[发明专利]基于自适应聚类算法的核磁共振图像分割方法

说明书

技术领域

本发明涉及图像分割领域，特别涉及一种基于自适应聚类算法的核磁共振图像分割方法。

背景技术

在医学图像处理领域，组织分类已经成为了一种尽可能精确进行的重要医学研究。核磁共振图像是为人类软组织提供足够信息的尖端医学成像技术。研究人员需要准确的分割脑磁共振图像。在一些医学研究中，脑部核磁共振图像仍然被医学专家手动检查和分割，这是一种不精确并且耗时的做法。

在医学图像研究中，对脑部核磁共振图像解剖结构的研究是很有必要的。如果人工分析的话，那么大量的图像数据会对分析造成很大的困难。近年来许多研究人员提出了对部核磁共振图像分割的计算机辅助方法。许多不同的方法用来分割脑部核磁共振图像，例如聚类，阈值，区域生长等。

基于聚类的分割算法是一种无监督的分类算法。聚类算法的目的是使类内的像素差异小，类间的像素差异大。聚类的优点是直观，快速，易于实现等。然而，研究人员通常需要为这些算法设置一些参数，无论它们是k均值算法，模糊c均值算法还是山峰算法。如果手动的设置参数，将会对结果产生很大的影响。

例如，众所周知，k-means算法是一种在数据集中使距离度量的成本函数最小以寻找数据聚类的算法。传统的k-means聚类算法需要随机地从图像中选择k个像素点作为初始聚类中心。然后该算法根据最小欧氏距离将像素分配到各个聚类中。通过一定数量的迭代，使每个像素到聚类中心的距离总和最小，直到聚类中心不再改变。在一般情况下，k-means算法需要设置一些参数来完成任务。初始化对于减少计算时间，并得到具有意义的聚类结果是非常重要的。聚类数目k是由用户选择的最重要的参数之一。在这里将k设置为2至16，并选择其中K的最佳值。需要从图像中选择k个点作为初始聚类中心。通常，用随机法来选择初始聚类中心。虽然这是可行的，但还是存在不稳定性。这样很容易陷入局部最小。此外，随机方法会增加迭代次数和运行时间。如果该算法随机选择到异常点，它就会得到不好的结果。

发明内容

为了弥补现有技术的不足，解决现有技术中基于聚类的分割算法在手动设置参数时会对结果造成很大影响的问题，本发明提供了一种基于自适应聚类算法的核磁共振图像分割方法。

本发明的技术方案为：

一种基于自适应聚类算法的核磁共振图像分割方法，包括步骤：

1)输入核磁共振图像；

2)调整偏移场；

采用非参数不均匀归一化算法N3的不均匀性的修正方法，发现一个平滑地成倍的场以最大化在组织层次中高频成分的分布，校正偏移场的图像；

3)采用改进的k-means算法分割图像；

首先，采用分位数的方法寻找初始聚类中心；得到所有的初始聚类中心后，进行迭代分割核磁共振图像；采用欧几里得距离作为距离度量；对于每个像素，都计算出该像素到每个聚类的平均值的欧氏距离；如果像素点不在最贴近自己的聚类，它必须被转移到最近的聚类中；如果像素点已经在最接近自己的聚类中，那就不用移动它；如果距离度量低于一个固定的阀值或者相比之前的迭代低于一个固定的阀值，那么该过程将终止；

4)确定聚类数目。

对于本发明中的术语：

非参数不均匀归一化算法(N3)：N3是一种迭代算法，也是一种非均匀性校正方法。本发明使N3的目的是发现一个平滑地成倍的场以至于最大化在组织层次中高频成分的分布。这种方法是一种公知自动算法，不需要任何先验信息，该算法从未应用到核磁共振图像分割领域中。

k-means算法：一种在数据集中寻找数据聚类的算法，让差异性度量的成本函数(目标函数)达到最小。

传统的k-means聚类算法需要随机地从图像中选择k个像素点作为初始聚类中心。然后该算法根据最小欧氏距离将像素分配到各个聚类中。通过一定数量的迭代，使每个像素到聚类中心的距离总和最小，直到聚类中心不再改变。在一般情况下，k-means算法需要设置一些参数来完成任务。初始化对于减少计算时间，并得到具有意义的聚类结果是非常重要的。聚类数目k是由用户选择的最重要的参数之一。在这里将k设置为2至16，并选择其中K的最佳值。需要从图像中选择k个点作为初始聚类中心。通常，用随机法来选择初始聚类中心。虽然这是可行的，但还是存在不稳定性。这样很容易陷入局部最小。此外，随机方法会增加迭代次数和运行时间。如果该算法随机选择到异常点，它就会得到不好的结果。

本发明所述改进的k-means算法是将传统k-means算法中随机地从图像中选择K个像素点作为初始聚类中心改进为采用分位数的方法寻找初始聚类中心。