基于空间域模糊聚类与CV模型的医学图像分割

许敏 贺松 张玉玺

摘 要：针对CV模型分割图像时存在的分割精度低及对初始轮廓敏感等问题，提出一种CV模型结合空间域模糊C均值聚类（Spatial fuzzy C-means， SFCM）的图像分割算法（SFCM-CV），用于边界不清晰、存在伪影且含有高噪声的MRI及CT图像分割。在利用空间域模糊C均值聚类算法对图像进行粗分割的基础上，用聚类信息来辅助CV模型设定初始轮廓，迭代演化分割出目标区域。实验结果表明，当迭代次数仅为50时，SFCM-CV算法分割人脑MRI图像的Dice系数为89.17%，比传统CV模型提高了38.9%。可知该算法对医学图像的区分度更高、分割效果更好。

关键词： 医学图像分割;空间域模糊C均值聚类;初始轮廓;CV模型

【Abstract】 In view of the problem that the CV model has a low segmentation precision and too much dependence on the initial contour in image segmentation， an algorithm integrated with CV model and Spatial fuzzy C-means （SFCM-CV） is proposed to segment MRI and CT images with unclear boundaries， artifacts， and high noise. Firstly， a fuzzy C-means clustering algorithm based on spatial information is employed to segment experimental image. Secondly， the initial contour of the CV model is initialized based on the results of the fuzzy clustering， and the target region is obtained by iteration and evolution. The experimental results show that when the number of iterations is only 50， the Dice coefficient of the SFCM-CV algorithm to segment the human brain MRI image is 89.17%， which is 38.9% higher than the traditional CV model. It can be seen that the algorithm has higher discrimination and better segmentation effect on medical images.

【Key words】  segmentation of medical image; spatial fuzzy C-means clustering; initial contour; CV model

0 引 言

随着计算机辅助诊断（Computer Aided Diagnosis， CAD）的快速发展，数字图像分割技术被广泛应用于临床研究中。医生需要从病人的核磁共振（Magnetic Resonance Imaging， MRI）、计算机断层（Computerized Tomography， CT）图像中获知不同组织或器官的形态结构，以辅助医生定位病灶、诊断病情及制定治疗方案[1]。然而，医学图像较之普通图像具有边界不清晰、存在伪影及噪声含量高等特点。MRI、CT图像在成像时容易受到噪声、磁场以及人体运动等因素的影响，从而产生伪影与噪声;并且，由于MRI等成像设备的分辨率有限，不同组织边界上的像素点容易产生容积效应，从而造成边界模糊[2]。因此，对医学图像进行分割存在较大的难度，对医学图像分割方法的研究具有重要的实用价值和临床意义。

CV（Chan-Vese）[3]模型是一种通过能量最小化的方式来实现图像分割的活动轮廓模型，被广泛应用于医学图像分割问题中。然而，CV模型只能将图像分为目标和背景两个同质区域，对多相模型和复杂边界图像分割时则存在计算量大、分割精度低等缺点，并且对初始轮廓十分依赖。对此，国内外的学者进行了相关研究。文献[4]提出利用模糊C均值聚类（Fuzzy C-means， FCM）算法对脑出血图像进行聚类分割，再利用聚类信息指导CV模型初始轮廓的形成，最后通过迭代演化分割病灶区。文献[5]改进了CV模型的能量泛函，同时用新的边缘指示函数来替换Dirac函数，对CV模型的参数进行了优化，对脑部复发性胶质母细胞瘤的MRI图像进行了分割。文献[6]在传统CV模型中引入一个距离函数惩罚项和边缘函数，形成了改进的CV模型，以规避水平集函数重新初始化问题。

本文提出一种CV模型协同空间域模糊C均值聚类（Spatial fuzzy C-means， SFCM）的医学图像分割算法（SFCM-CV），能够对边界不清晰、存在伪影且含有高噪声的医学图像进行精确分割。对此拟展开研究论述如下。

1 空间域模糊C均值聚类

1.1 模糊C均值聚类算法

模糊C均值聚类（Fuzzy C-means， FCM）[7]算法是模糊聚类中最典型的一种算法，该算法以图像像素点作为样本集，根据取样点的隶属度將其归类到相应的聚类簇，通过迭代优化目标函数的方法实现图像分割。

CV模型充分利用了整幅图像的信息，能将图像分为目标、背景两个同质区域，具有较强的抗噪性[13]。但该模型的初始轮廓确定难度大，尤其是对于多相模型和边界模糊图像，该模型存在计算量大、精度不高的缺点。

[8]冯飞， 刘培学， 李丽， 等. FCM融合改进的GSA算法在医学图像分割中的研究[J]. 计算机科学， 2018， 45（S1）： 252-254.

[9]CHUANG K S， TZENG H L， CHEN S， et al. Fuzzy C-means clustering with spatial information for image segmentation[J]. Computerized Medical Imaging and Graphics， 2006， 30（1）： 9-15.

[10]宗永胜， 胡晓辉， 屈应照. 结合空间邻域信息的核FCM圖像分割算法[J].计算机应用与软件， 2017， 34（4）： 221-225，333.

[11]ALIPOUR S， SHANBEHZADEH J. Fast automatic medical image segmentation based on spatial kernel fuzzy c-means on level set method[J]. Machine Vision and Applications， 2014， 25（6）： 1469-1488.

[12]刘晨， 池涛， 李丙春， 等. 结合全局和局部信息的水平集图像分割方法[J].计算机应用研究， 2017， 34（12）： 3889-3894.

[13]LI Xuanping， WANG Xue， DAI Yixiang. Adaptive energy weight based active contour model for robust medical image segmentation[J]. Journal of Signal Processing Systems， 2018， 90（3）： 449-465.

[14]张爱华，王帆，陈海燕. 基于改进CV模型的高原鼠兔图像分割[J].华中科技大学学报（自然科学版），2017，45（8）：32-37.

[15]范虹， 侯存存， 朱艳春， 姚若侠. 烟花算法优化的软子空间MR图像聚类算法[J]. 软件学报， 2017， 28（11）： 3080-3093.