多分辨率多上下文的腦磁共振圖像自動(dòng)分割

1、年第卷第期微電子學(xué)與計(jì)算機(jī)多分辨率多上下文的腦磁共振圖像自動(dòng)分割阮宗才摘周振宇（東南大學(xué)學(xué)習(xí)科學(xué)研究中心，江蘇南京）要：文章提出了一種新的腦磁共振圖像自動(dòng)閾值分割算法，該算法綜合多分辨率和多上下文的思想，具有更好的抗噪聲能力。多分辨率閾值法只考慮了多尺度下灰度級(jí)的一致性，不能兼顧圖像各局部之間的不均勻性，而多上下文方法恰好彌補(bǔ)了這方面的不足。臨床腦磁共振圖像實(shí)驗(yàn)的結(jié)果表明，多分辨率多上下文的算法（）改進(jìn)了分類精度，抗噪聲能力優(yōu)于單上下文的方法。關(guān)鍵詞：多分辨率，多上下文，磁共振圖像，圖像分割中圖分類號(hào)：文獻(xiàn)標(biāo)識(shí)碼：文章編號(hào)：（），（，）：，（）：，引言醫(yī)學(xué)圖像分割的對(duì)象是實(shí)際情況中遇到的形個(gè)峰

2、值，通過(guò)選擇灰度不同的閾值，分割目標(biāo)圖像，可以大致分割得到人腦結(jié)構(gòu)的灰質(zhì)和白質(zhì)區(qū)域。如果一幅圖像有著明顯的峰值，那么我們選擇分割的閾值是非常容易的。然而，在實(shí)際實(shí)驗(yàn)中，我們都很難得到很好的閾值，來(lái)提取人腦的白質(zhì)結(jié)構(gòu)。由于噪聲的普遍存在，傳統(tǒng)的閾值分割方法得到的效果很不好，即便是考慮空間相關(guān)性的二維直方圖閾值法，都很難滿足醫(yī)學(xué)統(tǒng)計(jì)學(xué)上的要求。對(duì)一幅圖像而言，不同的區(qū)域，比如說(shuō)目標(biāo)區(qū)域或背景區(qū)域，同一區(qū)域內(nèi)的象素，在位置和灰度級(jí)上同時(shí)具有較強(qiáng)的一致性和相關(guān)性?；谛〔ㄗ儞Q的多分辨率閾值法，能夠有效地避免灰度級(jí)噪聲的影響。但是醫(yī)學(xué)圖像中各局部之間經(jīng)常存在亮度和對(duì)比度不均勻現(xiàn)象，如果只用一個(gè)固定的全局

3、閾值對(duì)整幅圖像進(jìn)行分割，則由于不能兼顧圖像各處的情況而使分割效果受到影響。解決不均勻現(xiàn)象的辦法就是用與象素位置相關(guān)的一組閾值（即閾值是坐標(biāo)的函數(shù)）來(lái)對(duì)圖像各局部分別進(jìn)行分割。多上下文聚類法是一種比較狀復(fù)雜、形態(tài)學(xué)特征多變的解剖結(jié)構(gòu)，而且很少有有效的模型來(lái)描述這些結(jié)構(gòu)。通常，醫(yī)學(xué)圖像的分割是在有限的先驗(yàn)知識(shí)的指導(dǎo)下識(shí)別圖像中的區(qū)域。磁共振（）圖像是一類常見(jiàn)的醫(yī)學(xué)圖像，圖像人腦分割的目標(biāo)是提取腦組織解剖結(jié)構(gòu)的輪廓，并將人腦中各體素標(biāo)記為所屬的組織。目前，腦圖像分割的主要應(yīng)用有：可視化和定量分析解剖及功能皮層結(jié)構(gòu)，指導(dǎo)神經(jīng)外科手術(shù)，映射皮層表面，測(cè)量體積，評(píng)估功能及形狀的改變，研究人腦的發(fā)育和老化機(jī)

4、理等。傳統(tǒng)的基于直方圖的閾值分析是建立在一幅圖像的不同的組成部分存在較大的區(qū)域特征，而直方圖可以很清楚的表明圖像的組成部分。一般對(duì)于人腦圖像，它的灰度直方圖包含有一個(gè)或者多收稿日期：基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（）東南大學(xué)預(yù)研基金項(xiàng)目（）微電子學(xué)與計(jì)算機(jī)年第卷第期新穎的方法，它對(duì)每個(gè)象素進(jìn)行多鄰域的重復(fù)多閾值分割，最后得到一個(gè)加權(quán)的分類結(jié)果。這種與位置相關(guān)的多閾值法對(duì)抗不均勻噪聲的能力很強(qiáng)，對(duì)一些用全局閾值不易分割的圖像有較好的效果。本文綜合基于多分辨率和多上下文的思想，提出了一種新的腦磁共振圖像自動(dòng)閾值分割算法，使算法具有更好的抗噪聲能力。對(duì)圖像的直方圖曲線按上式進(jìn)行多分辨分解，利用分解系

5、數(shù)"，從粗到細(xì)，則可以找出圖像的$分割閾值。算法步驟如下：步驟：預(yù)設(shè)分割區(qū)域?yàn)?，分解?jí)數(shù)，由圖像中的最大灰度值確定；步驟：對(duì)直方圖曲線（）進(jìn)行級(jí)二進(jìn)小波分解，得到"$，!，$"；步驟：從分解系數(shù)"$中，找出滿足和條件的標(biāo)號(hào)（該標(biāo)號(hào)值就是此時(shí)所求的灰度閾值），更新灰度閾值數(shù)組，同時(shí)統(tǒng)計(jì)標(biāo)號(hào)的個(gè)數(shù)；步驟：如果，則，當(dāng)時(shí)，轉(zhuǎn)向步驟；如果，則合并靠得較近的灰度閾值，更新灰度閾值數(shù)組，使得，同時(shí)，當(dāng)時(shí)，轉(zhuǎn)向步驟；步驟：圖像中的每一個(gè)像素值與灰度閾值進(jìn)行比較，對(duì)圖像進(jìn)行分割?；谛〔ㄗ儞Q的多分辨率閾值算法多分辨率方法的基本思想是首先由二進(jìn)制小波變換將圖像分解，得到不

6、同層次直方圖的小波系數(shù)，然后依據(jù)給定的分割準(zhǔn)則和小波系數(shù)選擇閾值門(mén)限，最后利用閾值標(biāo)出圖像分割的區(qū)域。整個(gè)分割過(guò)程是從粗到細(xì)，由尺度變化來(lái)控制。即起始分割由粗略的（）子空間上投影的直方圖來(lái)實(shí)現(xiàn)，如果分割不理想，則利用直方圖在精細(xì)的子空間上的小波系數(shù)逐步細(xì)化圖像分割。分割算法的計(jì)算量與圖像尺寸大小呈線性變化。對(duì)于每個(gè)整數(shù)（為整數(shù)集合），改進(jìn)的多分辨率多上下文分割算法在上面的方法中，我們是把一幅圖像作為，表示在分辨率下的二進(jìn)制有理數(shù)。因#一個(gè)完整的分割目標(biāo)進(jìn)行處理的。但是醫(yī)學(xué)圖像中各局部之間經(jīng)常存在亮度和對(duì)比度不均勻現(xiàn)象，很自然的一個(gè)想法是，如果我們將圖像分割成網(wǎng)格狀，分別對(duì)小塊的圖像區(qū)域進(jìn)行分割

7、處理，可能會(huì)得到比上面更好的分割結(jié)果。這種方法可以保留更多的局部細(xì)節(jié)信息，但是它不可能從相鄰網(wǎng)格獲取相應(yīng)的信息，而且它對(duì)于圖像分割的連續(xù)性有一定的破壞。多上下文方法是一種新穎的方法，它對(duì)每個(gè)象素進(jìn)行滑動(dòng)窗口多鄰域的重復(fù)多閾值分割，可以減少固定網(wǎng)格所產(chǎn)生的問(wèn)題。由此，我們就得出了一種新的方法，多分辨率多上下文的閾值分割算法（），它既能夠保留原來(lái)的優(yōu)點(diǎn)，又可以使得分割的結(jié)果有很好的連續(xù)性和較可靠的統(tǒng)計(jì)學(xué)意義。在這個(gè)方法中，滑動(dòng)窗口的形狀必須首先決定的。在我們的實(shí)驗(yàn)中，我們選擇了一個(gè)矩形用于處理二維的大腦磁共振圖像。我們只需要給出移動(dòng)窗口的大小參數(shù)：此，對(duì)于任何，是一組在實(shí)數(shù)軸上等間隔采樣點(diǎn)集合，如

8、果，則表示低分辨率的采樣點(diǎn)；反之，則表示高分辨率的采樣點(diǎn)。假定（，）表示為一幅圖像，是圖像（，）中最大灰度，則直方圖表示為：（，）：（，）；%（）"，&（）表示計(jì)數(shù)操作，（）是離散函數(shù)。式中，“”令（）（），%，離散函數(shù)（）表示成，&連續(xù)函數(shù)（），（）可以看作是由幾個(gè)分段常數(shù)函數(shù)組成。對(duì)于，按采樣點(diǎn)"采樣，則表$進(jìn)一步可以用尺示在分辨率下的直方圖。度函數(shù)!（）的平移與伸縮表示，即：（）!（）其它"（）(（）!（）（）由于連續(xù)函數(shù)（）由若干分段常數(shù)函數(shù)組成，存在階梯現(xiàn)象，需用濾波操作平滑處理函數(shù)（），去掉其高頻成分。多層表達(dá)曲線（）可以表示為：+,+

9、×+×,（）其中和分別表示輸入圖像的寬和高，而表示圖像的象素總數(shù)，表示已經(jīng)經(jīng)過(guò)處理的輸入圖像的灰度值為零的背景象素總數(shù)。再通過(guò)給定的參數(shù)我們就可以計(jì)算出矩形窗口的寬和高。通過(guò)我們?cè)敿?xì)的定義，那么在原始輸入圖像中不同（）(!，（）（）其中)，!，!（）$"，!，$年第卷第期微電子學(xué)與計(jì)算機(jī)的切片層采用不同的矩陣大小來(lái)對(duì)腦組織進(jìn)行分割處理。我們?cè)趯?shí)驗(yàn)中應(yīng)該注意的是這四個(gè)參數(shù)必須滿足如下的定義：腦組成部分。作為對(duì)比，圖（）圖（）是運(yùn)用改進(jìn)前的小波多分辨率閾值算法的分割效果圖像。我們僅從外囊和內(nèi)囊附近的分割就可以發(fā)現(xiàn)，改進(jìn)的移動(dòng)，從上往下以步長(zhǎng)移動(dòng)。（）算法可以把大腦圖像

10、中的細(xì)微信息更好的挖掘出來(lái)，而且不會(huì)把灰質(zhì)成分錯(cuò)誤地劃分為白質(zhì)成分。其中圖（）、（）為白質(zhì)；圖（）、（）為灰；圖（）、（）為腦脊液；圖（）、（）為三者的疊加圖?；瑒?dòng)窗口的移動(dòng)法則如下，它從左向右以步長(zhǎng)（）（）在實(shí)際操作中，我們對(duì)二維腦磁共振圖像采用××，那么，在圖像處理過(guò)程中，有效處理面積中存在的象素都處于個(gè)計(jì)算窗口內(nèi)。在計(jì)算過(guò)程中，在每一次移動(dòng)窗口的內(nèi)部，上節(jié)的算法被使用直到整幅圖像都處理完成，這樣大多數(shù)象素都被賦予了個(gè)不完全一致的隸屬關(guān)系：灰質(zhì)，白質(zhì)或者腦脊液。最后，我們使用一個(gè)最大隸屬度原則最終來(lái)確定該象素的性質(zhì)。結(jié)束語(yǔ)本文提出了一種新的腦磁共振圖像自動(dòng)閾值分割算法，該算法綜合多分辨率和多上下文的思想，具有更好的抗噪聲能力。多分辨率閾值法只考慮了多尺度下灰度級(jí)的一致性，不能兼顧圖像各局部之間的不均勻性，而多上下文方法恰好彌補(bǔ)了這方面的不足。臨床腦磁共振圖像實(shí)驗(yàn)的結(jié)果表明，多分辨率多上下文的算法（）改進(jìn)了分類精度，抗噪聲能力優(yōu)于單上下文的方法。實(shí)驗(yàn)結(jié)果圖給出實(shí)驗(yàn)用的已經(jīng)去腦殼的人腦二維圖像的灰度直方圖，我們可以看出該直方圖沒(méi)有明顯的峰值和谷點(diǎn)。這樣就意味著很難通過(guò)簡(jiǎn)單的閾值方法對(duì)大腦的灰質(zhì)和白質(zhì)進(jìn)行分割。參考文獻(xiàn)：，（）：，（）：蘆蓉，沈毅一種改進(jìn)的二維直