基于分段算法的医学图像的模糊聚类阈值研究

• 作 者: 毛立德
• 机 构: 华中科技大学
• 出 处: 华中科技大学
• 发表日期: 2019年12期
• 关键词: 医学图像

医学图像分割在临床研究中有非常重要的应用，可用于治疗可视化及手术计划等应用。虽然已经有大量人脑组织图像分割的相关研究，但是，已有的分割技术要么太复杂，要么对某些应用来说不够准确。为此，本文提出了三种新的医学图像分割算法。
　　首先，利用模糊水平集方法的中值滤波器来提出磁共振成像（MRI）脑组织图像的模糊分割。MRI图像用作输入图像，利用中值滤波器和模糊C均值（FCM）聚类来分别去除图像噪声并创建图像聚类。图像聚类显示了初始和最终聚类中心。从灰质中分离和提取白质后，将水平集方法用于分割。模糊C均值对初始聚类中心的选择很敏感，中心选择不当将会导致该方法无法产生最优解决方案。提出的算法可以成功地分割MRI脑组织图像，与先前研究中提出的算法相比，该算法可有效地完成MRI脑组织图像的分割。
　　其次，提出了一种基于边缘检测技术的高斯滤波器的模糊C均值阈值分割方法，用于对脑磁共振成像MRI中的簇边缘检测边界进行分割。该方法中，利用MRI扫描作为输入图像，利用FCM聚类来生成图像聚类，其中类由白色和灰色物质组成。在此过程中，将5％高斯模糊噪声添加到图像聚类中。利用高斯滤波器去除或减少高斯模糊噪声。基于canny-edge检测技术的改进的具有梯度运算的FCM阈值MFCMT GO被用于去除模糊噪声之后边缘到簇图像的边缘检测。然后，通过阈值化来分割和提取聚类图像的边界。所提出的方法可成功地分割聚类图像的边界。与现有的方法相比，提出的方法可有效地生成簇图像边界的低均方误差（MSE）和峰值信噪比（PSNR）。
　　第三，提出并解释了通过不同类型的医学图像分割检测癌症区域的有效手段。提出了一种基于模糊熵和水平集（FELs）阈值分割的癌症分割新方法。所提出的方法可成功地完成癌症图像分割，与现有的算法相比，提出的方法在测试超声图像上，可有效地完成脑部MRI和皮肤镜图像的分割。实验结果表明，所提出的方法在准确性、精确度、特异性测量和灵敏度检测癌症图像分割方面具有更优异的性能。
　　最后，通过使用峰值信噪比（PSNR）来评估聚类图像的边界，并展示了用于测量最终效率的性能评估。白质聚类分割的聚类图像边界的最高PSNR比率分别为64.06db，63.98db，64.04db，而灰质聚类分割的最高PSNR比率分别为63.96db，63.72db和63.74db。针对乳腺癌的超声图像，脑MRI和皮肤镜皮肤图像三类医学图像，通过检查阴性癌症分割（CS）结果、阳性CS结果、阳性预测像素值、以及测量方法在准确性、灵敏度、特异性和精确度测量方面的能力，我们测试了所提出的（FELs）阈值方法，实验结果表明，提出的方法比现有的算法具有更优越的效果。