一种基于模糊C均值和均值漂移的肝脏区域提取方法与流程

本发明涉及提取超声图像中器官区域图像的方法，具体而言，涉及一种基于模糊C均值和均值漂移的肝脏区域提取方法。

背景技术：

超声检查是一种将超声波应用于人体检测的技术，它利用人体对超声波反射的强弱成像，测量生理或组织结构的形态及密度等数据，发现疾病症状。作为一种常规的身体检查手段，超声检查拥有众多优点。首先它利用的是超声波，对人体无伤害，是一种安全的检查手段。与此相反的是利用各种射线的检查，对人体有着较大的伤害。其次，超声检查的价格便宜，一次检查的费用通常为几十元，普通人都可以承受。而CT、磁共振的检查费用则昂贵得多。另外，超声近些年的检测精度得到了较大的提高，比如在腹部检查方面，超声已经可以检查出小肝癌。然而超声也有其自身的缺陷，比如超声图像模糊，容易受到噪声的影响，导致超声中病灶的定位比较困难。因此目前超声常常用于体检、筛查，而CT、磁共振则用于确症。

肝脏在超声中有以下特点：内部不均匀，导致肝脏很难提取完整；外部与其他区域相连接，导致将其他器官误加入进来。现有技术中，有人采用高斯金字塔构造多分辨率图像，从而减少超声中斑点噪声的影响。也有人采用各向异性扩散滤波提高超声图像的质量，然后使用Chan-Vese活动轮廓分割图像，但对于肝脏图像提取来说，一种存在着噪声大，分割困难，获取的图像不精确等问题。中国专利201210131489.7提供了一种基于超声图像和三维模型的肝脏体积测量方法，包括以下步骤：利用肝脏图谱建立三维肝脏模型；获取肝脏指定切面的超声图像，并进行图像分割获得超声图像中肝脏的边缘轮廓线；将所述超声图像与所述三维肝脏模型配准；以超声图像中肝脏的边缘轮廓线为参考图像，对三维肝脏模型进行弹性变形；以一组平行等间隔的平面切割变形后的三维肝脏模型，计算所有切断面的面积之和与相邻两个切断面的间距的乘积，将计算结果作为肝脏的体积，该方法测量方便快速，对人体无任何损害，可反复测量，但不能有效解决超声图像中的噪声问题。中国专利201510299989.5提供了一种基于快速凸优化算法配准三维CT与超声肝脏图像的方法。该基于快速凸优化算法配准三维CT与超声肝脏图像的方法包括下述过程：将超声和CT图像分辨率调整到相同；对超声和CT图像的基于刚体变换的粗配准；提取多模态图像配准的统一特征信息；计算当前非刚性形变场u(x)下，数据项中的D(u)和D(u)的梯度场对逐步凸优化方法的每一步进行模型求解，得到形变场最优矫正值h(x)，更新形变场，直到h(x)很小；根据求解的非刚性形变场，对超声图像变换，与CT图像配准；该现有技术通过建立合理的模型，设计出快速、精确的三维超声CT肝脏图像配准算法，但也未能有效解决超声图像中的噪声问题。

技术实现要素：

为克服现有技术中存在的超声图像中肝脏区域噪声大、与其他区域相连接而导致的难提取完整的问题，本发明提供了一种基于模糊C均值和均值漂移的肝脏区域提取方法。

本发明的技术方案是：一种基于模糊C均值和均值漂移的肝脏区域提取方法，包括如下步骤：

步骤1：预处理，具体的，采用均值漂移(Mean Shift)滤波合并图像中相邻且仅有较小区别的区域，从而获得均匀一致的图像区域；

步骤2：粗分割，具体的，采用添加邻域信息的FCM(FCM_S)算法分割图像，提取肝脏的主体区域；

步骤3：边缘亮度补偿，对步骤2提取的肝脏主体区域中的边缘区域进行亮度补偿；

步骤4：肝脏区域分割，具体的，对步骤3亮度补偿后的图像再次采用FCM_S算法分割图像。

在一些实施方式中，步骤1中，所述Mean Shift滤波步骤包括：

步骤11：初始化y_i，1＝x_i，即将特征y_i，1初始化为像素x_i的原始特征，其中，i是像素下标，1表示第一轮循环；

步骤12：根据式(1)计算y_i，j+1，式(1)为：

其中，x_k是像素的原始特征，y_i，j是j轮迭代的结果，g是核函数，h是核函数的带宽；

步骤13：当y_i，j+1＝y_i，j时，获得最终结果为y_i，c。

在一些实施方式中，所述核函数g为高斯核函数。

在一些实施方式中，所述步骤2中FCM_S算法分割图像方法为：采用FCM_S算法，通过不断迭代使目标函数最小化的方法得到超声波肝脏区域图像中像素的隶属度的值，然后根据最大隶属度原则对像素进行划分，实现图像的分割。

在一些实施方式中，通过FCM_S算法减小图像中的噪声的影响，提取肝脏的大概位置。

在一些实施方式中，所述添加了邻域相关性信息的FCM_S算法的目标函数为：

式(2)：

其中，N_j表示像素j的邻域，N_r代表的是邻域N_j中像素的数目，i是像素类别下标，其中，共有C个类别，j是像素下标，其中，共有N个像素，m是调节模糊隶属度的权重指数，d_ij＝||x_j-v_i||为第j个像素x_j与第i个聚类中心v_i的灰度差值，d_ir＝||x_r-v_i||为像素x_r与第i个聚类中心v_i的灰度差值，u_ij是x_j相对于v_i的模糊隶属度,α是调节控制邻域影响的参数。

在一些实施方式中，所述模糊隶属度是像素归属于某个类别的概率，其值属于[0，1]，对于一个像素，其属于各个类别的模糊隶属度之和为1，即式(3)：

在一些实施方式中，求解式(2)在式(3)条件下的极值，具体的，采用拉格朗日乘子法对各个变量求导，得模糊隶属度u_ij以及聚类中心v_i的迭代公式：

式(4)：

式(5)：

通过式(4)和式(5)的迭代，使目标函数，即式(2)，逐渐趋于最小化，获得每个像素的隶属度，从而实现图像的分割。

在一些实施方式中，所述步骤3亮度补偿依据为：边缘若较亮，则可能扩大了肝脏的区域，而边缘若较暗，则可能缩小了肝脏区域，具体方法为：扩展步骤2中获得的肝脏边缘区域亮区域中暗的部分，及扩展肝脏边缘区域暗区域中亮的部分。

与现有技术相比，本发明的有益效果是：本发明提供的一种基于模糊C均值和均值漂移的肝脏区域提取方法，使用均值漂移(Mean Shift)滤波合并图像中相邻且仅有较小区别的区域，从而获得均匀一致的图像区域，并采用添加了邻域相关性信息的FCM(FCM_S)算法，从多个聚类中提取完整的前景区域，提高抗噪能力，减少误分类的情况，同时结合了亮度补偿机制，减少光照不均匀的影响，从而获得了比较完整的肝脏区域。

附图说明

图1是本发明提供的一种基于模糊C均值和均值漂移的肝脏区域提取方法步骤流程图；

图2是未经过均值漂移(Mean Shift)滤波预处理的超声图像；

图3是经过均值漂移(Mean Shift)滤波预处理的超声图像；

图4是通过FCM算法聚类结果的所获取的图像示例；

图5是通过FCM_S算法聚类结果的所获取的图像示例；

图6是经过亮度补偿处理所获取的图像示例；

图7是对亮度补偿处理后所获取的图像再次进行FCM_S算法聚类结果的所获取的图像示例。

具体实施方式

以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

图1至图7示意性地显示了根据本发明披露的一种基于模糊C均值和均值漂移的肝脏区域提取方法。

如图1所示，本发明披露的一种基于模糊C均值和均值漂移的肝脏区域提取方法，提出的方法结合了采用添加了邻域相关性信息的FCM(FCM_S)算法和均值漂移(Mean Shift)滤波以及边缘亮度补偿，使用均值漂移(Mean Shift)滤除噪声区域，使用采用添加了邻域相关性信息的FCM(FCM_S)算法减少误分类的情况，使用亮度补偿减少光照不均匀的影响。

以下是本发明提出的肝脏区域提取方案：

如图2所示，初始的超声图像，其背景亮度不均匀，容易影响区域的分割，因此，做为本发明的一个发明点，本发明披露的一种基于模糊C均值和均值漂移的肝脏区域提取方法包括步骤1：预处理，采用均值漂移(Mean Shift)滤波合并图像中相邻且仅有较小区别的区域，从而获得均匀一致的图像区域。

具体的，Mean Shift滤波步骤包括：

步骤11：初始化y_i，1＝x_i，即将特征y_i，1初始化为像素x_i的原始特征，其中，i是像素下标，1表示第一轮循环；

步骤12：根据式(1)计算y_i，j+1，式(1)为：

其中，x_k是像素的原始特征，y_i，j是j轮迭代的结果，g是核函数，h是核函数的带宽；

步骤13：当y_i，j+1＝y_i，j时，获得最终结果为y_i，c。

如图3所示，通过步骤1均值漂移(Mean Shift)滤波后的图像与图2相比，其亮度趋于一致，图像更加清晰，便于后续的分隔工作。

本发明披露的一种基于模糊C均值和均值漂移的肝脏区域提取方法还包括步骤2：粗分割，采用采用添加了邻域相关性信息的FCM(FCM_S)分割图像，提取肝脏的主体区域，即通过不断迭代使目标函数最小化的方法得到超声波肝脏区域图像中像素的隶属度的值，然后根据最大隶属度原则对像素进行划分，实现图像的分割，减小图像中的噪声的影响，提取肝脏的大概位置。

传统的FCM算法为：

设图像I，FCM的目标函数为式(7)：

FCM：

其中，i是像素类别下标，其中，共有C个类别，j是像素下标，其中，共有N个像素，m是调节模糊隶属度的权重指数，d_ij＝||x_j-v_i||为第j个像素x_j与第i个聚类中心v_i的灰度差值，u_ij是x_j相对于v_i的模糊隶属度。

模糊隶属度是像素归属于某个类别的概率，其值属于[0，1]，对于一个像素，其属于各个类别的模糊隶属度之和为1，即

式(3)：

求解式(7)在式(3)条件下的极值，具体的，采用拉格朗日乘子法对各个变量求导，得模糊隶属度u_ij以及聚类中心v_i的迭代公式：

式(8)：

式(9)：

通过式(8)和式(9)的迭代，使目标函数，即式(7)，逐渐趋于最小化，获得每个像素的隶属度，从而实现图像的分割。

如图4所示，上述原始FCM算法的最大问题在于，目标函数没有包含任何空间信息，导致受噪声影响很大，只利用像素本身的信息，这带来的问题是抗噪能力差，由于噪声一般是独立存在的，与周围像素区分明显，因此算法容易将噪声单独形成一个区域，从而使得原本完整的区域中充满了孔洞。原始FCM的另一个问题是当一个区域的颜色不均匀时，容易将之分成数个区域，增加后期处理的难度。于是，为了解决上述问题，在本发明的此实施方式中，在FCM算法上添加了邻域相关性信息，得到添加了邻域相关性信息的FCM算法(FCM_S)的目标函数为：

式(2)：

其中，N_j表示像素j的邻域，N_r代表的是邻域N_j中像素的数目，i是像素类别下标，其中，共有C个类别，j是像素下标，其中，共有N个像素，m是调节模糊隶属度的权重指数，d_ij＝||x_j-v_i||为第j个像素x_j与第i个聚类中心v_i的灰度差值，d_ir＝||x_r-υ_i||为像素x_r与第i个聚类中心v_i的灰度差值，u_ij是x_j相对于v_i的模糊隶属度,α是调节控制邻域影响的参数。

模糊隶属度是像素归属于某个类别的概率，其值属于[0，1]，对于一个像素，其属于各个类别的模糊隶属度之和为1，即

式(3)：

求解式(2)在式(3)条件下的极值，具体的，采用拉格朗日乘子法对各个变量求导，得模糊隶属度u_ij以及聚类中心v_i的迭代公式：

式(3)：

式(4)：

通过式(3)和式(4)的迭代，使目标函数，即式(2)，逐渐趋于最小化，获得每个像素的隶属度，从而实现图像的分割，减小图像中的噪声的影响，提取肝脏的大概位置。

如图5所示，本发明披露的添加了邻域相关性信息FCM算法(FCM_S)中，通过在FCM算法上添加了邻域相关性信息，其得到的图像与图4相比，减小图像中的噪声的影响，其肝脏区域更加清晰。即便如此，任然存在一些问题，比如：由于FCM分类时只使用亮度信息，而光照不均匀容易产生误分类情况，因此，此次操作的结果与真实肝脏有较大的差别。因而，本发明披露的上述添加了邻域相关性信息FCM算法操作是下一步操作的准备工作，目的是提取肝脏的主体区域。

而作为本发明另一分发明点，本发明披露的一种基于模糊C均值和均值漂移的肝脏区域提取方法还包括步骤3：亮度补偿，即对步骤2提取的肝脏主体区域中的边缘区域进行亮度补偿。作为优选的，在本发明的此实施方式中，只在上一步获得的边缘区域进行亮度补偿，即上述步骤2中的FCM算法被用于初次分割，获得肝脏的大概位置，然后在边缘区域进行亮度补偿。在本发明的此实施方式中，所述步骤3亮度补偿的依据为：边缘若较亮，则可能扩大了肝脏的区域，而边缘若较暗，则可能缩小了肝脏区域，具体方法为具体方法为：若为亮区域则扩展暗的部分，若为暗区域则扩展亮的部分，这是由于肝脏边缘若较亮，可能扩大了肝脏的区域，而肝脏边缘若较暗，则可能缩小了肝脏区域。如图6所示，通过亮度补偿后的图像，明显减少了光照不均匀的影响，因此，可避免产生误分类的现象。

如图7所示，作为进一步优选的，本发明披露的一种基于模糊C均值和均值漂移的肝脏区域提取方法还包括步骤4：肝脏区域分割，即对步骤3中通过亮度补偿后的图像再次采用FCM_S算法分割图像。同步骤2，FCM_S算法的目标函数为：

式(2)：

其中，N_j表示像素j的邻域，N_r代表的是邻域N_j中像素的数目，i是像素类别下标，其中，共有C个类别，j是像素下标，其中，共有N个像素，m是调节模糊隶属度的权重指数，d_ij＝||x_j-v_i||为第j个像素x_j与第i个聚类中心v_i的灰度差值，d_ir＝||x_r-v_i||为像素x_r与第i个聚类中心v_i的灰度差值，u_ij是x_j相对于υ_i的模糊隶属度,α是调节控制邻域影响的参数。。

模糊隶属度是像素归属于某个类别的概率，其值属于[0，1]，对于一个像素，其属于各个类别的模糊隶属度之和为1，即

式(3)：

求解式(2)在式(3)条件下的极值，具体的，采用拉格朗日乘子法对各个变量求导，得模糊隶属度u_ij以及聚类中心v_i的迭代公式：

式(3)：

式(4)：

通过式(3)和式(4)的迭代，使目标函数，即式(2)，逐渐趋于最小化，获得每个像素的隶属度，从而实现图像的分割。

在步骤4中，FCM_S算法分割图像输入是亮度补偿后的图像，因此能够获得了较好的分割效果，分割后，肝脏通常是占面积最大的器官，利用这个先验知识可以提取前景中最大的部分为肝脏。

为了验证本发明提出的算法，将本发明的方法在超声图像上进行了测试。将本发明披露的一种基于模糊C均值和均值漂移的肝脏区域提取方法与原始的FCM以及单独采用FCM_S进行比较，其中，聚类数目3，α＝1。如图4、图5及图7所示，其中图4是原始FCM的结果，图5是FCM_S算法的结果，图7是本发明披露的一种基于模糊C均值和均值漂移的肝脏区域提取方法的结果，从图4、图5及图7可以看出传统的FCM的结果比较碎，而FCM_S的结果则完整了一些，本发明提出的方法得到的结果最好。可见本发明提出的一种基于模糊C均值和均值漂移的肝脏区域提取方法能够提高FCM的分类效果。

为了获得更准确地比较数据，将实验中使用的超声图像进行了手工分割，提取出完全正确的肝脏部分作为参照对象。然后使用上述算法提取肝脏区域，并与正确的参考结果比较，得到与正确率P＝TP/(TP+FP)、召回率R＝TP/AP，其中TP是分类正确的像素数，FP是分类错误的像素数，AP是肝脏区域像素的总数。从表1中可以看出本发明披露的一种基于模糊C均值和均值漂移的肝脏区域提取方法的正确率P和召回率R较FCM和FCM_I算法均有所提高。

表1本发明披露的方法与FCM和FCM_I算法的性能比较

综上所述，本发明披露的一种基于模糊C均值和均值漂移的肝脏区域提取方法在实验中获得较好的提取效果。该方法使用均值漂移(Mean Shift)滤波合并图像中相邻且仅有较小区别的区域，从而获得均匀一致的图像区域，并采用添加了邻域相关性信息的FCM(FCM_S)算法，从多个聚类中提取完整的前景区域，提高抗噪能力，减少误分类的情况，同时结合了亮度补偿机制，减少光照不均匀的影响，从而获得了比较完整的肝脏区域。

上述说明示出并描述了本发明的优选实施例，如前所述，应当理解本发明并非局限于本发明所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本发明所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。