘的依赖性较大，分割的结果具有不可 控性，而区域生长分割算法需要人工交互且对噪声敏感。 2.1.1 模糊聚类分割原理 聚类分析方法有均值聚类、分层聚类和减法聚类等。在 MATLAB 的模糊 逻辑工具箱(Fuzzy Logic Toolbox)提供了对模糊 c 均值聚类(Fuzzy c-Mean, FCM) 和模糊减法聚类的函数支持。FCM 算法将每个数据点按照其隶属度函数划归 到相应的聚类中心，而模糊减法聚类则是偏重于计算数据中的聚类中心62。 FCM 是一种基于目标函数的聚类算法，其已经被最为广泛地应用在各个领域 中63，同样也非常适合于医学图像的分割。 FCM 聚类方法首先从数据样本中随机选取聚类中心，然后计算所有数据 点对于聚类中心的模糊隶属度，最后通过迭代方法不断修正聚类中心，以获得 最优结果。修正目标是要寻找所有数据点到各个聚类中心的距离与隶属度值的 加权和的最小值62。FCM 算法具体聚类中心的搜索过程可用如下表达式说明 63-65。 样本集 n xxx,., 21 X中的 n 个样本元素为待聚类的数据，c 表示聚类类 别 数 即 聚 类 中 心 的 个 数 ， 且 满 足nc 2。nc矩 阵 ),.,2 , 1,.,2 , 1(nkciuU ik 表示对样本集 X 的一个模糊 c 划分， ik u为样 本 k x对第 i 类的隶属度。则 FCM 的目标函数为 n k c i ik m ikm duVUJ 2 ),( (2-1) 其中， ikik vxd为第 k 个样本 k x到第 i 类的欧式距离。隶属度 ik u以及聚类 中心 i v分别为 哈尔滨工业大学工程硕士学位论文 - 12 - 1 1 2 1 mc jjk ik ik d d u (2-2) ci u xu v n k m ik n k k m ik i , 2, 1, )( )( 1 1 (2-3) FCM 算法是通过迭代来修正聚类中心的。设定迭代停止阈值，初始化 迭代次数 b=0、模糊划分矩阵 )0( U，在加权指数), 1 (m范围内迭代计算， 迭代过程中根据式(2-2)、(2-3)反复更新 )(b U、 )(b V直到 )1()(bb UU，从而 获得目标函数),(VUJm的最小值，),(minVUJm对应的结果便是最佳分类结 果。 2.1.2 模糊聚类分割方法实现步骤 实验中采用 MATLAB 模糊逻辑工具箱中模糊 c 均值聚类方法的支持函数 fcm.m 实现脑部医学图像的模糊聚类，并从聚类结果中选取最优结果进行脑部 壳核区域的分割提取，最终获得脑部 MRI 图像壳核区域轮廓。 将原始图像的灰度值、平滑滤波后图像的灰度值和经 Canny 算子检测的 图像边缘三个图像特征作为模糊 c 均值聚类的输入特征参数。通过对实验结果 的分析比较，确定聚类中心个数为 5 的聚类结果最适合用于 MRI 图像脑部壳 核区域分割提取，但与全局图像相比，局部图像的聚类结果有时过于分散。国 内学者所做研究也认为聚类个数为 56 时，医学图像处理效果最佳66。模糊 聚类分割提取过程的步骤如下，其相应的程序实现流程图如图 2-1 所示： 获取图像灰度、平滑图像及图像边缘三个图像特征； 将图像特征作为输入参数进行模糊 c 均值聚类； 选取最适合壳核区域分割提取的聚类结果； 局部图像处理：通过框选壳核区域缩小处理范围，对壳核区域二值图 像进行形态学处理，获得较优壳核边缘。将图像形态学处理中的闭运算、去刺 等操作应用于二值图像中，完善二值图像的壳核边缘； 哈尔滨工业大学工程硕士学位论文 - 13 - 分类标记选取壳核区域：对图像进行分类标记，在处理后图像上点击 选择壳核所在标签，从而获得壳核区域图像，即壳核模板； 获得模板轮廓线，显示最终结果并储存数据。 图 2-1 模糊聚类分割实现程序流程图 开始 提取图像特征 模糊 C 均值聚类 选取聚类结果 输入处理参数局 部图像处理 选择壳核模板 显示分割结果 结果满意？ 结果满意？ 结果满意？ N Y Y Y N N 开始 结束 哈尔滨工业大学工程硕士学位论文 - 14 - 2.1.3 模糊聚类分割效果分析 本研究借助模糊 c 均值聚类方法对医学图像进行聚类分割，在聚类分割的 基础上进行脑部壳核区域提取，最终成功提取了脑部壳核区域轮廓。 模糊聚类在图像分割中能够解决经典数学不能精确表达的问题，是一种 有效的聚类方法64。FCM 聚类作为一种基于目标函数的模糊聚类分析方法， 理论最为完善，应用最为广泛63。FCM 用于图像分割时是一种非监督模糊聚 类后的标定过程，可以实现全自动分割，非常适合于灰度图像中存在不确定性 和模糊性的特点，而且对噪声不太敏感64,66。 研究采用 FCM 算法，可以方便快捷地对原始医学图像进行聚类分割，并 可根据所选的图像特征及聚类中心个数得到不同的聚类结果。将图像边缘作为 图像特征对医学图像进行 FCM 聚类分割，可以得到近似度很高的聚类分割结 果，很大程度上简化了后期分割处理，给脑 MRI 图像壳核区域的提取带来很 大便利。 FCM 算法最突出的优点是避免了手动提取轮廓的复杂性并减少了人为参 与造成的误差，但也正是其自动聚类分割的特点带来了感兴趣区域不可控的不 便。此外，本研究还存在以下缺点与不足。 由于模糊聚类分割的不可控、医学图像处理的复杂性以及 FCM 算法本身 的局限性，实验前期模糊 c 均值聚类不能精准地获取壳核区域，现有聚类结果 对图像边缘的依赖性较大。由于二值图像的形态学处理仅依据周边像素，实验 后期对于所选聚类结果二值图像的形态学处理容易造成区域变形失真，影响壳 核区域轮廓的精确度。聚类结果图像的感兴趣区域形态粗糙，导致必须以牺牲 感兴趣区域轮廓准确度为代价进行形态弥补。由于图像形态、位置的不确定性 等因素，聚类后图像的处理需要人为介入，即进行手动壳核框选、标号分类选 取及壳核模板选取。 由实验可知，使用FCM算法能够方便快捷地对脑MRI图像壳核区域进行提 取，但其结果轮廓与原图像区域存在的较大误差，并且对于图像上与壳核区域 特征相近的区域不能成功分割出来。普通图像使用FCM算法及相关改进算法 可以得到较好的分割结果64-65，医学图像由于其图像层次的丰富以及信息的 复杂，使用FCM算法较难得到理想的分割结果，即FCM算法应用于医学图像 中的局部区域分割有一定的局限性。就国内的研究现状，医学图像的分割目前 哈尔滨工业大学工程硕士学位论文 - 15 - 仍然是一项很困难的工作，人工干预目前来说还是必不可少的一步66。 2.2 区域生长图像分割原理 区域生长（Region Growth）是通过选择一个或几个合适的种子点， 以此种子点为中心通过与其邻域的点比较相同的属性，并将与种子点属 性相同或相似的点归为一类，直到遇到边界或没有符合要求的点为止， 这样一个区域便生成了。在区域生长过程中的属性可以是像素强度、灰 度级、纹理颜色等。这是一个不断迭代的过程。 种子点的选取种子点的选取 种子点的选取是非常重要的一部分，种子点(位置和灰度值)选取的好坏决 定着后续图像分割的效果。这个需要根据具体的问题的特点来选取，在此 实验中我们选取的是图像中灰度值比较大的点作为种子点。这样通过区 域生长后可以得到比较不错的结果。 阈值的选取原则阈值的选取原则 区域生长是通过种子点邻域的点的灰度值与种子点本身的灰度值相 减，将差值小于门限的所有点中差值最小的点作为下一次迭代的种子 点。由于图像中不可避免的存在噪声的干扰，如果这个门限选取的过大 就会出现过分割的状况，反之就会出现欠分割的状况，因此阈值的选取 在区域生长中也非常的重要，这个可以通过反复的实验将阈值限制在一 定的范围之后再通过缩小搜索的步长获得比较精确的阈值。 算法终止的算法终止的条件条件 在区域生长的算法中如果图像中与种子点的灰度值之差小于阈值的 点已遍历或者在生长过程中遇到了图像的边界，此时算法判定迭代过程 结束，这样所获得的便是与选定的种子点的