（计算机软件与理论专业论文）基于PCNN的医学图像分割算法研究.pdf

基于p c n n 的医学图像分割算法研究 中文摘要 随着医疗技术的飞速发展，人们对医学图像处理的要求也随之增高，速度快、 精度高的图像处理算法是目前医学图像处理研究热点和难点。由于医学图像成像过 程的复杂性、不确定性以及不同个体间存在的广泛差异性，因而研究自动而准确地 分割出感兴趣区域的分割方法具有重要的理论意义和实用价值。 脉冲耦合神经网络作为新一代的神经网络，在图像处理方面具有其它分割方法 无法比拟的优点，它能够弥补输入数据的空间上的不连贯和幅度上的微小变化，从 而较完整地保留图像的区域信息。本文在深入研究p c n n 基本模型的基础上，为了 实现医学图像的最佳分割，针对传统的p c n n 模型需要人工设定大量参数以及阈值 衰减方式不稳定等问题，提出了一种p c n n 的改进模型，并将其应用在医学图像的 分割上。该模型简化了p c n n 的接受部分，改进了连接输入l 的取值方式，改进了 p c n n 的阈值衰减方式，维持了神经元的点火状态，从而大大减少了初始参数的数 量，提高了模型对像素空间信息的描述能力，加快了模型的收敛速度。仿真实验表 明，该改进模型具有收敛速度快、细节处理好的特点。 针对改进模型无法自动判定最佳迭代次数的问题，以本文提出的p c n n 改进模型 为基础，以实现对医学图像的准确快速分割为目标，结合医学图像的模糊性和像素 点的空间信息，给出了基于最大模糊熵和基于最小二维交叉熵的最佳分割迭代次数 的判定准则，实现了模型最佳循环迭代次数的自动确定，并分别与基于香农熵和基 于最小交叉熵的分割结果进行比较。仿真实验表明，本文给出的两种判定准则对医 学图像有着较好的分割效果，其中采用最大模糊熵的算法对噪声的鲁棒性较高、对 图像的背景与目标区域的分割效果较好，采用最小二维交叉熵的算法在时间复杂度 较低、对图像细节的处理较好。 关键词：医学图像分割；p c n n 模型；模糊熵；二维交叉熵 r e s e a r c ho fm e d i c a li m a g es e g m e n t a t i o nb a s e do np c n n g r a d u a t en a m e ：y o n gz h a o m a jo r ：c o m p m e rs o f t w a r ea n dt h e o r y d i r e c t e db y ：l i c h a oc h e n a b s t r a c t w i t ht h ed e v e l o p m e n to ft h em e d i c a lt r e a t m e n tt e c h n o l o g y , p e o p l e s r e q u i r e m e n tt ot h em e d i c a li m a g ep r o c e s s i n gi sh e i g h t e n i n gt o o t h e r e f o r e ， r a p i d a n de x a c ti m a g ep r o c e s s i n ga l g o r i t h mb e c o m e s t h e h o t s p o t a n d d i f f i c u l t yi nm e d i c a li m a g ep r o c e s s i n gr e c e n t l y h o w e v e r , b e c a u s e o ft h e c o m p l e x i t y , i n c e r t i t u d ea n dd i f f e r e n ti n d i v i d u a l se x i s t i n gw i d e l yo t h e r n e s si n t h ei m a g i n gp r o c e s so fm r i ，i th a si m p o r t a n ta c a d e m i cm e a n i n g a n dp r a c t i c a l v a l u et os e g m e n tt h ei n t e r e s t i n gr e g i o n sa u t o m a t i c a l l ya n da c c u r a t e l y a san e wn e u r a ln e t w o r k , p u l s e c o u p l e d n e u r a ln e t w o r kh a sm o r e a d v a n t a g e si ni m a g ep r o c e s s i n gt h a no t h e rs e g m e n t e dm e a n s ，i tc a no f i s e t i n c o h e r e n c ei ns p a t i a la n de x i g u o u sc h a n g e s i ns c o p e ，s oi tc a nr e s e r v er e g i o n i n f o r m a t i o no fi m a g e sr a t h e rp e r f e c t l y t h i sp a p e rb a s e st h e r e s e a r c hi n - d e p t h o nm ec h a r a c t e r i s t i c so fb a s i cp c n nm o d e l ，i no r d e rt oi m p l e m e n tt h eb e s t s e g m e n t e dr e s u l t ，c o m b i n e st h ec h a r a c t e r i s t i c so fm e d i c a li m a g e s ，a i m sa tt h e p r o b l e m st h a tt r a d i t i o n a lp c n nm o d e ln e e d sm a n yp a r a m e t e r s t h a tn e e d m a n u a le n a c t m e n ta n dt h r e s h o l da t t e n u a t i o nf a s h i o ni si n s t a b i l i t ye t c ，f i n a l l y a ni m p r o v e dp c n na l g o r i t h mi sp r o p o s e dw h i c h i su s e do nt h es e g m e n t a t i o n o fm e d i c a li m a g e s t h ep r o p o s e da l g o r i t h mp r e d i g e s t st h ea c c e p t a n c ep a r t so f p c n n ，i m p r o v e st h es e l e c t i o nf a s h i o no f t h el i n k i n gi n p u tl ，a n dc h a n g e st h e t h r e s h 0 1 da t t e n u a t i o nf a s h i o no fp c n n ，a n da s s u r e st h ei g n i t i o nn e r v ec e l l s m a i n t a i ni g n i t i o ns t a t e ；t h e r e f o r e ，i td e c r e a s e st h en u m b e ro fi n i t i a l i z a t i o n p a r a m e t e r ，i m p r o v e st h ed e s c r i p t i o na b i l i t yo fp i x e ls p e c i a li n f o r m a t i o n ，a n d e x p e d i t e st h ec o n s t r i n g e n c ys p e e d o ft h em o d e l e m u l a t i o n a le x p e r i m e n t i n d i c a t e st h a tt h ei m p r o v e dm o d e lh a sm ec h a r a c t e r i s t i c so f f a s t e rs p e e da n d b e t t e rd e t a i ld i s p o s a l i i i a i m sa tt h et r a d i t i o n a lp c n nm o d e lc a n td e t e r m i n et h eb e s tl t e r a t i v e t i m ea u t o m a t i c a l l y ，b a s e do nt h ei m p r o v e dm o d e l ，m a k et h ei m p l e m e n t a t i o n o ft h ea c c u r a t ea n df a s ts e g m e n t a t i o na st h eg o a l ，t h i sp a p e rc o m b i n e st h e f u z z i n e s so ft h em e d i c a li m a g e sa n dt h es p e c i a li n f o r m a t i o no ft h ep i x e l s ， f i n a l l yg i v e st h em a x i m u mf u z z ye n t r o p ya n dt h em i n i m u m2 d c r o s se n t r o p y a st h eb e s td e t e r m i n a n tr u l e sw h i c hc a l la s s u r et h eb e s tc i r c u l a ri t e r a t i v et i m e a t o m i c a l l y c o m p a r e dw i t ht h ep c n n m o d e l sb a s e dt h es h a n n o ne n t r o p y a n dt h em i n i m u mc r o s se n t r o p y ，e m u l a t i o n a le x p e r i m e n ti n d i c a t e st h a tt h e t w og i v e nr u l e sb o t hh a v eb e t t e rs e g m e n t a t i o nr e s u l t sf o rm e d i c a li m a g e s t h e r e i n t o ，t h em a x i m u mf u z z ye n t r o p yh a sh i g h e rr o b u s t n e s sa n dh a sb e t t e r s e g m e n t e de f f e c tb e t w e e nb a c k g r o u n da n dt h eg o a lr e g i o n ；t h em i n i m u m2 d c r o s se n t r o p yh a sl o w e rt i m ec o m p l e x i t ya n dh a sb e t t e re f f e c ti nd e t a i l d i s p o s a lo fi m a g e s k e yw o r d s ：m e d i c a li m a g es e g m e n t a t i o n ；p c n nm o d e l ；f u z z ye n t r o p y ； 2 dc r o s se n t r o p y i v 声明户明 本人郑重声明：所呈交的学位论文，是本人在指导教师的指导下， 独立进行研究所取得的成果。除文中已经注明引用的内容外，本论文 不包含其他个人或集体已经发表或撰写过的科研成果。对本文的研究 做出重要贡献的个人和集体，均已在文中以明确方式标明。本声明的 法律责任由本人承担。 作者签名： 日期：型2 ：墅! 关于学位论文使用权的说明 本人完全了解太原科技大学有关保管、使用学位论文的规定，其 中包括：学校有权保管、并向有关部门送交学位论文的原件、复印 件与电子版；学校可以采用影印、缩印或其它复制手段复制并保存 学位论文；学校可允许学位论文被查阅或借阅；学校可以学术交 流为目的，复制赠送和交换学位论文；学校可以公布学位论文的全 部或部分内容( 保密学位论文在解密后遵守此规定) 。 作者签名：些望 日期：瑚i sl 心 勒弛隧妊隰掣型二 第一章绪论 第一章绪论 1 1 论文提出的依据 图像分割技术是图像处理的重要组成部分l i j ，也是图像识别和三维重建的基础。 它既是从影像图像中获取感兴趣区域并进行定量信息的手段，也是可视化实现的预 处理步骤和前提。随着医学图像处理技术的不断发展，图像分割在医学应用中的意 义越来越重要，分割后的医学图像己被广泛应用于各种领域，如组织容积的定量分 析、辅助诊断、定位病变组织、学习解剖结构、制定治疗规划、校正功能成像数据 的局部体效应以及计算机辅助手术等。基于医学的严密性特点及实时诊断的要求， 对医学图像准确并实时地分割显得尤为重要。同时图像分割的质量对医生判断疾病 的真实情况并做出正确的诊断计划至关重要，关系着人们的生命健康。因此，医学 图像分割具有重要的理论意义和实用价值。 医学图像由于受到成像环境、成像技术等条件的影响，与其它类型的图像相比， 普遍具有模糊型、不均匀性等特点【3 】，给医学图像处理带来了一定的困难；同时人体 的解剖组织结构和形状的复杂性以及人与人之间存在的个体成像差异性，致使某些 先验知识只对特定的人群有效，对其他人群是无效的。由于以上原因，医学图像分 割至今仍然没有获得圆满解决，还有待于进一步的研究。同时随着研究的不断深入， 医学图像的分割方式逐渐从人工、半人工处理向电脑自动处理方向发展。而传统的 分割技术往往无法自动地、快速地、准确地对医学图像进行分割，或者需要一些特 殊的预处理技术才能满足分割要求。因此，寻找一种快速，准确的分割方法成为目 前国内外学者所共同关注的问题。神经网络以其具有自适应、自学习等特性，成为 众多学者的首选。 神经网络是以人类神经活动特征为基础提出并发展起来的，因此大部分神经网 络算法有着较好的自适应特性。随着对神经网络研究的深入，越来越多的神经网络 算法被应用到图像分割中去。目前大部分基于神经网络的分割算法是将图像分割问 题转化为诸如能量最小化、分类等问题，以此借助神经网络技术来解决图像分割问 题。这些方法要么需要大量的训练集，要么网络结构太复杂。随着第三代生物神经 元的提出，具有脉冲特性的神经网络逐步应用到图像处理中来，尤其是从研究哺乳 类动物大脑视觉皮层的活动而逐渐产生、发展形成脉冲耦合神经网络模型 ( p u l s e c o u p l e dn e u r a ln e t w o r k ，p c n n ) 更受到学者们的关注。脉冲耦合神经网络模 基于p c n n 的医学图像分割算法研究 型作为一种新型的神经网络模型是与之前的人工神经网络不同的，它所依据的是哺 乳动物大脑视觉皮层的工作机理，在图像处理方面具有天然的优势。它所具有的脉 冲耦合特性使其在处理过程中既实现了空间累加又实现了时间累加，并通过控 制耦合调制来模仿生物神经元的疲劳与不应期，因此p c n n 模型能更好地模拟生物 神经元。p c n n 的脉冲并行传播特性使其能够方便的对图像进行不同层次的分 割，且分割速度很快，能很好的满足图像处理对实时性的要求。 本文从上述几个方面出发，在总结了医学图像的特点及分割要求后，对p c n n 模 型的网络结构与理论特性进行深入研究，并提出改进的p c n n 模型，以提高分割的效 率和精确度。 1 2 国内外研究现状 1 2 1 医学图像分割的现状 近年来，随着医疗水平的提高，人们对医学图像处理提出了新的要求，这也为 国内外医学图像分割的研究提供一次很好的发展机会。随着国内外学者研究工作的 不断深入，很多实用的分割算法被提了出来【s 】，如基于区域的分割方法、边缘检测方 法、结合区域与边界技术的方法、基于模糊集理论的方法、基于神经网络的方法、 基于数学形态学的和尺度理论空间的方法等。 基于区域的分割方法主要有阈值分割，区域生长和聚类分割。 ( 1 ) 图像阈值分割法是利用图像中目标物体与背景灰度上的差异，用一个或几 个阈值将图像的灰度级分为若干个部分，从而把图像分为不同灰度级的目标区域和 背景区域。阈值法计算简单，在医学图像分割中得到了广泛的应用。常用的阈值法 有共生矩阵法、四元树法、变分法、松弛法、模糊集法、矩不变法、最大类间方差 法等。阈值方法的性能受目标大小、均值差、对比度、目标方差、背景方差以及随 机噪声等因素的影响，定量性能取决于所用的性能准则。由于阈值法孤立地考虑每 个像素，没有考虑像素之间的空间关系，所以对噪声非常敏感。为了克服这个缺陷， 人们将图像熵引入阈值分割中，从而有效地克服了噪声的干扰。 ( 2 ) 区域生长使用种子像素点将其邻近像素归并，进而将相似性质的像素集合 起来构成区域。这种方法避免了集合之外的孤立像素点被分进对象范围，可以减少 “误分 的像素数目。区域生长法也存在一些不足之处，如区域一致性准则并不确 定；种子点对分割结果的影响很大；对噪声也很敏感，可能形成孔状甚至是根本不 连续的区域。 2 第一章绪论 ( 3 ) 在多数情况下，仅依据对象的灰度差别进行分割图像是不够的，它们的差别 还可表现在图像的灰度派生的其它统计参数中。因此可在由图像中的灰度、纹理及 其它参数组成的多维特征空间中进行聚类分析。聚类法是当像素灰度映射到根据某 种规则分成的几个区域特征空间后，若像素灰度属于某类的区域，则具备该灰度的 图像像素就属于该类。聚类算法的优点是：无需人工干预，能够自动的完成分割； 对图像特征聚类较准确。但是聚类分割时也存在一些缺陷，如某些聚类算法的收敛 时间长；由于没有考虑空间关联信息而使得算法对噪声敏感；受初始值的影响较大 等。 基于边缘检测的分割方法主要使用梯度算子、s o b e l 算子、l a p l a c i a n 算子、r o b e r t s 算子、c a n n y 算子和m a r r h i d d r e t h 算子等，跟踪检测出的边缘点以构成边缘。这些 边缘检测器对边缘灰度值过渡比较尖锐且噪声较小的图像，可取得较好的效果。但 对于边缘复杂、采光不均匀的图像，效果不够理想，且对噪声较敏感。 结合区域与边界技术的方法是将基于区域信息的方法与边缘检测方法结合起来 形成的。通过结合基于边界和基于区域的技术，这些方法较各个单独的方法的鲁棒 性更强。但是，大多数方法仍需要好的初值避免局部最小。此外，上述大多数方法 将先验模型用于基于区域的统计，在无法获得先验知识的情况下，这些方法的可用 性较差。 基于模糊集理论的方法包括模糊阈值分割方法、模糊聚类分割方法和模糊连接 度分割方法等。模糊阈值技术利用不同的s 型隶属函数来定义模糊目标，通过优化过 程最后选择一个具有最小不确定性的s 函数，用该函数表示目标以及属于该目标像素 之间的关系这样得到的s 型函数的交叉点为阈值分割需要的阈值，这种方法的困难 在于隶属函数的选择。 基于神经网络的方法出发点是将图像分割问题转化为诸如能量最小化、分类等 问题，从而借助神经网络技术来解决问题，其基本思想是用训练样本集对神经网络 进行训练以确定节点间的连接和权值，在用训练好的神经网络去分割新的图像数据。 这种方法的一个问题是网络的构造问题。同时这些方法需要大量的训练样本集，然 而收集这些样本在实际应用中是非常困难的。神经网络同样也能用于聚类或形变模 型，这时神经网络的学习过程是无监督的。由于神经网络存在巨量的连接，所以很 容易引入空间信息。但是使用目前的串行计算机去模拟神经网络的并行操作，计算 时间往往达不到要求。 3 基于p c n n 的医学图像分割算法研究 1 2 2p c n n 研究现状 在e c k h o m 提出脉冲发放现象的连接模型后，j o h n s o n 以此模型为基础提出了脉 冲耦合神经网络。1 9 9 9 年5 月国外的i e e e t r a n so n n e u r a l n e t w o r k s 专门出版了脉冲 耦合神经网络专刊，从而引发了p c n n 的研究热潮。p c n n 模型在图像处理的某些 方面与其他常用算法相比有其独特的优势，如用p c n n 模型进行图像分割时，分割 过程完全依赖于图像的自然属性对图像进行分割，不用预先选择要处理的空间范围。 该模型能够将目标图像中的像素点根据空间相似和灰度相似来进行分组，同时 也可以降低目标图像局部所存在的灰度差值，弥补图像局部的微小间断，这些 特点都是其他图像分割方法所无比拟的。虽然p c n n 模型与其它神经网络模型相 比有着更简单的网络结构和更快捷的处理速度、更强的适应性，但是它也有自身的 缺陷，如利用p c n n 模型进行图像分割时分割效果取决于该模型中各个参数的选择 以及迭代次数，而各种门限参数、衰减时间常数、加权因子、连接系数一般需要经 过多次实验来比较才能确定其最优值，这就大大地限制了分割的速度。另外由于缺 少最佳迭代次数的判定准则，分割迭代次数一般是由人工交互来确定的，这就降低 了模型的自适应性。因此如何自适应的获得模型参数及模型迭代次数是目前研究的 热点。 目前p c n n 在很多领域内得到了应用，比较集中的是在图像处理方面：如图像 增强【5 0 】、图像分割6 】【1 3 】、图像的边缘检测【1 5 】、图像去唰2 6 】【2 8 】、图像的融合【9 1 2 2 等。 另外，也有的学者将p c n n 模型应用到某些优化领域，如最短路径问题【7 】【4 9 】；或者 应用到模式识别与分类领域里【1 6 1 1 3 引。p c n n 的研究热潮是从1 9 9 3 年开始的，此后国 外的众多学者对p c n n 在图像处理方面的应用研究作了大量的工作【5 】f 6 】【7 】【8 】【1 ，几乎 涉及了图像处理的所有领域，为p c n n 在图像处理方面的应用奠定了一定的基础。 同时对p c n n 模型的理论研究及模型改进工作也取得了一定的成就【1 0 】【1 3 】。如r o b e r t ds t e w a r t 等人的改进模型。国外对p c n n 应用于医学图像分割的研究的国外在上世 纪9 0 年代末就有所成果【5 j 。 国内对p c n n 研究起步比较晚，主要是对p q 州理论的研究【2 4 1 1 2 5 】【2 9 1 【3 0 1 1 3 5 及p c n n 在图像处理尤其是图像分割【3 1 。4 1 1 3 6 】【3 刀上的研究。国内对p c n n 用于图像处理领域的 研究比较深入的主要有：顾晓东，余道衡等对p c n n 应用于图像处理做了一定的研究， 总结了p c n n 的动态行为，对p c n n 做了一些改进 2 4 2 8 】；马义德教授等也对p c n n 做 过一系列的研究，并提出了一些改进的算法1 2 9 - 3 5 】；张军英教授在2 0 0 2 年左右亦对 p c n n 在图像处理方面的应用做过一些研究【3 6 。3 胡。这段期间，国内其它院校也有一些 4 第一章绪论 对p c n n 应用在图像处理方面的研究 3 9 - 5 1 j 。随着对p c n n 研究的不断深入，国内外学 者对p c n n 的关注与研究程度正不断加深。 下面是国内外对p c n n 模型的一些改进总结： ( 1 ) 一种基于p c n n 虱像处理基本模型的方法是【1 7 1 ：给定p c n n 的参数，设定一个 很大的迭代次数n ，借助于最大香农熵值准则在n 次迭代中确定最佳循环迭代次数， 其对应的输出做为熵最大的分割图像并显示。这种方法能够自动地确定最佳迭代次 数，避免了人工交互得到迭代次数的麻烦。但是其参数需要人工设定。 ( 2 ) r o b e r tds t e w a r t 等人的改进模型1 3 】彻底体现了p c n n 的本质，是基于p c n n 的区域分割算法研究的方向。s t e w a r t 等人的改进模型整个网络仍旧是二维的，其不 同于传统模型的是改进模型的神经元仅允许激活一次，而且一旦激活，其输出便一 直保持。定义没有激活的神经元为有活性的神经元，激活之后神经元便失去活性。 网络的初始状态为每个神经元均有活性。同时，他们简化了p c n n 的接受部分及连接 输入部分，使得处理像素时兼顾了邻域信息。改变了传统模型确定阈值的机制，使 得神经元的行为更合理，更便于理解。 ( 3 ) p c n n 的最佳分割迭代次数的自动确定。文献 17 和文献【3 3 分别将最大香农 熵准则、最小交叉熵准则引入基于阈值分割神经元抑制特性的改进型p c n n 模型，其 实验均取得了较好的分割效果。 ( 4 ) 实现p c n n 的多值分割。如文献 3 6 1 结合人眼对图像各个区域敏感度不同这 一视觉系统特性，提出了基于像素的空间邻近和信息量相似同步发放脉冲的改进型 p c n n 模型，解决了传统p c n n 进行图像分割输出仅为二值图像和不能依据信息量大 小对图像进行分割的不足。 ( 5 ) 新近，又出现了将p c n n 与类间方差准则相结合的图像分割方法，p c n n 基 于连通域计算的边缘统计算法的图像分割算法，p c n n 与遗传算法相结合的图像自动 分割算法1 8 】【4 0 】【4 1 】等。这些改进都是基于两点的，一是从p c n n 的参数设定出发，改 进p c n n ，使其能够自适应的确定参数；一是从p c n n 的最佳分割迭代次数出发，结 合其他方法，如最大熵等，使其能够自动地确定最佳分割迭代次数。 由于p c n n 在图像处理方面的优良特性，对p c n n 在各个领域的应用研究也逐 年的增多。但国内对将p c n n 应用到医学图像分割的论文和成果较少，因此研究基 于p c n n 模型的医学图像分割算法有一定的重要的理论意义和实用价值。 5 基于p c n n 的医学图像分割算法研究 1 3 研究内容及论文结构 1 3 1 论文研究内容 本文总结并分析了p c n n 模型的特点及其在图像分割领域的应用现状及发展趋 势，给出了传统的p c n n 模型存在的缺陷，针对这些不足并结合图像分割的要求对 该模型进行了改进，得到了改进的p c n n 网络模型；根据医学图像的特性，提出了 基于改进的p c n n 模型分割算法，通过对分割的结果分析，验证了该算法的有效性 与可行性。主要研究内容如下： ( 1 ) p c n n 的理论研究，主要研究p q 州网络的具体理论特性及在处理图像分割时 的具体理论依据、具体的处理方法，目前尚存在的问题； ( 2 ) 根据p c n n 目前尚存在的问题以及医学图像的特点，改进传统的p c n n 模型一 使其更符合医学图像分割的要求。 简化p c n n 接受部分，减少p c n n 模型的参数；改进p c n n 的连接输入部分， 提高p c n n 模型的空间信息表达能力。 给出部分参数的取值方式，改变阈值的衰减方式，使其符合图像处理的要求。 给出模型相应的最优分割判定准则，并与其他准则比较。 ( 3 ) 将改进的p c n n 算法模型应用到脑部医学图像m r l 分割中去。并与传统的 p c n n 模型进行实验结果的比较。 ， 1 3 2 论文的组织结构 本文组织如下： 第一章绪论介绍了课题的选题背景，简单概括了医学图像及p c n n 网络模型的 研究现状，给出了本文的主要工作和论文的组织结构。 第二章给出了图像分割的定义及图像分割所面临的问题，并结合目前的研究现状 分析几种比较常用的医学图像分割算法，总结了近一段时间内医学图像分割的发展 现状与趋势。 第三章详细地描述了p c n n 基本模型及其理论特性，分析并总结了p c n n 模型 的基本特点，尤其是在医学图像分割方面的优势，描述了p c n n 的脉冲耦合工作机 理。分析了p c n n 在图像处理的各个方面的应用方法。并针对目前p c n n 模型存在 的问题，结合医学图像分割的要求提出了改进型的p c n n 模型。 第四章针对改进模型无法自动判定最佳迭代次数的问题，为了实现模型的自动 判定最优分割，分别采用最大模糊熵以及最d - - 维交叉熵作为判定p c n n 分割的迭 6 第一章绪论 代次数的准则，然后通过仿真实验验证了算法的有效性，并分析了本文两种方法在 不同分割背景下的优劣。 第五章对全文进行了总结，给出了算法要继续完善的地方，并对今后算法改进 的方向提出了设想。 7 第二章医学图像分割技术 第二章医学图像分割技术 图像分割作为图像处理领域的重要技术，不仅得到了人们的广泛研究，而且在实 际中有着大范围的应用。所谓图像分割技术就是把目标图像分成各具特性的区域并提 取感兴趣目标的技术和过程，它是从图像处理到图像分析的重要步骤，对特征测量及 目标的三维重建有着重要的影响。由于图像分割技术及其基于分割的目标表达、特征 提取和参数测量等特性可以将原始扫描图像转化为更抽象、更紧凑的形式，从而为高 层的图像分析与理解提供了前提条件。近年来，国内外的许多专家与学者一直在不断 深入地研究图像分割技术，从不同的角度有针对性地提出了众多方法，并取得了一定 得成效【1 1 。 2 1 图像分割 2 1 1 图像分割的定义 图像分割是指将目标图像根据需要划分成若干区域的过程，这些区域是互不相交 的，每个区域都表示目标和背景等有意义的物理对象。其中每个区域自身满足一致性 要求，而相邻区域之间的属性具有较明显的差别。令集合m 代表整个图像区域，对 m 的分割可看作将m 分成k 个满足以下五个条件的非空子区域m 。，m 2 ，m ： k ( 1 ) u m = m ； i m ( 2 ) 对所有的i 和j ，i j ，有m inm i = 9 ； ( 3 ) 对i = l ，2 ，k ，有p ( m i ) = t r u e ； ( 4 ) 对i j ，有p ( m inm i ) = f a l s e ； ( 5 ) 对i = l ，2 ，k ，m i 是连通区域； 其中p ( m i ) 是对所有集合m i 中元素的逻辑谓词，a 代表空集。 条件( 1 ) 要求分割结果所得到的全部子区域的总和或者称为并集应该包括目标图 像中所有像素，即是说在分割的结果中图像中的每个像素都能找到自己所属的某一个 子区域；条件( 2 ) 要求各个子区域是互相不交叉的，即是说一个像素只能划分到某一个 子区域内，而不能同时属于两个子区域；条件( 3 ) 要求在分割结果中的属于同一个子区 域的像素都应该具有某些相同的特征，即体现了分割结果应该保持一致性的原则；条 件( 4 ) 要求在分割结果中得到的属于不同区域中的像素都应该具有一些不同的特征；条 件( 5 ) 要求同一个子区域内的像素应当是连通的。图像分割总是按照一定的分割准则进 行，如条件( 1 ) 和( 2 ) 说明分割准则应该能适用于所有的子区域和所有的像素；条件( 3 ) o 基于p c n n 的医学图像分割算法研究 和( 4 ) 说明分割准则应该能帮助各个子区域的像素确定其有代表性的一些特性；条件( 5 ) 则说明完整的分割准则应该对同一子区域内的像素的连通性有一定的约束和要求。 2 1 2 图像分割面临的问题 图像分割作为计算机视觉研究中最基本、最重要的处理步骤和共同的、基础性的、 关键的技术以及在目标识别和图像理解领域中所占据的重要地位，一直是图像处理领 域研究的热点。只有先把有关的感兴趣区域分离出来，才能进一步识别各个子区域的 有效特征以及理解整幅图像中的物理意义，所以分割结果的好坏直接影响对图像的后 续识别和正确理解。 2 0 世纪5 0 年代中期，由于图像分割在计算机视觉中所起的重要作用，在计算机 视觉理论体系形成之前，人们就开始了对图像分割技术的研究并取得了不少成果。许 多学者从不同的角度针对不同图像的分割要求，提出了许多不同的图像分割算法。然 而由于医学的图像成像过程中的不确定性，至今图像分割技术仍然没有统一的理论， 不存在一种万能的分割算法可以针对所有的图像进行理想的分割，也不存在某一种分 割算法能够针对某一类图像都能取得较好的分割结果的情况，所以寻找一种通用的、 可适合所有类型图像的分割方法一直是人们所不断追求的。近年来，随着对图像分割 算法研究的不断深入，人们逐渐意识到：在二维图像的采集过程中，丢失了景物的深 度和不可见部分的信息，同一物体在不同的视角下的图像会有很大的不同，以及由于 前后物体的遮挡而丢失的信息等；场景中的诸多因素，如光源、物体表面几何特性， 物体本身特有某些属性及成像设备与物体之间的空间特性等，都被综合成单一的图像 中的灰度值；由于成像的外部环境的影响，在成像过程中都会或多或少地产生一些畸 变和噪声。上述这些问题导致了图像分割是一种由于信息不足产生的不适定问题，因 此不可能存在种通用的对任何图像都适用的、有效的图像分割方法。 在实际应用中如图像目标的识别、跟踪、遥感图像的分析理解等视觉处理任务， 并不要求完全恢复场景的3 d 信息。在这些任务中，通常有很多先验的信息可以利用， 以增加约束条件，使不适定问题适定化，这就导致了在图像分割研究领域中大量算法 的出现。 图像分割虽然是图像处理的重要部分并受到国内外学者的广泛重视，然而到目前 为止，这问题仍然是图像处理领域一个重要的问题，图像分割问题仍然没有得到很 好解决，目前来说尚存在以下问题： ( 1 ) 目前的图像处理技术不符合人类视觉机理； ( 2 ) 图像处理中尚不能有效的利用已知的知识； 1 0 第二章医学图像分割技术 ( 3 ) 目前还没有一种统一的对分割结果的主观评价方法。 2 2 医学图像分割技术 2 2 1 医学图像介绍 医学图像分割作为解决医学图像在临床上广泛应用的先决条件，在图像的配准、 融合、3 d 重建及可视化方面占据着重要的地位1 3 j 。由于医学图像具有极其繁杂的多样 性和复杂性，加之目前医学成像设备( c t ，m r i ，p e t 等) 成像技术上的特点，使得医 学图像存在一定的噪声，图像中目标物体边缘也有可能局部不清晰，这使得医学图像 的分割更加困难。因此，目前在医学图像分割方面仍然没有可以通用的理论与方法。 从指导思想上看，图像分割方法可以分成两个体系：以计算机为单一执行者的自动分 割方法和人机结合的交互分割方法。自动分割方法的指导思想是追求完全由计算机自 主完成目标的分割任务，而不需要人的参与。但是，目前计算机自主分割的结果不能 令人满意，准确性不能满足医学图像的应用要求；而对人机交互过于依赖又是实际应 用中不能接受的。因而，医学图像分割成为目前图像分割领域内的一大热点。第一章 中曾简单地介绍了医学图像分割的现状，本章将着重对用于医学图像分割的几个常用 分割方法进行介绍。 2 2 2 医学图像分割算法 正是由于医学图像的复杂性，一般通用的图像分割方法往往不能适用于医学图像 的分割，即使能够得到分割结果，精确度也不高，达不到人们的要求。所以许多的学 者针对医学图像的特点以及对图像的分割要求，并结合各种不同的理论，致力于研究 适合临床应用的医学分割算法，并取得了较好的效果。下面主要介绍几种目前常应用 于医学图像分割的较为成功的算法。 ( 1 ) 模糊聚类算法 模糊聚类( f u z z yc l u s t e r i n g ) 是一种应用性很强的数学方法，其基本原理是在没有先 验知识的情况下，依据“物以类聚原则，用数学方法分析各模式向量之间的距离及 分散情况，根据样本距离的远近来划分类别，目前已经广泛应用于工程技术中的许多 领域。因为事物自身的复杂性，聚类对象之间的界限往往是模糊的，即存在着不清晰 的中间过渡状态。特别是对于医学图像中的各种组织，如大脑自质、灰质、脑脊液等 混杂在一起，使得这种不清晰性更加突出，这就导致了基于多元分析的聚类方法在医 学图像的处理和分析中受到了很大的限制。随着模糊集合理论的出现，聚类技术有了 新的转机，模糊集合改变了传统集合概念中的元素“非此即彼”的观念，提出了“亦 基于p c n n 的医学图像分割算法研究 此亦彼”的观念，即模糊性。该模糊聚类方法通过隶属度来确定中间过渡状态的元素 倾向于某个集合或者类别的程度，从而进行聚类操作。由于人体组织之间相互包绕， 界限不清晰，尤其是过渡非常不明显，所以利用此模糊聚类技术刚好可以实现很好的 聚类，从而达到较好的分割效果。该方法的缺点是对大量的数据进行隶属度的运算的 时间复杂度较高。 ( 2 ) 分水岭算法 分水岭法( w a t e r s h e d ) 是基于区域的阈值分割算法。传统的阈值分割算法一般根据 图像的灰度直方图中灰度的不均匀特性来确定某一个或几个灰度值门限，即阈值，从 而实现对感兴趣区进行二值或多值分割。当目标图像要求分割的感兴趣区域与背景区 域有较高的对比度时，应用阈值法进行分割可获得较好的效果。然而在实际应用中， 不同阈值的选择往往对图像分割结果产生很大的影响，而且由于医学图像特有的组织 结构复杂、组织边界很不清晰等特征，所以利用传统阈值法很难取得满意的分割效果。 数学形态学理论将地形学上的分水岭概念引入分割算法中，该算法用图像平面对应地 形平面，像素灰度对应地形高度，所以不同组织的灰度差别形成地形上的高地和低地， 中间间隔着的就是分水岭，因此对图像的分割就变成求地形上的分水岭的运算。通过 仿真实验发现，该方法对于具有复杂结构的医学图像分割效果较好，但对图像均匀性 和噪声特性要求较高。 ( 3 ) 高斯最大似然算法 高斯最大似然性分类法( g u a s s i a nl i k e l i h o o dm a x i m u m ) 本质上还是基于闽值的分 割算法。只不过在传统的阈值分割算法中，阂值的选取对于分割结果的影响很大，一 般对组织分类数较少且组织间的灰度对比较大的图像分割效果较好。对于组织分类数 较多且组织灰度差别较小的图像，引入了最大似然性规则来计算最合适的阈值，以取 得较好的分割效果。由于组织的灰度直方图是高斯形状的，则对于多种组织的灰度高 斯线的交叉点，即灰度直方图中任两个峰值之间的波谷，最有可能符合两种灰度相邻 组织进行分类的灰度阈值，而对于波谷之间的像素的归类则可以通过最大似然规则来 计算其归属，通过这种方法选择的阈值是最合适的，可以实现边界像素的较好分割。 但是该方法收到图像非均匀性特征的影响比较大，因此一般与马尔可夫随机场模型结 合使用以期可以取得较好的分割效果。 ( 4 ) k 近邻计算算法 k 一近邻规则( kn e a r e s ta l g o r i t h m ) 作为模式识别中的一项非常重要技术，已经广泛 应用于计算机视觉、图像处理等领域。k 近邻计算分类算法是一种效果较好的分类器 1 2 第二章医学图像分割技术 算法，近年来，己在医学图像的分割中取得了成功的应用。k 近邻规则就是对需要分 类的样本，取k 个其最近邻的样本，通过分析这k 个样本中的大多数的隶属度来确定 需要归类样本的隶属。该算法需要先确定两个参数，即样本的分类数c 以及k 值，如 在m r j 脑图像分割中，一般分类数取c - - 4 ，即将图像分割为脑白质、脑灰质、脑脊液 和背景区域；k 值的选取一般在4 至u 1 2 之间。从理论的角度上讲，提高k 值，可以降低 误差率，提高分割精度，但k 值较大时，运算速度将迅速降低。 ( 5 ) 人工神经网络算法 人工神经网络( m a n u a ln e u r o nn e t w o r k ) 理论也可以用来进行组织分割。人工神经 网络通过样本测试矢量来进行训练，并把输出矢量与样本矢量进行比较，并根据输出 误差不断地修正连接权值，这一过程一直重复直至网络收敛到测试组的正确答案，训 练好的神经网络即可用于对未知矢量的分割。人工神经网络可以分为前馈、反馈和自 组织神经网络，每种神经网络都以其特有的性质被用于图像分割，并都取得了不错的 分割效果。 ( 6 ) 区域生长算法 区域生长法( r e g i o nv o w i n g ) y 称为种子生长法，其实质就是在某一组织的中心处 或者灰度最接近灰度高斯型的峰值处选择一点或某一个很小的区域，称之为种子或者 区域。通过确定这一区域的灰度来基本确定该组织的灰度值，然后依次按照不同的生 长方法向四周延伸，在生长的过程中不断地将与它相遇的每一个像素的灰度与区域的 灰度进行比较，如果灰度差别小于某一值，则将其与种子归为一类，否则认为不属于 同一类组织。生长轨迹一般是以种子点为圆心，以某个角度为间隔向四周发射出的辐 射线，也有的生长轨迹是以种子为中心进行的八邻域搜索轨迹。区域生长法较多的应 用在医学图像分割中，但是种子点的选择对分割结构有较大的影响，不同的操作者选 择的种子点不同，则获取的分割结果也不相同。 ( 7 ) 分裂合并算法 区域分裂- 合并算法( r e g i o ns p l i t t i n g m e r g i n g ) 的基本思想是先从整幅图像开始进 行分裂，然后将相邻的区域进行合并处理，此种方法不需要预先指定种子点，其所研 究的重点在于分裂和合并规则的设计。一般的复杂图像，其灰度都不是一定的，而是 渐变的，有的还有各种纹理的交叉混合，此时就采用区域分裂合并算法。该算法先 把一幅图像等分成4 个区域并把它们作为被分裂的第