伍强，陈赛明，涂蓉

海南医学院附属医院 a.设备科；b.医学影像科，海南 海口 570102

FCM和Level Set在医学影像分割中的应用

伍强a，陈赛明a，涂蓉b

海南医学院附属医院 a.设备科；b.医学影像科，海南 海口 570102

目的 探讨 RGAC-M（改进的区域几何活动轮廓模型），用于更准确地分割医学图像。方法通过分析区域几何活动轮廓模型（RGAC）在医学图像分割中存在的缺陷，并对其区域项进行改进，提出了RGAC-M模型。该模型采用多种子初始化方式，降低了算法对初始条件的敏感性，同时也减少了人工干预。结果 利用RGAC-M对多种脑组织（灰质、白质、脑脊液以及背景等）进行分割，取得了良好效果。结论 RGAC-M可减少图像分割的迭代次数，提高图像分割速度和图像质量。

核磁共振成像；图像分割；模糊聚类；几何活动轮廓模型

1 研究背景

对医学影像系统进行数据挖掘中，更准确地提取有用信息和医学图像中医学结构，是医学图像分析的重要问题；是可视化、医疗诊断和治疗方案制定的前提。由于医学图像的结构复杂性、多变性，以及病人个体之间的差异等因素，仅利用单一的图像信息，要准确地分割和测量医学目标是比较困难的。利用不同的图像信息，融合多种分割技术，是获得准确分割结果的有效途径。

图像的分割方法可以大体分为基于区域和基于边缘的分割方法两种。两种分割方法各有自己的优点和缺陷。相对而言，基于区域的分割方法对噪声不敏感，但容易过分割，且边缘的定位精度还需要提高。与基于区域的方法相比，基于边缘的方法有较高的定位准确度，缺点则是对噪声敏感度高。基于边缘的分割方法和基于区域的分割方法之间具有互补性，将二者结合不谛是个很好的选择。有关文献[1]提出了一种将变形边界查找与基于区域的分割方法相结合的分割模型，利用基于区域的分割方法来辅助边界查找。已有研究报道，区域内和区域间的灰度方差测度，进而构造了区域能量项[2]，用于对左心室的分割。在活动轮廓模型（GAC）[3-4]框架下融合了边缘和区域信息，通过目标函数对区域内灰度和运动参数的最大后验概率来追踪运动目标，从而获得良好效果。 Suri[5-6]提出一种将图像区域、边缘、梯度信息融合的算法，称为基于区域的几何活动轮廓模型（RGAC），采用水平体系（Level Set）曲线进化技术[7]来分割脑白质和灰质的边界， 该算法易实现，边界估计准确。但也存在以下缺点：进化速度慢、分割性能受误差门限和迭代次数影响，对图像灰度空域变化不能取得满意的结果[6]。聚类选择对分割结果很重要，需要慎重选择。

本文对RGAC模型的区域项进行了改进，解决了RGAC模型可能存在的不稳定性问题，降低了初始参数设置对图像分割质量的影响。改进后的算法（下称RGAC- M）：① 减少了图像分割的迭代次数，提高了图像分割速度；② 将RGAC模型扩展到可以对多种脑组织（灰质、白质、脑脊液以及背景等）进行分割，并取得良好效果。

2 FCM算法

3 基于区域活动轮廓模型

4 算法改进与实现

5 实验与讨论

5.1 算法分割性能比较

实验图像从Brainweb[9]下载，取第96 切片图像共10 幅。RGAC 算法的参数设置遵从文献[5]。RGAC- M参数设置为: ωR= 7，ωe= 0.5 ,ε= 0.025，Δt = 0.1。算法采用多种子初始化方式，16 ×16 个种子均匀分布在图像域内，两种算法的迭代终止条件相同。新分入的像素比例分别为10-3、10-4、10-4，且分别对应白质（WM）、灰质（GM）、脑脊液（CSF）。或者迭代次数＞500 次。图像的分割结果，见图1。

与图1（a）中的标准图相比较, 图1（b）的白质分割结果中，左中部(圆圈位置)、下部和右上部、中部（圆圈位置） 等多处没有很好地分割出来，左侧脑室的分割是不成功的，整体的分割效果明显不如图1（c）中对应位置的分割结果；图1（b）中灰质的分割，左中部、上部和右下部（圆圈位置）脑脊液被误分到灰质中，而图1（c）中对应部分则分割准确；图1（b）中脑脊液的分割应该说是失败的，两侧大部分区域没有分割出来，而图1 (c)中分割准确。分割结果总体上看，RGAC-M明显优于RGAC。这一分析结果可以从表1 的统计结果中得到验证。表中分别就分割结果的评价指标：敏感性( Sensitivity) 、特异性( Specificity)以及误分割( Incorrect Segmentation) 和比较得分(Comparison Score) ( 定义参见有关文献[8])进行了统计；WM、GM、CSF列数据是10幅图像分割结果相应指标按组织平均结果，平均一栏则是3种组织相应指标的平均值。

表1 RGAC-M和RGAC分割结果性能指标比较

从表1可以看出，除了白质的敏感性指标稍低于RGAC外，RGAC- M 的分割总体指标明显高于RGAC，分割质量提高明显。

表1中还对第二阶段Level Set 分割的迭代次数和分割时间进行了统计(分割时间是在CPU 为E6300 ，内存为1GB 的计算机上，在MATLAB615 环境下运行程序的统计结果)。其中，白质分割中迭代次数降低了约15倍,灰质分割降低约8 倍，脑脊液分割降低约10倍。 与RGAC 相比, RGAC- M对3种脑组织分割的平均迭代次数和平均分割时间均降低了10 倍以上,分割速度提高明显。

5.2 噪声条件下分割性能比较

噪声条件下的图像分割比较实验采用T1 加权图像叠加5 %、7 %和9 %高斯白噪声。 两种方法的分割结果，见图2 。从图2（a）可以看出，噪声对RGAC 的影响是明显的，3 幅图像对比可以看到，右下部(图中圈示位置) 分割退化明显：7 %噪声条件下将脑灰质分割到了脑白质中；9 %噪声强度条件下,白质外围边沿部分细节以及脑室分割质量明显下降； 从图2（b）可见，RGAC- M在相应的噪声强度下分割质量较好，退化基本难以察觉。 反映出RGAC- M对噪声的敏感程度低于RGAC，分割质量明显优于RGAC，具有良好的韧性。

5.3 真实图像分割实验

实验图像尺寸256像素×256像素×148 像素， 采用RGAC- M对3个切面的图像进行了分割，分割参数设置与5.1中实验设置相同，横断面图像的分割结果( 显示图像经过剪切处理)，见图3。从图中可以看出，白质中的细长结构以及灰质中脑室部分以及外侧的脑沟都可以准确地分割，分割结果令人满意。

6 结 论

本文在对RGAC分析研究的基础上，针对其存在的分割速度慢、分割质量和分割类别有关系以及参数设置影响分割质量等问题， 对其区域项进行了改进, 使得改进后的RGAC-M能够对WM、GM、CSF以及背景进行分割,克服了RGAC仅能对白质和灰质边界进行分割的限制,而且算法也很容易扩展到对脑部其他组织的分割，提高了分割速度。3种脑组织的分割迭代次数明显降低,速度提高了10倍以上；解决了原算法存在的稳定性问题,使得初始条件对分割质量的影响显著降低,且初始化位置不再局限于待分割目标附近；最后也是最重要的,即 RGAC-M显著提高了分割质量。特别需要指出的是,由于采用多种子初始化方式（RGAC需要输入手工绘制的初始化曲线），分割过程不再需要人工干预，实现了多种脑组织的准自动分割。需要指出的是RGAC-M没有考虑MR 图像的偏置场以及部分容积效应的影响，因此，还需要对该算法进行细致的研究和完善,其中包括图像的预处理和后处理方法, 以进一步提高图像分割质量。

[1] 许凯,秦昆,黄伯和.基于云模型的图像区域分割方法[J].中国图象图形学报,2010,15(5):757-763.

[2] 侯德鹏,刘政清,路远.综合灰度形态学与模糊熵的红外图像区域分割[J].光电技术运用,2007,2(3):56-60.

[3] 沈琦,汪承义,赵斌.几何活动轮廓模型用于高分辨率遥感影像[J].复旦学报,2011,5(1):77-82.

[4] Fractal active contour model for segmenting the boundary of man-made target in nature scenes[A].Optical test and measurement technology and equipment(part two)—proceedings of the 2nd international symposium on advanced optical manufacturing and testing technologies[C].2005 .

[5] J S Suri.White matter/gray matter boundary segmentation using geometric snakes:a fuzzy deformable model[A].Proceeding of the second international conference on advances in pattern recognition[C].London:Springer Verlag,2001:331-338.

[6] J S Suri,K Liu,S Singh,et al.Shape recovery algorithms using level sets in 2d/3d medical imagery:a state of the art review[J].IEEE Trans On Information Technology in Biomedicine,2002,6(1):8-28.

[7] S Osher,R Fedkiw. Level set methods and dynamic implicit surfaces[M].New York: Springer Verlag New York Inc.2003.

[8] C Bailland,C Barillot.Robust 3D segmentation of anatomical structures with level sets[A].Medical image computing and computer assisted intervention[C].Heidelberg:Springer,2000:236 -245.

[9] MCBIC/MNI.BrainWeb:20 anatomical models of 20 normalbrains[DB/OL]. Http://www.bic.mni.cgill.ca/brainweb/ anatomic-normal-20.html,2006-06-12/2007-03-10.

[10] 梁洪,李金.一种肺部CT图像快速分割算法研究[J].中国医疗设备,2011,26(3):28-30.

Application of FCM and Level Set in Medical Image Segmentation

WU Qianga, CHEN Sai-minga, TU Rongb
a. Equipment Department; b. Medical Imaging Department, The Hospital Aff liated to Medical College of Hainan, Haikou Hainan 570102, China

Objective To explore RGAC-M (Region Based Geometric Active Contour-Model), in order to divide medical images more accurately. Methods By analyzing the existing defects of RGAC in medical image segmentation and improving its areas, RGAC-M is put forward, namely, by adopting many ways of substate initialization, reduces the sensibility of arithmetic to initial conditions, and meanwhile decreases manual intervention. Results In the way of various of brain (cinerea, alba, cerebrospinal f uid, background and so on) segmentation, RGAC-M got good result. Conclusion RGAC-M could reduce iterations of image segmentation and improve segmentation speed and image quality.

magnetic resonance imaging; image segmentation; fuzzy clustering; geometric active contour

TP391.41

A

10.3969/j.issn.1674-1633.2012.09.007

1674-1633(2012)09-0038-04

2012-04-25

2012-08-14

海南省自然科学基金项目（310154）资助。

本文作者：伍强，副教授，高级工程师，中华医学会医学工程分会青年委员。

作者邮箱：wq6899@yahoo.com.cn