MedicalImage13醫(yī)學(xué)圖像分類(lèi)

醫(yī)學(xué)圖像處理信自學(xué)院生醫(yī)系1第六章醫(yī)學(xué)圖像分類(lèi)6.1醫(yī)學(xué)圖像分類(lèi)概述6.2單譜圖像分類(lèi)6.3多譜圖像分類(lèi)6.4模糊聚類(lèi)分割26.1醫(yī)學(xué)圖像分類(lèi)概述圖像分析技術(shù)分類(lèi)的三種基本范疇低級(jí)處理：圖像獲取、預(yù)處理，不需要智能中級(jí)處理：圖像分割、表示與描述，需要智能高級(jí)處理：圖像識(shí)別、解釋?zhuān)鄙倮碚?，為降低難度，設(shè)計(jì)得更專(zhuān)用。3圖像分析技術(shù)分類(lèi)的三種基本范疇知識(shí)庫(kù)分割表達(dá)與描述識(shí)別與解釋預(yù)處理圖像獲取低級(jí)處理高級(jí)處理中級(jí)處理結(jié)果問(wèn)題6.1醫(yī)學(xué)圖像分類(lèi)概述46.1醫(yī)學(xué)圖像分類(lèi)概述分類(lèi)：根據(jù)被識(shí)別對(duì)象的某些特征判明其屬于已知類(lèi)別中的哪一類(lèi)。匹配：確定被識(shí)別對(duì)象和一個(gè)已知對(duì)象在某個(gè)方面是否相同或相似，以及相似的程度。MRI分類(lèi)：腦灰質(zhì)、腦白質(zhì)、腦脊液、大腦皮層、背景56.2單譜圖像分類(lèi)6.2.1單譜圖像分類(lèi)原理6.2.2基于灰度和紋理參數(shù)的組織分類(lèi)6.2.3基于松弛迭代法的分類(lèi)66.2.1單譜圖像分類(lèi)原理單譜圖像：?jiǎn)我荒Ｊ健瓮ǖ赖尼t(yī)學(xué)圖像。MRI圖像中，腦灰質(zhì)、腦白質(zhì)、腦脊液、大腦皮層、背景五類(lèi)分布函數(shù)間相互覆蓋，所以不能用簡(jiǎn)單的閾值進(jìn)行分類(lèi)。76.2.1單譜圖像分類(lèi)原理利用單譜圖像的灰度和某一特征參量進(jìn)行分類(lèi)，例如：灰度紋理特征二維特征空間86.2.2基于灰度和紋理參數(shù)的組織分類(lèi)1、選取聚類(lèi)中心（灰度，紋理參數(shù)）的值，N類(lèi)組織共有N個(gè)中心；2、計(jì)算被識(shí)別象素到各中心的歐式距離，與哪一類(lèi)中心的距離最近就歸為該類(lèi)（或用K近鄰法）；3、重新計(jì)算各類(lèi)組織的聚類(lèi)中心值；4、若收斂則對(duì)被識(shí)別象素進(jìn)行歸類(lèi)，否則至2繼續(xù)。96.2.2基于灰度和紋理參數(shù)的組織分類(lèi)

K－近鄰分類(lèi)法K近鄰分類(lèi)法(K-NN)是模式識(shí)別中一種非常有效的分類(lèi)器。方法：1、設(shè)有M個(gè)類(lèi)別L1，L2，…，LM，每類(lèi)有Ni個(gè)學(xué)習(xí)樣本，每個(gè)學(xué)習(xí)樣本有K個(gè)特征值。2、計(jì)算被識(shí)別的象素與每個(gè)學(xué)習(xí)樣本的距離：其中Cj是被識(shí)別對(duì)象的第j個(gè)特征值，Clj是第l個(gè)樣本的第j個(gè)特征值。106.2.2基于灰度和紋理參數(shù)的組織分類(lèi)

K－近鄰分類(lèi)法3、將dl按從小到大的順序排列，并選取前n個(gè)距離值；4、分析這n個(gè)距離值中各有多少個(gè)距離分別屬于L1，L2，…，LM類(lèi)5、若屬于Li類(lèi)的距離值最多，則被識(shí)別象素屬于Li類(lèi)。若取n=1來(lái)進(jìn)行判斷，則稱(chēng)為最近鄰法。116.2.3基于松弛迭代法的分類(lèi)

對(duì)邊界處象素的分類(lèi)，根據(jù)被識(shí)別象素的鄰域中各象素的概率迭代更新該象素的概率。算法：1、初始分類(lèi)：根據(jù)Bayes準(zhǔn)則對(duì)各類(lèi)組織計(jì)算初始概率Pi0(λ)（n＝0）；2、計(jì)算相容系數(shù)ri,i+δ(λ,λ’)

；3、根據(jù)8鄰域中的象素概率ri,i+δ(λ,λ’)重新計(jì)算Pin+1

(λ);4、重復(fù)（3），直至Pin

(λ)＝Pin+1

(λ)；5、Pin

(λ)最大則被識(shí)別象素屬于λ類(lèi)。126.3多譜MR圖像分類(lèi)6.3.1基本概念多譜圖像：同一時(shí)間獲取的同一個(gè)人相同解剖結(jié)構(gòu)的Pd、T1、T2加權(quán)象。人體不同器官的正常組織與病理組織的T1是相對(duì)固定的，而且它們之間有一定的差別，T2也是如此（見(jiàn)下表）。這種組織間弛豫時(shí)間上的差別，是MRI的成像基礎(chǔ)。有如CT時(shí)，組織間吸收系數(shù)（CT值）差別是CT成像基礎(chǔ)的道理。但MRI不像CT只有一個(gè)參數(shù)，即吸收系數(shù)，而是有T1、T2和自旋核密度（Pd）等幾個(gè)參數(shù)，其中T1與T2尤為重要。因此，獲得選定層面中各種組織的T1（或T2）值，就可獲得該層面中包括各種組織影像。正常顱腦的T1與T2值（ms）組織T1T2胼胝體38080橋腦44575延髓475100小腦58590大腦600100腦脊液1155145頭皮23560骨髓3208013人體不同組織T1WI和T2WI上的灰度MRI圖像雖然也以不同灰度顯示，但反映的是MR信號(hào)強(qiáng)度的不同或弛豫時(shí)間T1與T2的長(zhǎng)短，而不象CT圖象，灰度反映的是組織密度。MRI圖像如主要反映組織間T1特征參數(shù)時(shí)，為T(mén)1加權(quán)象（T1weightedimage，T1WI），它反映的是組織間T1的差別。如主要反映組織間T2特征參數(shù)時(shí)，則為T(mén)2加權(quán)像（T2weightedimage，T2WI）。因此，一個(gè)層面可有T1WI和T2WI兩種掃描成像方法。分別獲得T1WI與T2WI有助于顯示正常組織與病變組織。正常組織，如腦神經(jīng)各種軟組織間T1差別明顯，所以T1WI有利于觀察解剖結(jié)構(gòu)，而T2WI則對(duì)顯示病變組織較好。在T1WI上，脂肪T1短，MR信號(hào)強(qiáng)，影像白；腦與肌肉T1居中，影像灰；腦脊液T1長(zhǎng)；骨與空氣含氫量少，MR信號(hào)弱，影像黑。在T2WI上，則與T1WI不同，例如腦脊液T2長(zhǎng)，MR信號(hào)強(qiáng)而呈白影。14156.3多譜MR圖像分類(lèi)6.3.2原理1、人工選取初始分類(lèi)點(diǎn)，計(jì)算各類(lèi)組織的均值形成初始聚類(lèi)中心；2、采用k-近鄰法對(duì)象素進(jìn)行分類(lèi)；3、迭代校正聚類(lèi)中心（各類(lèi)組織的均值）；4、若收斂，即聚類(lèi)中心穩(wěn)定，則迭代結(jié)束。加權(quán)距離公式：K＝1，2，…,5166.4聚類(lèi)分割技術(shù)6.4.1C均值聚類(lèi)6.4.2模糊C均值聚類(lèi)法6.4.3ISODATA算法176.4.1C均值聚類(lèi)法186.4.2模糊C均值聚類(lèi)法一、原理求使代價(jià)函數(shù)達(dá)到最小的和象素點(diǎn)的集合(共有n個(gè)象素）第j個(gè)象素點(diǎn)屬于第k類(lèi)組織的隸屬度第k類(lèi)組織的中心灰度第j個(gè)象素點(diǎn)的灰度隸屬度的加權(quán)指數(shù)，決定模糊程度組織類(lèi)別數(shù)196.4.2模糊C均值聚類(lèi)法二、算法步驟（P＝1）1、確定C、m及容許誤差εmax

（P＝1）2、確定初始聚類(lèi)中心（P＝1）3、計(jì)算隸屬度Ujlj=1,…n，l=1,…,C（P＝P+1）4、修正Vl(P+1)，l=1,…,C206.4.2模糊C均值聚類(lèi)法二、算法步驟5、計(jì)算誤差ε6、若ε<εmax,則算法結(jié)束；否則轉(zhuǎn)向37、算法結(jié)束后對(duì)象素進(jìn)行分類(lèi)

方法一：若ujl

>

ujk

，則Xj歸入l類(lèi)方法二：若,則Xj歸入l類(lèi)216.4.2模糊C均值聚類(lèi)法三、FCM(FuzzyC—mean，模糊C均值)算法總結(jié)

由MR成像設(shè)備獲取的圖像具有內(nèi)在的不確定性或模糊性，這種不確定性的程度依賴(lài)于許多因素，如：熱／電噪聲，磁場(chǎng)的不均勻性，生物組織的多樣性，不同個(gè)體之間的差異性以及部分容積效應(yīng)(partialvolumeeffect)等。這些因素造成了MR圖像組織之間的混迭，在不同的組織之間難以找到清晰的邊界，這給分割磁共振圖像帶來(lái)了很大的困難。經(jīng)典的聚類(lèi)算法將每一個(gè)辨識(shí)對(duì)象嚴(yán)格地劃分為屬于某一類(lèi)。但是在實(shí)際上某些對(duì)象并不具有嚴(yán)格的屬性，它們可能位于兩類(lèi)之間，這時(shí)采用模糊聚類(lèi)可以獲得更好的效果。226.4.2模糊C均值聚類(lèi)法三、FCM(FuzzyC—mean，模糊C均值)算法總結(jié)模糊聚類(lèi)分析是非監(jiān)督模式識(shí)別的主要技術(shù)之一。在各種聚類(lèi)算法中，模糊C一均值(FCM)聚類(lèi)算法的應(yīng)用較為廣泛。FCM用于圖像分割時(shí)是一種非監(jiān)督模糊聚類(lèi)過(guò)程，應(yīng)用時(shí)可以減少人為干預(yù)，非常適合于灰度圖像中存在不確定性和模糊性的特點(diǎn)，而且對(duì)噪聲不太敏感。MR成像設(shè)備獲取的圖像具有內(nèi)在的不確定性或模糊性，因此模糊C一均值(FCM)聚類(lèi)算法也非常適合于核磁共振圖像。作為一種模糊聚類(lèi)算法，該算法是通過(guò)模糊目標(biāo)函數(shù)的最優(yōu)化來(lái)實(shí)現(xiàn)聚類(lèi)，因而一般要迭代求解。該類(lèi)算法的特點(diǎn)是賦予每個(gè)數(shù)據(jù)點(diǎn)一個(gè)用來(lái)表明該數(shù)據(jù)點(diǎn)對(duì)各個(gè)類(lèi)隸屬程度的概率值，而不是像“硬”聚類(lèi)那樣，認(rèn)為每點(diǎn)只能屬于某一特定類(lèi)。236.4.2模糊C均值聚類(lèi)法模糊c均值聚類(lèi)算法中m表示模糊隸屬度的加權(quán)指數(shù)，m值越大，對(duì)應(yīng)劃分的模糊性越強(qiáng)。模糊參數(shù)m可以取大于或等于1的任何值。當(dāng)m=1時(shí)，模糊聚類(lèi)就退化為硬c均值聚類(lèi)；當(dāng)m→∞時(shí)，所有對(duì)象聚類(lèi)的隸屬度傾向于c的倒數(shù)1/c，此時(shí)的劃分是最模糊的；m的最佳選擇范圍為[1.5，2.5]，通常m=2是比較理想的取值。246.4.3ISODATA算法迭代自組織的數(shù)據(jù)分析算法（ISODATA）是一種動(dòng)態(tài)聚類(lèi)，在模式識(shí)別領(lǐng)域里的應(yīng)用比較廣泛，它是一種基于樣本間相似性度量的非監(jiān)督學(xué)習(xí)方法。

ISODATA算法在沒(méi)有什么先驗(yàn)知識(shí)的情況下進(jìn)行分類(lèi)，是一種無(wú)監(jiān)督分類(lèi)，它是先選擇若干樣本作為聚類(lèi)中心，再按照最小距離準(zhǔn)則使其余樣本向各中心聚集，從而得到初始聚類(lèi)，然后判斷初始聚類(lèi)結(jié)果是否符合要求，若不符，則將聚類(lèi)集進(jìn)行分裂和合并處理，以獲得新的聚類(lèi)中心(聚類(lèi)中心是通過(guò)樣本均值的迭代運(yùn)算來(lái)決定的)，再判斷聚類(lèi)結(jié)果是否符合要求。如此反復(fù)迭代，直到完成聚類(lèi)劃分操作。25ISODATA算法基本步驟：(1)設(shè)置聚類(lèi)分析控制參數(shù)；(2)將準(zhǔn)備分類(lèi)的樣本值讀人；(3)初始化分類(lèi)，按照與聚類(lèi)中心距離最小的原則將各樣本分類(lèi)；(4)類(lèi)分裂，如果在同一類(lèi)中樣本分布太過(guò)密集或者類(lèi)的數(shù)目太過(guò)少，這說(shuō)明在這一空間上一定還存在不止一個(gè)的集群中心，從而需要將該類(lèi)進(jìn)行分裂操作，具體來(lái)說(shuō)，就是設(shè)置類(lèi)內(nèi)各樣本分布標(biāo)準(zhǔn)差上限，如果同類(lèi)中樣本距離超過(guò)此限度將被分裂，否則保留，然后再次轉(zhuǎn)到第二步；(5)類(lèi)合并，如果兩類(lèi)相隔太近，說(shuō)明這兩類(lèi)中的樣本分類(lèi)的必要性不充分，根據(jù)一定條件將其合并，具體來(lái)說(shuō)，就是設(shè)置類(lèi)與類(lèi)之間的距離下限，如果低于此下限則合并兩類(lèi)，或者是某一類(lèi)中的樣本數(shù)目過(guò)于少而不足以成為一類(lèi)時(shí)，也可以考慮將該類(lèi)合并到其他類(lèi)中去，然后再次轉(zhuǎn)到第二步；(6)如此往復(fù)的進(jìn)行分類(lèi)、判斷、分裂或合并操作，如果達(dá)到了預(yù)計(jì)的分類(lèi)效果，或者操作次數(shù)已經(jīng)達(dá)到一定數(shù)目，則完成算法。

26第1步：給定以下控制參數(shù)：是期望得到的聚類(lèi)數(shù)；是一個(gè)聚類(lèi)中的最少樣本數(shù)；是標(biāo)準(zhǔn)偏差參數(shù)；是類(lèi)間合并參數(shù)；是每次迭代允許合并的最大聚類(lèi)對(duì)數(shù)；是允許迭代的次數(shù)。同時(shí)設(shè)定初始聚類(lèi)數(shù)以及初始聚類(lèi)中心第2步：按照最近鄰準(zhǔn)則將所有樣本分到各個(gè)不同聚類(lèi)中去，即若，其中，則

。是第個(gè)聚類(lèi)，其中心為。具體算法如下：設(shè)有N個(gè)樣本組成的樣本集，27第3步：若有任何一個(gè)，其基數(shù)（即屬于該類(lèi)的樣本個(gè)數(shù)），則舍去，并令。第4步：計(jì)算各類(lèi)的參數(shù)：(1)聚合中心(2)類(lèi)內(nèi)平均距離(3)類(lèi)內(nèi)總平均距離第5步：若是偶數(shù)次迭代或分類(lèi)數(shù)大于期望分類(lèi)數(shù)的2倍，轉(zhuǎn)向第8步。

28第6步：對(duì)每個(gè)聚類(lèi)，用下列公式求標(biāo)準(zhǔn)偏差式中是第個(gè)樣本的第個(gè)分量，是第個(gè)聚類(lèi)中心的第個(gè)分量。，若大于規(guī)定值且有（1）且類(lèi)內(nèi)樣本數(shù)或（2）分類(lèi)數(shù)小于期望分類(lèi)數(shù)的0.5倍，則將其分裂為兩個(gè)新的聚類(lèi)。

對(duì)每一個(gè)聚類(lèi)，求出具有最大標(biāo)準(zhǔn)偏差的分量29第7步：對(duì)所有聚類(lèi)中心，計(jì)算兩兩之間的距離將小于指定值的前個(gè)從小到大排列，是第1步給定的每次迭代可允許合并的最大聚類(lèi)對(duì)數(shù)。從最小的