新型模糊C均值聚类算法脑MRI图像的稳定分割

简介：
作为一种关键的医学影像技术，在神经科学领域的研究和实践中具有重要意义。该技术可使医生和科研人员得以观测大脑的结构与功能。在MRI数据分析过程中，将磁共振成像中的脑脊液、灰质和白质分离开来是一种关键的技术步骤。尽管如此，这一任务具有较高的难度，在医学图像分析领域一直是当前研究的一个重点方向。 通常情况下，图像分割一般可以划分为手动分割和自动提取两大类。其中，手动分割多由医疗专家完成，并被广泛应用于临床环境。然而，这一过程往往耗费大量时间。针对这一挑战，研究者们开发出多种自动化脑部MRI图像分割方法，包括基于水平集（level set）、聚类、期望最大化（EM）以及图割（graph cut）等技术的方案。其中，聚类方法基于物体内部点之间比不同物体之间的点更相似的假设来进行物体分类。在聚类技术领域中，通常可区分地分为硬聚类与模糊聚类两大类别。对于硬聚类算法而言，在处理图像数据时，每一像素或体素将被明确分配至单一指定的类别。相比之下，在模糊聚类体系中，采用如FCM等算法时，每个像素或体素会根据其属性分配到多个类别中的相应程度。这种特性赋予了该方法在处理存在不确定性与模糊性的问题方面显著的优势。在本研究中，我们创新性地提出了一种新型模糊C均值聚类方法，并旨在对脑部MRI图像进行分割处理。该方法充分利用了图像的强度信息和空间特征数据。通过引入一种既考虑偏置场（bias field）又兼顾邻域影响作用的规则化技术，从而有效应对具有不均匀性和噪声干扰的图像分割挑战。实验结果表明，在脑部MRI图像分割任务中，与期望最大化算法以及传统模糊C均值方法相比，该创新性FCM方法展现出更为准确和可靠的性能表现。称为迭代优化方法的EM算法，在计算涉及潜在变量的概率模型参数估计问题中被广泛应用。在MRI图像分割任务中，常用以建模 MRI 图像像素强度的统计特性，并通过反复更新每个体素组织类型的概率来实现图像分割。本研究的参与者包括来自南京理工大学计算机科学与工程学院的研究人员Min Li、Zhikang Xiang、Limei Zhang、Zhichao Lian以及Liang Xiao等。这些研究人员的工作得到了2017年第13届自然计算、模糊系统和知识发现国际会议（ICNC-FSKD2017）的支持，并呈现了相应的研究成果。 该研究的目标是提出一种新方法，能够更好地应对MRI图像中的不均匀性和噪声，并通过实验验证其在脑部分割任务中优于现有技术。这一方法不仅展示了更高的准确性，而且在鲁棒性方面表现优异。这些优势为医生和研究人员提供了更精确的大脑结构和功能图像，从而有助于提高诊断效率并促进疾病研究的进展。