模糊聚类分析在脑功能磁共振图像处理中的应用

模糊聚类分析作为模式识别中的一种重要的分类器，近年来在脑功能磁共振图像的处理与分析领域引起了极大的关注。在脑功能磁共振图像的处理与分析中应用模糊聚类技术需要解决的一个关键问题就是找出适合于脑功能磁共振图像处理的参数，如模糊指数、距离参数和聚类数等。如何寻找合适的参数，从而使得利用模糊聚类技术处理和分析脑功能磁共振图像得到最佳的聚类结果，成了目前模糊聚类技术研究的焦点问题。近年来模糊聚类分析在脑功能磁共振图像处理的应用中如何选择合适的参数问题进行了综述和讨论。     

基于模糊Gibbs场和模糊C均值聚类的脑部磁共振图像的分割

提出了一种利用模糊Gibbs场和模糊C均值聚类的新算法,用来分割脑部磁共振(Magnetic resonance, MR)图像.本算法引入了像素的空间约束,提出了势团均匀分布的概念,并使用模糊信息定义了势团的Gibbs能量,并在传统的基于灰度的模糊C均值聚类(Fuzzy C-means, FCM)算法中引入Gibbs能量的补偿项,建立包含像素灰度信息和空间约束的新的目标函数,并得到模糊矩阵和聚类中心的迭代公式,克服了基于灰度信息的模糊C均值聚类算法的缺陷,从而改善了原有的分割模型.对合成图像和脑部MR图像的实验表明了本算法的有效性,可以有效地分割被噪声污染的低信噪比的MR图像.     

磁共振颅脑图像快速模糊聚类分割算法的研究

尽管模糊C-均值（简称FCM）聚类算法已广泛应用于图像分割研究,但是,由于模糊C-均值聚类算法所固有的一些缺点,特别是运算开销太大造成了该算法在实际应用中难以推广使用。根据模糊C-均值聚类算法和磁共振颅脑图象的特点,我们提出了一种分割磁共振颅脑图象的快速模糊C-均值（简称FFCM）聚类算法,该算法利用K-均值聚类结果指导模糊聚类的初始化,使模糊聚类的迭代次数明显减少。从而极大地提高模糊聚类的速度,实际应用表明,FFCM的分割速度比FCM快6.5倍以上,而分割精度与FCM相比无显著性差异。     

模糊神经网络在颅脑磁共振图像分割中的应用研究

由于颅脑磁共振图像分割的效果受制于解剖结构和成像过程引起的边缘模糊和噪声，本研究结合神经网络和模糊逻辑技术，提出一种基于模糊神经网络的颅脑磁共振图像的半自动分割算法。分割实验的结果表明，在同等条件下，模糊神经网络分割算法的收敛速度比BP神经网络分割算法快三倍以上；与最大似然法、模糊c均值聚类和BP神经网络分割算法相比，FNN分割算法的抗噪声和抗模糊能力更强。     

FCM算法在脑肿瘤MRI图像分割中的应用

聚类算法已广泛用于图像分割，根据模糊C－均值聚类算法（FCM）的磁共振颅脑图像的特点，我们利用FCM算法对磁共颅脑图像进行了分割。结果表明，聚类算法在脑肿瘤的MRI图像分割中能够得到比较理想的结果，优于边缘检测、域值分割等方法。     

基于FCM聚类算法的MRI脑组织图像分割方法比较研究

目的磁共振成像(magnetic resonance imaging,MRI)对脑组织有较好的成像效果,但噪声、偏移场和部分容积效应(partial volume effect,PVE)的存在,使得全自动分割MRI图像面临一定的困难。模糊C均值(fuzzy C-means,FCM)聚类算法在脑组织分割中得到较广泛研究。本文以存在噪声和偏移场影响的脑MRI图像分割为应用背景,研究了大量相关方法,探讨FCM算法分割脑部图像的改进思想。方法本文主要研究了9种FCM算法的理论基础,并通过脑组织分割实验对各种算法进行了分析。结果比较了不同算法的优劣,给出各类算法直观及定量评价结果。结论偏移场和噪声对脑磁共振图像组织分类质量有明显影响。其中几种方法可以减弱这些不利影响,但由于难以选择合适的参数,其分类效果并不理想。如何合理利用空间信息在未来仍有较大研究价值。     

改进的遗传模糊聚类算法及其在MR脑组织分割中的应用

为提高MR图像中脑组织分割的精度,针对目前遗传模糊聚类算法存在的问题,提出了改进的遗传模糊聚类算法。首先,通过完全改变遗传算法的编码方式、变异方式和交叉方式,对现有遗传算法进行改进,从而使遗传算法能获得最小的适应度函数值;然后,结合模糊聚类算法,最终得到改进的遗传模糊聚类算法。将改进的遗传模糊聚类算法应用于MR脑图像的分割,结果表明,改进的遗传模糊聚类算法的分割质量高于现有的遗传模糊聚类算法和快速模糊聚类算法。改进的遗传模糊聚类算法可以做为一种快速、全自动的MR脑图像分割工具。     

基于改进空间模糊聚类的DTI图像分割算法

针对模糊C均值(FCM)聚类算法初始聚类中心选择的随机性和噪声的敏感性等问题,提出一种基于改进空间模糊聚类的图像分割算法来分割人脑DTI图像。使用局部密度核函数和中心距离函数精确选取初始聚类中心,不仅可以解决因聚类中心随机选取造成的聚类效果不稳定的问题,而且还可以使目标函数迅速收敛,提高分割效率;通过将正态分布空间信息融入模糊隶属度函数,能减小图像噪声以及人为因素对分割结果的影响。用该方法与FCM、SFCM方法对人脑DTI数据进行分割,以评价算法的聚类效果。实验对美国明尼苏达大学生物医学功能成像与神经工程实验室提供的58例DTI数据、3例FA参数图像以及6例迭加过噪声的人脑DTI图像进行分割,结果表明:该算法分割系数最高,可达到0.984 1;在同一图像中,该算法在划分系数上比FCM最高提升20.2%,并且在划分熵上比SFCM最高下降19.8%;该算法目标函数平均迭代次数为32,较FCM的52次与空间FCM的76次有明显降低。实验证明,该算法能够准确、快速地分割出重要目标,且对图像噪声不敏感。     

智能肝肿瘤CT图像分割

提出了一种智能肝肿瘤CT图像分割的新方法.该方法将医学专家的高层知识融合到图像分割算法中,使算法具有智能性,能够更加准确、快速地实现分割.根据医学图像分割不同阶段的特点以及不同算法的适用性,结合了多尺度分水岭变换与模糊聚类方法,从总体上达到最佳效果.将图像空间信息引入传统的基于灰度的模糊C均值聚类算法中,对传统的模糊C均值聚类算法的目标函数进行修正,推导出修正后算法的迭代公式,并证明了迭代的收敛性.对实际CT肝肿瘤图像的分割实验结果验证了所提方法的有效性.     

基于模糊K-近邻规则的多谱磁共振脑图像分割方法的研究

本文在K 近邻 (K nearestneighbor ,简称KNN)规则的基础上 ,基于模糊C 均值聚类 (FuzzyC meansclustering ,简称FCM)技术 ,提出了模糊K 近邻算法 (FuzzyK nearestneighbor ,简称FKNN) ,并利用该算法对磁共振脑图像进行分割研究。首先对磁共振颅脑图像进行预分割 ,剔除颅骨和肌肉等非脑组织 ,只保留大脑结构 ;然后利用FKNN算法对大脑结构进行分割 ,从脑组织中分别提取出白质、灰质和脑脊液。实验结果表明 ,FKNN方法能有效地从大脑结构中分割出白质、灰质和脑脊液 ,分割效果明显优于KNN方法。     

基于塔分割和多中心模糊聚类的医学图像分割

本文提出一种基于塔分割和多中心模糊C均值算法结合的无监督MR图像分割方法。文中采用根标记方法对塔图像进行过分割；在塔的最底层模糊刖像上应用HSC（hierarchical subtractive clustering）计算初始的聚类中心及聚类数。进而应用FCM算法合并过分割的结果。由于塔分割有效地降低了聚类样本数和HSC自动获得有效的初始聚类中心和聚类数，实验结果表明，在聚类性能不变情况下显著地减少FCM算法的运算时间，从而实现医学图像的快速分割。     

Automatic segmentation of non-enhancing brain tumors in magnetic resonance images

Tumor segmentation from magnetic resonance (MR) images may aid in tumor treatment by tracking the progress of tumor growth and/or shrinkage. In this paper we present the first automatic segmentation method which separates non-enhancing brain tumors from healthy tissues in MR images to aid in the task of tracking tumor size over time. The MR feature images used for the segmentation consist of three weighted images (T1, T2 and proton density (PD)) for each axial slice through the head. An initial segmentation is computed using an unsupervised fuzzy clustering algorithm. Then, integrated domain knowledge and image processing techniques contribute to the final tumor segmentation. They are applied under the control of a knowledge-based system. The system knowledge was acquired by training on two patient volumes (14 images). Testing has shown successful tumor segmentations on four patient volumes (31 images). Our results show that we detected all six non-enhancing brain tumors, located tumor tissue in 35 of the 36 ground truth (radiologist labeled) slices containing tumor and successfully separated tumor regions from physically connected CSF regions in all the nine slices. Quantitative measurements are promising as correspondence ratios between ground truth and segmented tumor regions ranged between 0.368 and 0.871 per volume, with percent match ranging between 0.530 and 0.909 per volume.     

Integrating spatial fuzzy clustering with level set methods for automated medical image segmentation

The performance of the level set segmentation is subject to appropriate initialization and optimal configuration of controlling parameters, which require substantial manual intervention. A new fuzzy level set algorithm is proposed in this paper to facilitate medical image segmentation. It is able to directly evolve from the initial segmentation by spatial fuzzy clustering. The controlling parameters of level set evolution are also estimated from the results of fuzzy clustering. Moreover the fuzzy level set algorithm is enhanced with locally regularized evolution. Such improvements facilitate level set manipulation and lead to more robust segmentation. Performance evaluation of the proposed algorithm was carried on medical images from different modalities. The results confirm its effectiveness for medical image segmentation.     

Automatic segmentation of brain MR images using an adaptive balloon snake model with fuzzy classification

Skull-stripping in magnetic resonance (MR) images is one of the most important preprocessing steps in medical image analysis. We propose a hybrid skull-stripping algorithm based on an adaptive balloon snake (ABS) model. The proposed framework consists of two phases: first, the fuzzy possibilistic c-means (FPCM) is used for pixel clustering, which provides a labeled image associated with a clean and clear brain boundary. At the second stage, a contour is initialized outside the brain surface based on the FPCM result and evolves under the guidance of an adaptive balloon snake model. The model is designed to drive the contour in the inward normal direction to capture the brain boundary. The entire volume is segmented from the center slice toward both ends slice by slice. Our ABS algorithm was applied to numerous brain MR image data sets and compared with several state-of-the-art methods. Four similarity metrics were used to evaluate the performance of the proposed technique. Experimental results indicated that our method produced accurate segmentation results with higher conformity scores. The effectiveness of the ABS algorithm makes it a promising and potential tool in a wide variety of skull-stripping applications and studies.     

Partial volume segmentation of brain magnetic resonance images based on maximum a posteriori probability

Noise, partial volume (PV) effect, and image-intensity inhomogeneity render a challenging task for segmentation of brain magnetic resonance (MR) images. Most of the current MR image segmentation methods focus on only one or two of the above-mentioned effects. The objective of this paper is to propose a unified framework, based on the maximum a posteriori probability principle, by taking all these effects into account simultaneously in order to improve image segmentation performance. Instead of labeling each image voxel with a unique tissue type, the percentage of each voxel belonging to different tissues, which we call a mixture, is considered to address the PV effect. A Markov random field model is used to describe the noise effect by considering the nearby spatial information of the tissue mixture. The inhomogeneity effect is modeled as a bias field characterized by a zero mean Gaussian prior probability. The well-known fuzzy C-mean model is extended to define the likelihood function of the observed image. This framework reduces theoretically, under some assumptions, to the adaptive fuzzy C-mean (AFCM) algorithm proposed by Pham and Prince. Digital phantom and real clinical MR images were used to test the proposed framework. Improved performance over the AFCM algorithm was observed in a clinical environment where the inhomogeneity, noise level, and PV effect are commonly encountered.     

利用图谱匹配分割标注VHP数据集

利用TT脑图谱中丰富的结构信息,本文提出了一种自动分割脑图像的方法,并将其用于Visible Human数据集（VHD）的脑图像的分割,这种方法可分为两步,首先,将VHD中的脑图像和TT Atlas配准,通过图像和医学图谱的匹配,可以把图谱中存储的拓朴信息直接映射到ＶＨＤ,然后,利用这个预分割的模板对VHD脑图像进行模糊聚类分割,为自动将模板中的结构信息用于分割,本文利用Chamfer距离变换,提出了一中引入形状因子的FCM聚类算法。     

基于模糊连接度的多发性硬化症MR图像自动分割算法

多发性硬化症(MS)是一种严重威胁中枢神经功能的疾病,利用磁共振成像技术能够无损伤地检出其病灶。为了自动地对多发性硬化症病灶进行分割,提出了基于模糊连接度的分割算法,实现了种子点的自动选取。作为多发性硬化症分割的预处理,针对脑部MR FLAIR图像的特征,基于区域增长方法,还提出了脑部组织提取算法。通过对临床患者MR图像的分割实验,表明该分割算法能够比较准确地分割多发性硬化症病灶,其分割效果明显好于模糊C-均值聚类算法和基于马尔可夫场模型的分割算法。该算法还具有无监督、运算速度快、稳健性好等优点,能够应用于多发性硬化症的临床辅助诊断。     

基于数据融合的脑组织图像分割

随着医学影像技术的发展,我们可以用不同的成像方法对同一个脑断层得到多模态的核磁共振图像,针对脑组织分割的需要,文中介绍了一种基于数据融合的多模分割方法.算法首先用基于模糊C均值聚类(Fuzzy C-Means,FCM)的方法分别对单一模态的图像聚类进行分割,然后采用数据融合的方法得出最终的分割结果.实验结果表明,此方法能有效地分割出白质、灰质和脑脊液,并且分割精度要明显高于对单一模态图像的分割结果.