許敏 賀松 張玉璽

摘 要：針對CV模型分割圖像時存在的分割精度低及對初始輪廓敏感等問題，提出一種CV模型結合空間域模糊C均值聚類（Spatial fuzzy C-means， SFCM）的圖像分割算法（SFCM-CV），用于邊界不清晰、存在偽影且含有高噪聲的MRI及CT圖像分割。在利用空間域模糊C均值聚類算法對圖像進行粗分割的基礎上，用聚類信息來輔助CV模型設定初始輪廓，迭代演化分割出目標區(qū)域。實驗結果表明，當?shù)螖?shù)僅為50時，SFCM-CV算法分割人腦MRI圖像的Dice系數(shù)為89.17%，比傳統(tǒng)CV模型提高了38.9%?？芍撍惴▽︶t(yī)學圖像的區(qū)分度更高、分割效果更好。

關鍵詞： 醫(yī)學圖像分割;空間域模糊C均值聚類;初始輪廓;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

隨著計算機輔助診斷（Computer Aided Diagnosis， CAD）的快速發(fā)展，數(shù)字圖像分割技術被廣泛應用于臨床研究中。醫(yī)生需要從病人的核磁共振（Magnetic Resonance Imaging， MRI）、計算機斷層（Computerized Tomography， CT）圖像中獲知不同組織或器官的形態(tài)結構，以輔助醫(yī)生定位病灶、診斷病情及制定治療方案[1]。然而，醫(yī)學圖像較之普通圖像具有邊界不清晰、存在偽影及噪聲含量高等特點。MRI、CT圖像在成像時容易受到噪聲、磁場以及人體運動等因素的影響，從而產生偽影與噪聲;并且，由于MRI等成像設備的分辨率有限，不同組織邊界上的像素點容易產生容積效應，從而造成邊界模糊[2]。因此，對醫(yī)學圖像進行分割存在較大的難度，對醫(yī)學圖像分割方法的研究具有重要的實用價值和臨床意義。

CV（Chan-Vese）[3]模型是一種通過能量最小化的方式來實現(xiàn)圖像分割的活動輪廓模型，被廣泛應用于醫(yī)學圖像分割問題中。然而，CV模型只能將圖像分為目標和背景兩個同質區(qū)域，對多相模型和復雜邊界圖像分割時則存在計算量大、分割精度低等缺點，并且對初始輪廓十分依賴。對此，國內外的學者進行了相關研究。文獻[4]提出利用模糊C均值聚類（Fuzzy C-means， FCM）算法對腦出血圖像進行聚類分割，再利用聚類信息指導CV模型初始輪廓的形成，最后通過迭代演化分割病灶區(qū)。文獻[5]改進了CV模型的能量泛函，同時用新的邊緣指示函數(shù)來替換Dirac函數(shù)，對CV模型的參數(shù)進行了優(yōu)化，對腦部復發(fā)性膠質母細胞瘤的MRI圖像進行了分割。文獻[6]在傳統(tǒng)CV模型中引入一個距離函數(shù)懲罰項和邊緣函數(shù)，形成了改進的CV模型，以規(guī)避水平集函數(shù)重新初始化問題。

本文提出一種CV模型協(xié)同空間域模糊C均值聚類（Spatial fuzzy C-means， SFCM）的醫(yī)學圖像分割算法（SFCM-CV），能夠對邊界不清晰、存在偽影且含有高噪聲的醫(yī)學圖像進行精確分割。對此擬展開研究論述如下。

1 空間域模糊C均值聚類

1.1 模糊C均值聚類算法

模糊C均值聚類（Fuzzy C-means， FCM）[7]算法是模糊聚類中最典型的一種算法，該算法以圖像像素點作為樣本集，根據(jù)取樣點的隸屬度將其歸類到相應的聚類簇，通過迭代優(yōu)化目標函數(shù)的方法實現(xiàn)圖像分割。

CV模型充分利用了整幅圖像的信息，能將圖像分為目標、背景兩個同質區(qū)域，具有較強的抗噪性[13]。但該模型的初始輪廓確定難度大，尤其是對于多相模型和邊界模糊圖像，該模型存在計算量大、精度不高的缺點。

[8]馮飛， 劉培學， 李麗， 等. FCM融合改進的GSA算法在醫(yī)學圖像分割中的研究[J]. 計算機科學， 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]宗永勝， 胡曉輝， 屈應照. 結合空間鄰域信息的核FCM圖像分割算法[J].計算機應用與軟件， 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]劉晨， 池濤， 李丙春， 等. 結合全局和局部信息的水平集圖像分割方法[J].計算機應用研究， 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]張愛華，王帆，陳海燕. 基于改進CV模型的高原鼠兔圖像分割[J].華中科技大學學報（自然科學版），2017，45（8）：32-37.

[15]范虹， 侯存存， 朱艷春， 姚若俠. 煙花算法優(yōu)化的軟子空間MR圖像聚類算法[J]. 軟件學報， 2017， 28（11）： 3080-3093.