多分辨率多上下文的脑磁共振图像自动分割

1、年第卷第期微电子学与计算机多分辨率多上下文的脑磁共振图像自动分割阮宗才摘周振宇（东南大学学习科学研究中心，江苏南京）要：文章提出了一种新的脑磁共振图像自动阈值分割算法，该算法综合多分辨率和多上下文的思想，具有更好的抗噪声能力。多分辨率阈值法只考虑了多尺度下灰度级的一致性，不能兼顾图像各局部之间的不均匀性，而多上下文方法恰好弥补了这方面的不足。临床脑磁共振图像实验的结果表明，多分辨率多上下文的算法（）改进了分类精度，抗噪声能力优于单上下文的方法。关键词：多分辨率，多上下文，磁共振图像，图像分割中图分类号：文献标识码：文章编号：（），（，）：，（）：，引言医学图像分割的对象是实际情况中遇到的形个峰

2、值，通过选择灰度不同的阈值，分割目标图像，可以大致分割得到人脑结构的灰质和白质区域。如果一幅图像有着明显的峰值，那么我们选择分割的阈值是非常容易的。然而，在实际实验中，我们都很难得到很好的阈值，来提取人脑的白质结构。由于噪声的普遍存在，传统的阈值分割方法得到的效果很不好，即便是考虑空间相关性的二维直方图阈值法，都很难满足医学统计学上的要求。对一幅图像而言，不同的区域，比如说目标区域或背景区域，同一区域内的象素，在位置和灰度级上同时具有较强的一致性和相关性。基于小波变换的多分辨率阈值法，能够有效地避免灰度级噪声的影响。但是医学图像中各局部之间经常存在亮度和对比度不均匀现象，如果只用一个固定的全局

3、阈值对整幅图像进行分割，则由于不能兼顾图像各处的情况而使分割效果受到影响。解决不均匀现象的办法就是用与象素位置相关的一组阈值（即阈值是坐标的函数）来对图像各局部分别进行分割。多上下文聚类法是一种比较状复杂、形态学特征多变的解剖结构，而且很少有有效的模型来描述这些结构。通常，医学图像的分割是在有限的先验知识的指导下识别图像中的区域。磁共振（）图像是一类常见的医学图像，图像人脑分割的目标是提取脑组织解剖结构的轮廓，并将人脑中各体素标记为所属的组织。目前，脑图像分割的主要应用有：可视化和定量分析解剖及功能皮层结构，指导神经外科手术，映射皮层表面，测量体积，评估功能及形状的改变，研究人脑的发育和老化机

4、理等。传统的基于直方图的阈值分析是建立在一幅图像的不同的组成部分存在较大的区域特征，而直方图可以很清楚的表明图像的组成部分。一般对于人脑图像，它的灰度直方图包含有一个或者多收稿日期：基金项目：国家自然科学基金项目（）东南大学预研基金项目（）微电子学与计算机年第卷第期新颖的方法，它对每个象素进行多邻域的重复多阈值分割，最后得到一个加权的分类结果。这种与位置相关的多阈值法对抗不均匀噪声的能力很强，对一些用全局阈值不易分割的图像有较好的效果。本文综合基于多分辨率和多上下文的思想，提出了一种新的脑磁共振图像自动阈值分割算法，使算法具有更好的抗噪声能力。对图像的直方图曲线按上式进行多分辨分解，利用分解系

5、数"，从粗到细，则可以找出图像的$分割阈值。算法步骤如下：步骤：预设分割区域为，分解级数，由图像中的最大灰度值确定；步骤：对直方图曲线（）进行级二进小波分解，得到"$，!，$"；步骤：从分解系数"$中，找出满足和条件的标号（该标号值就是此时所求的灰度阈值），更新灰度阈值数组，同时统计标号的个数；步骤：如果，则，当时，转向步骤；如果，则合并靠得较近的灰度阈值，更新灰度阈值数组，使得，同时，当时，转向步骤；步骤：图像中的每一个像素值与灰度阈值进行比较，对图像进行分割。基于小波变换的多分辨率阈值算法多分辨率方法的基本思想是首先由二进制小波变换将图像分解，得到不

6、同层次直方图的小波系数，然后依据给定的分割准则和小波系数选择阈值门限，最后利用阈值标出图像分割的区域。整个分割过程是从粗到细，由尺度变化来控制。即起始分割由粗略的（）子空间上投影的直方图来实现，如果分割不理想，则利用直方图在精细的子空间上的小波系数逐步细化图像分割。分割算法的计算量与图像尺寸大小呈线性变化。对于每个整数（为整数集合），改进的多分辨率多上下文分割算法在上面的方法中，我们是把一幅图像作为，表示在分辨率下的二进制有理数。因#一个完整的分割目标进行处理的。但是医学图像中各局部之间经常存在亮度和对比度不均匀现象，很自然的一个想法是，如果我们将图像分割成网格状，分别对小块的图像区域进行分割

7、处理，可能会得到比上面更好的分割结果。这种方法可以保留更多的局部细节信息，但是它不可能从相邻网格获取相应的信息，而且它对于图像分割的连续性有一定的破坏。多上下文方法是一种新颖的方法，它对每个象素进行滑动窗口多邻域的重复多阈值分割，可以减少固定网格所产生的问题。由此，我们就得出了一种新的方法，多分辨率多上下文的阈值分割算法（），它既能够保留原来的优点，又可以使得分割的结果有很好的连续性和较可靠的统计学意义。在这个方法中，滑动窗口的形状必须首先决定的。在我们的实验中，我们选择了一个矩形用于处理二维的大脑磁共振图像。我们只需要给出移动窗口的大小参数：此，对于任何，是一组在实数轴上等间隔采样点集合，如

8、果，则表示低分辨率的采样点；反之，则表示高分辨率的采样点。假定（，）表示为一幅图像，是图像（，）中最大灰度，则直方图表示为：（，）：（，）；%（）"，&（）表示计数操作，（）是离散函数。式中，“”令（）（），%，离散函数（）表示成，&连续函数（），（）可以看作是由几个分段常数函数组成。对于，按采样点"采样，则表$进一步可以用尺示在分辨率下的直方图。度函数!（）的平移与伸缩表示，即：（）!（）其它"（）(（）!（）（）由于连续函数（）由若干分段常数函数组成，存在阶梯现象，需用滤波操作平滑处理函数（），去掉其高频成分。多层表达曲线（）可以表示为：+,+

9、×+×,（）其中和分别表示输入图像的宽和高，而表示图像的象素总数，表示已经经过处理的输入图像的灰度值为零的背景象素总数。再通过给定的参数我们就可以计算出矩形窗口的宽和高。通过我们详细的定义，那么在原始输入图像中不同（）(!，（）（）其中)，!，!（）$"，!，$年第卷第期微电子学与计算机的切片层采用不同的矩阵大小来对脑组织进行分割处理。我们在实验中应该注意的是这四个参数必须满足如下的定义：脑组成部分。作为对比，图（）图（）是运用改进前的小波多分辨率阈值算法的分割效果图像。我们仅从外囊和内囊附近的分割就可以发现，改进的移动，从上往下以步长移动。（）算法可以把大脑图像

10、中的细微信息更好的挖掘出来，而且不会把灰质成分错误地划分为白质成分。其中图（）、（）为白质；图（）、（）为灰；图（）、（）为脑脊液；图（）、（）为三者的叠加图。滑动窗口的移动法则如下，它从左向右以步长（）（）在实际操作中，我们对二维脑磁共振图像采用××，那么，在图像处理过程中，有效处理面积中存在的象素都处于个计算窗口内。在计算过程中，在每一次移动窗口的内部，上节的算法被使用直到整幅图像都处理完成，这样大多数象素都被赋予了个不完全一致的隶属关系：灰质，白质或者脑脊液。最后，我们使用一个最大隶属度原则最终来确定该象素的性质。结束语本文提出了一种新的脑磁共振图像自动阈值分割算法，该算法综合多分辨率和多上下文的思想，具有更好的抗噪声能力。多分辨率阈值法只考虑了多尺度下灰度级的一致性，不能兼顾图像各局部之间的不均匀性，而多上下文方法恰好弥补了这方面的不足。临床脑磁共振图像实验的结果表明，多分辨率多上下文的算法（）改进了分类精度，抗噪声能力优于单上下文的方法。实验结果图给出实验用的已经去脑壳的人脑二维图像的灰度直方图，我们可以看出该直方图没有明显的峰值和谷点。这样就意味着很难通过简单的阈值方法对大脑的灰质和白质进行分割。参考文献：，（）：，（）：芦蓉，沈毅一种改进的二维直