论文部分内容阅读
肺癌正逐步成为威胁人类生命的癌症之首。肺癌早期是以肺结节的形式表现的,及早发现和治疗是治疗肺癌最有效的方法。肺部肿瘤计算机辅助诊断系统通过医学图像处理技术辅助发现病灶,提高诊断的准确率。进行计算机辅助诊断系统的关键问题是实现对医学影像中的病变组织的正确、快速的分割。肺部影像主要采集手段是拍摄电子计算机断层扫描CT图像。由于CT影像的成像原理使得肺部CT图像中存在大量的噪声和灰度不均匀的问题,精确分割肺部CT图像成为关键问题。目前,基于模糊C均值聚类的图像分割技术得到广泛应用,但是在该方法应用到肺结节分割上仍然存在分割不完整和分割效率低的问题。本文主要研究了基于模糊C均值聚类的肺结节CT图像分割算法模型,主要贡献如下:1)针对血管粘连型肺结节分割算法存在肺结节与血管分割不足的特点,提出一种自适应模糊C均值聚类(Adaptive and Robust Fuzzy C-mean Clustering,ARFCM)肺结节CT图像分割算法模型。由于邻域像素有可能是噪声点或者边缘像素点,不是所有的邻域信息都会对中心像素点产生正相关的影响,所以需要重新定义邻域窗口像素点信息的参考机制。本文根据像素点的特征以及中心像素点的8邻域像素点的灰度波动情况,在目标函数中引入权重因子,自适应更新权重因子,利用权重因子选择不同的模糊项。如果中心像素点为噪声点或边缘点,目标函数会根据权重因子选择适合该情况的模糊因子。实验结果表明,该方法对肺结节的分割效果明显优于其他典型算法。2)针对肺结节分割算法忽略整幅CT图内在结构信息的问题,提出了融合马尔科夫随机场的模糊C均值聚类肺结节CT图像分割算法模型(U-MRF and Fuzzy C-mean Clustering,U-MFCM)。该方法主要利用马尔科夫随机场将像素点的内部结构信息融入到模糊C均值聚类的隶属度矩阵中。首先利用模糊C均值聚类对肺部CT图像进行初始分割,得到中心像素点的初始隶属度矩阵。然后通过马尔科夫随机场将中心像素点的邻域像素进行处理,得到邻域像素的隶属类别标签,再利用中心像素点与邻域像素点的空间邻域关系计算得到中心像素点的隶属度矩阵。最后将模糊隶属度矩阵与马尔科夫随机场的隶属度矩阵进行叠加更新,得到最终的肺结节分割结果。实验结果表明,该方法解决了传统分割方法对图像的过分割问题,提高了肺结节的分割效率。