MedicalImage13医学图像分类

医学图像处理信自学院生医系1第六章医学图像分类6.1医学图像分类概述6.2单谱图像分类6.3多谱图像分类6.4模糊聚类分割26.1医学图像分类概述图像分析技术分类的三种基本范畴低级处理：图像获取、预处理，不需要智能中级处理：图像分割、表示与描述，需要智能高级处理：图像识别、解释，缺少理论，为降低难度，设计得更专用。3图像分析技术分类的三种基本范畴知识库分割表达与描述识别与解释预处理图像获取低级处理高级处理中级处理结果问题6.1医学图像分类概述46.1医学图像分类概述分类：根据被识别对象的某些特征判明其属于已知类别中的哪一类。匹配：确定被识别对象和一个已知对象在某个方面是否相同或相似，以及相似的程度。MRI分类：脑灰质、脑白质、脑脊液、大脑皮层、背景56.2单谱图像分类6.2.1单谱图像分类原理6.2.2基于灰度和纹理参数的组织分类6.2.3基于松弛迭代法的分类66.2.1单谱图像分类原理单谱图像：单一模式、单通道的医学图像。MRI图像中，脑灰质、脑白质、脑脊液、大脑皮层、背景五类分布函数间相互覆盖，所以不能用简单的阈值进行分类。76.2.1单谱图像分类原理利用单谱图像的灰度和某一特征参量进行分类，例如：灰度纹理特征二维特征空间86.2.2基于灰度和纹理参数的组织分类1、选取聚类中心（灰度，纹理参数）的值，N类组织共有N个中心；2、计算被识别象素到各中心的欧式距离，与哪一类中心的距离最近就归为该类（或用K近邻法）；3、重新计算各类组织的聚类中心值；4、若收敛则对被识别象素进行归类，否则至2继续。96.2.2基于灰度和纹理参数的组织分类

K－近邻分类法K近邻分类法(K-NN)是模式识别中一种非常有效的分类器。方法：1、设有M个类别L1，L2，…，LM，每类有Ni个学习样本，每个学习样本有K个特征值。2、计算被识别的象素与每个学习样本的距离：其中Cj是被识别对象的第j个特征值，Clj是第l个样本的第j个特征值。106.2.2基于灰度和纹理参数的组织分类

K－近邻分类法3、将dl按从小到大的顺序排列，并选取前n个距离值；4、分析这n个距离值中各有多少个距离分别属于L1，L2，…，LM类5、若属于Li类的距离值最多，则被识别象素属于Li类。若取n=1来进行判断，则称为最近邻法。116.2.3基于松弛迭代法的分类

对边界处象素的分类，根据被识别象素的邻域中各象素的概率迭代更新该象素的概率。算法：1、初始分类：根据Bayes准则对各类组织计算初始概率Pi0(λ)（n＝0）；2、计算相容系数ri,i+δ(λ,λ’)

；3、根据8邻域中的象素概率ri,i+δ(λ,λ’)重新计算Pin+1

(λ);4、重复（3），直至Pin

(λ)＝Pin+1

(λ)；5、Pin

(λ)最大则被识别象素属于λ类。126.3多谱MR图像分类6.3.1基本概念多谱图像：同一时间获取的同一个人相同解剖结构的Pd、T1、T2加权象。人体不同器官的正常组织与病理组织的T1是相对固定的，而且它们之间有一定的差别，T2也是如此（见下表）。这种组织间弛豫时间上的差别，是MRI的成像基础。有如CT时，组织间吸收系数（CT值）差别是CT成像基础的道理。但MRI不像CT只有一个参数，即吸收系数，而是有T1、T2和自旋核密度（Pd）等几个参数，其中T1与T2尤为重要。因此，获得选定层面中各种组织的T1（或T2）值，就可获得该层面中包括各种组织影像。正常颅脑的T1与T2值（ms）组织T1T2胼胝体38080桥脑44575延髓475100小脑58590大脑600100脑脊液1155145头皮23560骨髓3208013人体不同组织T1WI和T2WI上的灰度MRI图像虽然也以不同灰度显示，但反映的是MR信号强度的不同或弛豫时间T1与T2的长短，而不象CT图象，灰度反映的是组织密度。MRI图像如主要反映组织间T1特征参数时，为T1加权象（T1weightedimage，T1WI），它反映的是组织间T1的差别。如主要反映组织间T2特征参数时，则为T2加权像（T2weightedimage，T2WI）。因此，一个层面可有T1WI和T2WI两种扫描成像方法。分别获得T1WI与T2WI有助于显示正常组织与病变组织。正常组织，如脑神经各种软组织间T1差别明显，所以T1WI有利于观察解剖结构，而T2WI则对显示病变组织较好。在T1WI上，脂肪T1短，MR信号强，影像白；脑与肌肉T1居中，影像灰；脑脊液T1长；骨与空气含氢量少，MR信号弱，影像黑。在T2WI上，则与T1WI不同，例如脑脊液T2长，MR信号强而呈白影。14156.3多谱MR图像分类6.3.2原理1、人工选取初始分类点，计算各类组织的均值形成初始聚类中心；2、采用k-近邻法对象素进行分类；3、迭代校正聚类中心（各类组织的均值）；4、若收敛，即聚类中心稳定，则迭代结束。加权距离公式：K＝1，2，…,5166.4聚类分割技术6.4.1C均值聚类6.4.2模糊C均值聚类法6.4.3ISODATA算法176.4.1C均值聚类法186.4.2模糊C均值聚类法一、原理求使代价函数达到最小的和象素点的集合(共有n个象素）第j个象素点属于第k类组织的隶属度第k类组织的中心灰度第j个象素点的灰度隶属度的加权指数，决定模糊程度组织类别数196.4.2模糊C均值聚类法二、算法步骤（P＝1）1、确定C、m及容许误差εmax

（P＝1）2、确定初始聚类中心（P＝1）3、计算隶属度Ujlj=1,…n，l=1,…,C（P＝P+1）4、修正Vl(P+1)，l=1,…,C206.4.2模糊C均值聚类法二、算法步骤5、计算误差ε6、若ε<εmax,则算法结束；否则转向37、算法结束后对象素进行分类

方法一：若ujl

>

ujk

，则Xj归入l类方法二：若,则Xj归入l类216.4.2模糊C均值聚类法三、FCM(FuzzyC—mean，模糊C均值)算法总结

由MR成像设备获取的图像具有内在的不确定性或模糊性，这种不确定性的程度依赖于许多因素，如：热／电噪声，磁场的不均匀性，生物组织的多样性，不同个体之间的差异性以及部分容积效应(partialvolumeeffect)等。这些因素造成了MR图像组织之间的混迭，在不同的组织之间难以找到清晰的边界，这给分割磁共振图像带来了很大的困难。经典的聚类算法将每一个辨识对象严格地划分为属于某一类。但是在实际上某些对象并不具有严格的属性，它们可能位于两类之间，这时采用模糊聚类可以获得更好的效果。226.4.2模糊C均值聚类法三、FCM(FuzzyC—mean，模糊C均值)算法总结模糊聚类分析是非监督模式识别的主要技术之一。在各种聚类算法中，模糊C一均值(FCM)聚类算法的应用较为广泛。FCM用于图像分割时是一种非监督模糊聚类过程，应用时可以减少人为干预，非常适合于灰度图像中存在不确定性和模糊性的特点，而且对噪声不太敏感。MR成像设备获取的图像具有内在的不确定性或模糊性，因此模糊C一均值(FCM)聚类算法也非常适合于核磁共振图像。作为一种模糊聚类算法，该算法是通过模糊目标函数的最优化来实现聚类，因而一般要迭代求解。该类算法的特点是赋予每个数据点一个用来表明该数据点对各个类隶属程度的概率值，而不是像“硬”聚类那样，认为每点只能属于某一特定类。236.4.2模糊C均值聚类法模糊c均值聚类算法中m表示模糊隶属度的加权指数，m值越大，对应划分的模糊性越强。模糊参数m可以取大于或等于1的任何值。当m=1时，模糊聚类就退化为硬c均值聚类；当m→∞时，所有对象聚类的隶属度倾向于c的倒数1/c，此时的划分是最模糊的；m的最佳选择范围为[1.5，2.5]，通常m=2是比较理想的取值。246.4.3ISODATA算法迭代自组织的数据分析算法（ISODATA）是一种动态聚类，在模式识别领域里的应用比较广泛，它是一种基于样本间相似性度量的非监督学习方法。

ISODATA算法在没有什么先验知识的情况下进行分类，是一种无监督分类，它是先选择若干样本作为聚类中心，再按照最小距离准则使其余样本向各中心聚集，从而得到初始聚类，然后判断初始聚类结果是否符合要求，若不符，则将聚类集进行分裂和合并处理，以获得新的聚类中心(聚类中心是通过样本均值的迭代运算来决定的)，再判断聚类结果是否符合要求。如此反复迭代，直到完成聚类划分操作。25ISODATA算法基本步骤：(1)设置聚类分析控制参数；(2)将准备分类的样本值读人；(3)初始化分类，按照与聚类中心距离最小的原则将各样本分类；(4)类分裂，如果在同一类中样本分布太过密集或者类的数目太过少，这说明在这一空间上一定还存在不止一个的集群中心，从而需要将该类进行分裂操作，具体来说，就是设置类内各样本分布标准差上限，如果同类中样本距离超过此限度将被分裂，否则保留，然后再次转到第二步；(5)类合并，如果两类相隔太近，说明这两类中的样本分类的必要性不充分，根据一定条件将其合并，具体来说，就是设置类与类之间的距离下限，如果低于此下限则合并两类，或者是某一类中的样本数目过于少而不足以成为一类时，也可以考虑将该类合并到其他类中去，然后再次转到第二步；(6)如此往复的进行分类、判断、分裂或合并操作，如果达到了预计的分类效果，或者操作次数已经达到一定数目，则完成算法。

26第1步：给定以下控制参数：是期望得到的聚类数；是一个聚类中的最少样本数；是标准偏差参数；是类间合并参数；是每次迭代允许合并的最大聚类对数；是允许迭代的次数。同时设定初始聚类数以及初始聚类中心第2步：按照最近邻准则将所有样本分到各个不同聚类中去，即若，其中，则

。是第个聚类，其中心为。具体算法如下：设有N个样本组成的样本集，27第3步：若有任何一个，其基数（即属于该类的样本个数），则舍去，并令。第4步：计算各类的参数：(1)聚合中心(2)类内平均距离(3)类内总平均距离第5步：若是偶数次迭代或分类数大于期望分类数的2倍，转向第8步。

28第6步：对每个聚类，用下列公式求标准偏差式中是第个样本的第个分量，是第个聚类中心的第个分量。，若大于规定值且有（1）且类内样本数或（2）分类数小于期望分类数的0.5倍，则将其分裂为两个新的聚类。

对每一个聚类，求出具有最大标准偏差的分量29第7步：对所有聚类中心，计算两两之间的距离将小于指定值的前个从小到大排列，是第1步给定的每次迭代可允许合并的最大聚类对数。从最小的