基于改进模糊聚类算法的CT图像病变区域分割

苏博　朱敏

摘 要： 针对CT图像病变区域存在的欠分割和过分割问题，提出基于融合空域滤波器的改进模糊聚类算法。对CT图像进行预处理，将CT图像变换成通用图像，使输入图像具有一致直方图灰度分布，用区域生长方法标记和过滤非目标病变区域，获取脑部CT图像目标病变区域。通过改进的空域滤波器对噪声图像进行滤波去噪，对模糊聚类算法的目标函数和迭代公式融入空域滤波数据项确定隶属度矩阵，完成CT图像病变区域的分割。实验结果表明，所提方法在人脑CT图像血块区域进行分割过程中，具有较高的分割效率和精度，对噪声具有较高的鲁棒性。

关键词： 改进模糊聚类算法； CT图像； 病变区域分割； 隶属度矩阵

中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2016）24?0100?04

CT image?s lesion area segmentation based on improved fuzzy clustering algorithm

SU Bo1， ZHU Min2

（1. Faculty of Information Engineering， Guizhou Institute of Technology， Guiyang 550003， China；

2. Research Institute of Agricultural Bioengineering， Guizhou University， Guiyang 550003， China）

Abstract： To solve the under?segmentation and over?segmentation problems existing in the lesion area segmentation of CT images， an improved fuzzy clustering algorithm based on spatial filter fusion is put forward. The preprocessing of CT image can transform the CT image into a general image by means of the algorithm to make the input image have the consistent histogram gray?scale distribution. The region growing method is used to mark and filter the non?target lesion area to obtain the target lesion area of the brain CT images. The improved spatial filter is used to conduct the filtering and denoising of the noise image. The objective function and iterative formula of the fuzzy clustering algorithm are added into the spatial filtering data items to determine the membership matrix， so as to segment the lesion area of CT images. The experimental results indicate that the algorithm has high segmentation efficiency and precision in the segmentation process of blood clot region of the human brain CT images， and good robustness to resist the noise.

Keywords： improved fuzzy clustering algorithm； CT image； lesion area segmentation； membership matrix

0 引 言

当今的医学图像分割对医学研究领域起着举足轻重的作用。随着影像技术的高速发展，临床医学中对大量的医学图像进行分析，通过图像分割技术对图像病变区域分割，为医生进行病理分析和治疗提供可靠的分析依据[1?3]。由于CT图像图像具有复杂性和多变性，并且较为模糊，存在较多的噪声因素。标准模糊聚类方法仅可分析图像灰度信息，对噪声的容忍性能较弱[4?5]。因此，寻求有效的CT图像分割方法，成为医学图像分割行业人员分析的关键[6]。

文献[7]采用特征空间聚类分割方法，基于相似性规范将医学图像像素点分割到不同的范围内，确保聚类中的像素点相似度、同聚类像素点的差异度最高，进而完成目标图像的分割，但是该方法在迭代过程中，循环运行参数初始化具有较高的时间复杂度。文献[8]将处理过的灰度图像比作参差不齐的地形图，依靠分水岭方法完成图像的区域分割，它的缺点是对噪点过滤性差，在图像对比度不高的情况下，分割效果不佳。文献[9]采用区域生长算法，将CT图像中每个区域的相同点标记为种子点，把四周类似的像素点加入到种子点区域中，直到不再有任何相似点为止，它的缺点是耗费时间，对噪声感觉敏锐，抗噪能力不佳。

针对上述研究方法出现的问题，提出基于改进模糊聚类算法的CT图像病变区域分割方法，对CT图像进行预处理，通过改进空域滤波器对噪声图像进行滤波去噪，向模糊聚类算法的目标函数和迭代公式中加入空域滤波数据项得到隶属度矩阵，完成CT图像病变区域的分割。

1 CT图像病变区域分割

1.1 CT图像预处理

为了后期处理图像更加方便简洁，将DICOM图像转化为BMP图像，需要对图像进行直方图归一化处理，把图像用直方图方式展现，这样图像中的信息能够用直方图的灰度分布直观的表现，通过观察图像峰值来处理图像信息。脑部图像的直方图如图1所示。

绝大多数图像绘出的直方图都存在两个峰值，可以通过分段线性变换方法使其两个峰值和标准的图像相同。把[S1]，[S2]设置成标准图像的最大与最小值，[μ1]，[μ2]设置成标准图像的两个峰值，[μ1s，μ2s]设置成目标图像的两个峰值。把[m1]，[m2]设置成目标图像的最大、最小值，[p1]，[p2]设置成目标图像过滤合理百分比的包含最小、最大灰度值的像素后的最小、最大灰度值。则直方图归一化如式（1）：

直方图归一化效果如图2所示。分析图2能够得出，脑部图像的亮度产生变化，不同输入图像的灰度值基本统一，可为改进模糊聚类算法进行图像病变区域分割时的参数初始化提供可靠服务。

1.2 获取CT图像病变区域

脑部血块CT图像中包括了脑蛋白质、脑灰质、血块部位、包围头部的皮肤、脂肪等组织。其中大部分为非病变的区域，为防止其对后期病变图像分割处理形成扰乱，用特殊的方法排除非目标病变的区域。脑部CT图像中的非目标病变区域在头部外围环绕，可以通过医学设备利用其这一特点进行去除，过程如下：

（1） 利用最优阈值法，将图像背景和脑部组织进行分割。

（2） 依靠形态学膨胀处理的技术，利用模板，将微小的噪点过滤，以保留非目标病变区域的连贯性。

（3） 由于非目标病变区域具有良好的环绕性，所以可以在图像两侧确定目标点，将其标记为种子点，采用区域生长法分割非目标病变区域，然后将像素的灰度替换成背景的灰度。

图3准确过滤了外层的头皮同脂肪组织，有效过滤非目标病变区域，获取脑部CT图像目标病变区域，也就是脑部CT图像中的血块区域。

1.3 改进模糊聚类算法实现病变区域分割

由于标准模糊聚类算法仅采用图像的灰度信息，抵御噪声的性能较弱。因此，在模糊聚类算法中融入空域滤波器信息，增强模糊聚类方法的抗噪性能。通过观察滤波后的数据分析模糊聚类算法的进度，由于空域滤波器具有很强的噪声滤除功能，所以可以得到比传统模糊聚类算法更强的降噪性能。将改良后的高斯滤波器和中值滤波器对脑部信息图像进行处理，得到的结果为[G（x，y）]和[M（x，y）]。采用空域滤波器的增强模糊聚类方法的目标函数为：

式中：[I（x，y）]是没被滤波处理过的图像中[（x，y）]数据集；c是聚类中心数；m是算法的模糊加权指数；[V=vi，i=1，2，…，c]为聚类中心类中心向量，[U=μmix，y，i=1，2，…，c]为像素[（x，y）]对第i个聚类中心的模糊隶属度的矩阵；[G（x，y）]为高斯滤波器滤波结果；[M（x，y）]为中值滤波器滤波结果；[α]与[β]为贬责因子，[α]衡量了高斯滤波器在聚类过程中的价值度，[α]越大，高斯滤波器的价值越高，对高斯噪声的去除效果越好，[β]越大，中值滤波器的价值越高，对椒盐噪声的去除效果越明显，[α]和[β]的选择需要依据合理的数值。利用拉格朗日乘数法能够获得聚类中心与模糊隶属度矩阵的更新公式如下：

式中，[i=1，2，…，c]。空域滤波器的操作结果在聚类进程里有很大的改进效用，控制贬责因子，能够确保图像细节的最大化，增强图像分割质量。

改进模糊聚类算法的流程如下：

（1） 对算法进行处理。挑选最终误差阈值[ε]，以及最高迭代次数[N0]。

（2） 背景、脑白质、脑灰质、脑脊液和血块区组成了CT脑血块图像，设置c=5。初始聚类中心[V=vi，i=1，2，…，c]。初始化迭代计数器的值N为0。

（3） 利用改进的空域滤波器对CT图进行降噪处理，将滤波的数值分别用[G（x，y）]和[M（x，y）]描述。

（4） 通过改进模糊聚类算法调整隶属度矩阵和中心。

（5） 计算两次迭代的误差[V（b+1）-Vb]，若[V（b+1）-Vb≤ε]或迭代计数器N达到最大迭代次数[N0]，那么结束运算，否则迭代计数器N=N+1，转向步骤（4）。

以上步骤进行后，通过阈值化处理模糊隶属度矩阵，取其每行中的最大数，将其标记为1号，其他则为0。确定隶属度矩阵，可以利用它准确分割出脑部CT图像中的血块。

2 病变区域图像分割的软件实现

结合CT图像的预处理以及改进模糊聚类算法聚类过程，可得到改进模糊聚类算法实现CT图像病变区域分割的步骤如下：

（1） 将CT图像转换成通用图像；

（2） 用直方图归一化方法处理输入图像；

（3） 归一化后，将图像上的非病变组织部分过滤掉；

（4） 通过初始参数值训练得到初始聚类中心信息；

（5） 采用改进空域滤波器处理已输入系统的CT图像；

（6） 按照改进模糊聚类算法式（3）调整模糊隶属度矩阵；

（7） 按照改进模糊聚类算法式（3）调整聚类中心；

（8） 计算两次迭代的误差，如果误差低于阈值，则转向步骤（2），否则转向步骤（5）；

（9） 阈值化模糊的隶属度矩阵，得到分割后的脑血块区域数据。

改进模糊聚类算法分割图像的总体流程图见图4。

3 实验结果分析

为验证本文算法的有效性，进行相应的实验。采用麻省总医院形态特征分析中心所提供的人脑图像作为测试数据，将本文算法的迭代终止阈值设置为[ε=0.001]，最大迭代次数为1 000，使初始聚类中心保存一致。实验利用Matlab 7.0，在Pentium IV 3.0 GHz、内存2 GB的个人计算机上运行。

采用两种方法分割实验人脑CT图像里的血块，对比阈值分割法的聚类结果和本文方法的聚类结果，以此测试本文算法进行病变图像分割的精准线，结果如图5所示。其中，首排为原始聚类中心任意选择的结果，次排为阈值分割法的聚类结果，末排为本文方法的聚类结果。通过图5可以看出，阈值分割法最终数据的重复性不高，也有很多偏差，这是随机选择初始聚类中心进行聚类的结果。而本文算法处理出的脑部血块区域的面积十分接近真实的区域面积，且该方法的重复性很可观，出现的误差也远比用初始聚类中心进行聚类少很多。将人脑的三幅CT图进行分割，分别是血块区与周围灰度差异很小的图像、血块区与周围灰度差异很大的图像和血块图。将分割后得出的数据与阈值分割法进行对比，分割结果如图6所示。

图6中从第一排到第五排的图像分别为：人脑CT图、采集颅内组织图、阈值较大的阈值分割图、阈值较小的阈值分割图以及本文方法的分割图。从图6可以看出，阈值分割法在血块区和脑质灰度差别很高时会产生明显的分割效果，但是同样的方法，在血块区与四周的脑质灰度差异不大时，在阈值的选择上就会变得困难。在这两种不同情况发生时，依靠本文方法均可得到优异的血块图像分割结果，在复杂环境干扰下，分割出人脑CT图像中的血块病变区域，具有较高的鲁棒性。可以很直观地证明本文算法具有很强的实用性以及良好的精确度。对比分析本文方法和医生的手动分割效果，如图7所示。从图7能够看出，本文方法分割出的人脑血块同医生手动分割的结果高度匹配，说明本文方法对人脑CT图像中的病变区域分割具有较高的精度。

从表1可以看出，本文方法进行分割只用了1.25 s，而阈值分割法的分割时间为7.38 s，相比而言，本文方法分割效率较高，分割时间最少；本文方法分割复杂度较低，迭代次数为4，远远低于阈值分割法的40次迭代次数；本文方法的图像分割精确度为98.03%，高于阈值分割法的91.25%，说明本文方法在分割的过程中精确度高。综上所述可得，本文方法对脑部CT图像病变区域进行分割时，可获取较优的分割效果，分割性能较强。

4 结 论

本文提出一种融合空域滤波器的改进模糊聚类算法，对CT图像进行预处理，将CT图像变换成通用图像，对图像直方图归一化，使输入图像具有一致直方图灰度分布，用区域生长方法标记非目标区域。改进模糊聚类算法通过改进空域滤波器对噪声图像进行滤波去噪，在模糊聚类算法的目标函数和迭代公式中融入空域滤波数据项，确定隶属度矩阵，完成CT图像的分割。实验结果说明，所提方法在人脑CT图像血块区域分割过程中，具有较高的分割效率和分割精度，并且对噪声具有较高的鲁棒性。

参考文献

[1] 李玲，余后强.基于K均值聚类算法提取CT图像的肺部肿瘤[J].甘肃科学学报，2015，27（1）：58?61.

[2] 黄丽平.基于多层螺旋CT的肝脏图像分割方法研究[D].长春：吉林大学，2014.

[3] 王丽艳，戚大伟.基于模糊聚类分析的木材缺陷CT图像分割[J].森林工程，2014，30（3）：59?62.

[4] 陈晶晶，赵德春，彭承琳，等.基于改进大津法和模糊聚类的CT图像肺实质分割方法的比较研究[J].航天医学与医学工程，2014，27（6）：448?452.

[5] 陈俊熹，陈灵娜，李丽华.基于局域模糊聚类和Chan?Vese模型的CT医学图像分割[J].南华大学学报（自然科学版），2015（2）：108?113.

[6] 赵静.基于模糊C均值聚类和多特征匹配的CT图像淋巴结检测方法[D].西安：西安电子科技大学，2014.

[7] 汪亮，金福江，陈峻严.基于区域生长和FCM模糊聚类的颅内出血CT图像分割[J].系统仿真学报，2014，26（2）：231?235.

[8] 刘雅婧.基于核模糊聚类的变分水平集医学图像分割算法研究[D].镇江：江苏大学，2014.

[9] 王晓红，赵于前，廖苗，等.基于空间模糊C均值与区域生长的腹部CT序列图像肾脏自动分割[J].中南大学学报（自然科学版），2014（10）：3463?3469.