改进模糊C-均值分割算法在多发性硬化症MR脑部图像中的应用

背景：脑部MR图像是一种无纹理的图像,未被噪声污染的脑部MR图像的灰度值具有分片为常数的特点。因此,在聚类过程中灰度值有趋向于在同一个分割区域中相对接近的性质。 目的：寻找一个能够自动分割多发性硬化症病灶的模糊C-均值改进方法,为临床对于多发性硬化症的判断提供更方便的工具。 方法：考虑到脑部MR图像相邻象素属于同一分类的概率相近的特性,在迭代过程中对8邻域数据集进行滤波以降低噪声对聚类精度的影响,提出了一种改进的模糊C-均值聚类算法。就是将模糊C-均值聚类算法迭代过程中得到的灰度值看作一个数据集,用每个象素邻域象素的灰度值修正该象素的模糊隶属度取值,从而达到利用空间信息抑制噪声的目的。 结果与结论：选取了10个多发性硬化症患者的脑部MRI图像进行试验。通过对多发性硬化症患者MR T1脑部图像和T2液体衰减反转回复脑部图像的分割实验,结果显示该算法能够有效分割多发性硬化症病灶,与其他方法所做的多发性硬化症病灶分割相比,本算法更易于实现,运算时间短,同时结果与临床医生的勾画比较重叠率较高,对其临床辅助诊断具有重要作用。     

利用多谱图像分割多发性硬化症病灶的新方法

磁共振(MR)图像可以用来检测多发性硬化症(MS)患者的大脑病变。本文提出一种分割多谱MR图像中的MS病灶的自动方法。首先,将T1加权像减去同一断层的Pd加权像,获得脑脊液(CSF)增强的图像。然后,基于模糊核聚类(KFCM)算法,分别从增强图像和对应的T2加权像中分割出CSF图像和CSF合并MS图像。将CSF合并MS图像减去CSF图像获得MS初始图像。最后采用中值滤波和单阈值分割对MS初始图像进行处理,得到MS病灶。分割方法用BrainWeb模拟图像进行了实验,并测试了Dice相似性系数(DSC)、灵敏度(Sens)、特异性(Spec)和准确性(Acc),得到较好的测试结果。     

Gibbs场先验参数估计在医学图像分割中的应用

背景:基于马尔科夫随机场的图像分割算法已经成为医学图像分割的重要方法,其中,Gibbs场先验参数的取值对分割精度有很大的影响。目的:根据脑部MR图像的成像特点,探讨Gibbs场先验参数的估计方法,从而提高图像分割的精度。方法:通过对脑部MR图像的统计分析,得到图像高斯噪声的方差与Gibbs场先验参数的对应关系。然后在基于马尔可夫随机场图像分割算法的迭代过程中,根据高斯分布的方差估计值,用插值方法估计Gibbs场先验参数。结果与结论:通过对模拟脑部MR图像和临床脑部MR图像分割实验,表明该方法比传统的设定Gibbs场先验参数为某一常数的方法有更精确的图像分割能力,并且实现了图像的自适应分割,具有方法简单、运算速度快、稳健性好的特点。     

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.     

基于灰度和形状的非刚性图像配准算法的研究

提出一种新的灰度和形状信息相结合的全自动同模态医学图像非刚性配准-分割算法,将欧氏距离表示的形状信息融入基于灰度的配准算法中,构造出新的代价函数.该算法在医学图像多目标分割的应用中,能够较好地完成灰度相近、边缘模糊、间距较小的不同结构的分割.对5组真实脑部MRI图像进行分割脑深层灰质结构的实验,结果表明,本算法优于基于灰度信息的图像配准算法.     

一种多标记融合水平集的脑部多发性硬化斑块分割方法

通过对脑部磁共振影像(MRI)中硬化斑块形态、位置等信息的研究,本文提出了一种基于多标记融合水平集的脑部多发性硬化斑块分割方法。该方法首先使用模糊C均值模型提取初始硬化斑块区域,根据该区域的信息统计建立了灰度先验信息项和多标记融合项,并嵌入水平集模型中,通过水平集曲线演化实现脑部多发性硬化斑块分割。实验结果表明该方法能够有效分割脑部磁共振影像中的硬化斑块,具有较好的鲁棒性及较高的准确性。本文提出的方法极大地减轻了医师手动勾画硬化斑块区域的工作量,具有较大的临床应用价值。     

基于Gibbs随机场的有限混合模型改进与脑部MR图像的稳健分割

有限混合(FM)模型已经广泛地应用于图像分割，但是由于没有考虑空间信息，导致分割的结果对噪声很敏感，分割出的区域存在很多杂散的孤立点。本文Gibbs随机场理论的指导下，将空间信息引入FM模型，提出了改进的脑部MR图像分割算法。此外，由树形K平均聚类来估计初始参数，实现了全自动的图像分割。本研究进行了仿真MR图像和真实MR图像的分割实验，定量的数据分析表明，我们所提的改进算法对噪声不敏感，可以更精确地将脑部MR图像标记为灰质、白质与脑脊液三种组织类型。     

医学图像的自动调窗与分割

计算机辅助外科系统中,图像引导的手术导航系统是一种技术含量最高、发展最快的外科手术设备,在神经外科、骨科、耳鼻喉科等有着广阔的应用前景。目前,手术导航系统在图像调窗、分割、配准均采用的是手工方式,迫切需要提高图像处理的自动化程度。本文提出的自动调窗与分割算法,比较好地实现了医学图像的自动调窗和自动分割功能:(1)通过对大量MRI和CT图像的灰度直方图分析,根据这一类图像的共性,给出相应的调窗算法,实验表明,该算法绝大部分MRI和CT图像的自动调窗效果接近于最佳;(2 )本文给出的种子生长分割方法,是基于灰度连通性原理,只需点击病灶,就可以将病灶及边缘准确地分割出来,并可以动态、实时地控制分割的效果,只要机器的内存允许,可以直接对三维图像进行三维分割。测试表明,该功能缩短和降低手术计划的时间和难度,提高导航手术的效率。     

点对称距离模糊C均值聚类算法在脑部MRI图像分割中的应用

背景：在传统的图像分割方法中,模糊C均值聚类算法应用十分广泛。 目的：将改进的模糊C均值聚类算法应用到MRI图像的分割中,提高MRI图像分割的准确度。 方法：针对传统的基于Minkowski距离的模糊C均值聚类算法,提出了基于点对称距离的模糊C均值聚类算法,并将其运用到了脑部MRI图像分割中。 结果与结论：实验结果表明,与模糊C均值聚类算法相比,点对称距离的模糊C均值聚类算法有明显的优势。     

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。     

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。     

Fuzzy rules to predict degree of malignancy in brain glioma

The current pre-operative assessment of the degree of malignancy in brain glioma is based on magnetic resonance imaging (MRI) findings and clinical data. 280 cases were studied, of which 111 were high-grade malignancies and 169 were low-grade, so that regular and interpretable patterns of the relationships between glioma MRI features and the degree of malignancy could be acquired. However, as uncertainties in the data and missing values existed, a fuzzy rule extraction algorithm based on a fuzzy min-max neural network (FMMNN) was used. The performance of a multi-layer perceptron network (MLP) trained with the error back-propagation algorithm (BP), the decision tree algorithm ID3, nearest neighbour and the original fuzzy min-max neural network were also evaluated. The results showed that two fuzzy decision rules on only six features achieved an accuracy of 84.6% (89.9% for low-grade and 76.6% for high-grade cases). Investigations with the proposed algorithm revealed that age, mass effect, oedema, post-contrast enhancement, blood supply, calcification, haemorrhage and the signal intensity of the T1-weighted image were important diagnostic factors.     

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。     

一种分割脑磁共振图像的改进FCM聚类算法

噪声和偏移场是影响磁共振(MRI)图像质量的主要因素。以含加性噪声和乘性偏移场的脑MRI图像组织分割为目标,提出一种抗噪局部相干模糊聚类算法,通过在目标函数中加入模糊算子和一致局部信息约束,达到同时抑制噪声和偏移场不利影响的目的,提高分割准确性和稳定性。采用20例合成图像、60例来自BrainWeb的模拟脑MRI图像、100例来自IBSR真实脑MRI图像,对算法的聚类性能进行评价。实验结果表明,在噪声和偏移场干扰并存的情况下,所提出算法与其他几种经典FCM改进算法相比,对合成图像集的平均分类准确度SA达到0.97,高于其他算法,最大可提高0.37;对真实脑MRI图像集的脑脊液分割有明显优势,相似性测度KI平均提高约0.1。分析表明,所提出算法有更好的分类准确性和稳定性。     

Mechanisms regulating regional localization of inflammation during CNS autoimmunity

Multiple sclerosis (MS) is a disease of the central nervous system (CNS) characterized by inflammatory, demyelinating lesions localized in the brain and spinal cord. Experimental autoimmune encephalomyelitis (EAE) is an animal model of MS that is induced by activating myelin-specific T cells and exhibits immune cell infiltrates in the CNS similar to those seen in MS. Both MS and EAE exhibit disease heterogeneity, reflecting variations in clinical course and localization of lesions within the CNS. Collectively, the differences seen in MS and EAE suggest that the brain and spinal cord function as unique microenvironments that respond differently to infiltrating immune cells. This review addresses the roles of the cytokines interferon-γ and interleukin-17 in determining the localization of inflammation to the brain or spinal cord in EAE.     

Fully automated tumor segmentation based on improved fuzzy connectedness algorithm in brain MR images

Uncontrollable and unlimited cell growth leads to tumor genesis in the brain. If brain tumors are not diagnosed early and cured properly, they could cause permanent brain damage or even death to patients. As in all methods of treatments, any information about tumor position and size is important for successful treatment; hence, finding an accurate and a fully automated method to give information to physicians is necessary.A fully automatic and accurate method for tumor region detection and segmentation in brain magnetic resonance (MR) images is suggested. The presented approach is an improved fuzzy connectedness (FC) algorithm based on a scale in which the seed point is selected automatically. This algorithm is independent of the tumor type in terms of its pixels intensity. Tumor segmentation evaluation results based on similarity criteria (similarity index (SI), overlap fraction (OF), and extra fraction (EF) are 92.89%, 91.75%, and 3.95%, respectively) indicate a higher performance of the proposed approach compared to the conventional methods, especially in MR images, in tumor regions with low contrast. Thus, the suggested method is useful for increasing the ability of automatic estimation of tumor size and position in brain tissues, which provides more accurate investigation of the required surgery, chemotherapy, and radiotherapy procedures.     

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.