Liu Jing 1, HUANG Yu-qing 1, 2 Wangyong juin

(1. École d'ingénierie de l'information, Université du Sud-Ouest de la science et de la technologie, Mianyang 621000, Chine; 2. École de l'information électronique, Université du Sichuan, Chengdu 610000)

Les images médicales répartition grise incertaine floue, de poids et d'autres caractéristiques de la pollution sonore, propose un nouvel algorithme amélioré FLICM pour améliorer encore la précision des algorithmes de segmentation et une image médicale immunité au bruit. FLICM strictement selon l'algorithme de descente de gradient dérivé et obtenu une nouvelle appartenance au cluster Expression Center, puis concevoir une information de gradation de pixel utilisation complète FLICM et l'information spatiale partielle algorithme amélioré. Par rapport à l'algorithme de segmentation d'images médicales de FLICM d'origine, ce qui est une meilleure performance anti-bruit, segmentation plus précise. L'analyse théorique et résultats expérimentaux montrent que l'algorithme amélioré est plus approprié pour le diagnostic médical clinique.

médicale; C- floue moyenne locale (FLICM); méthode de descente de gradient, l'information spatiale locale

TP391 Code du document: ADOI: 10,19358 / j.issn.16747720.2016.23.014

. Liu Jing, HUANG Yu-qing, Wang Yongjun recherche pour améliorer la segmentation d'images médicales FLICM base [J] SES APPLICATIONS, 2016,35 (23): 49-51,58.

0 introduction

Avec le développement rapide de la technologie de l'imagerie médicale, l'imagerie médicale joue un rôle de plus en plus important dans la recherche biomédicale et la pratique clinique. techniques de segmentation d'images peuvent être utilisées pour obtenir l'objet d'intérêt, extraits précis, reproductibles, rencontrent physiopathologie de données quantifiables différents besoins de la recherche et les applications cliniques de la physiologie médicale. En raison des effets tels que le bruit, l'effet de champ, en effets locaux comme le corps, l'acquisition d'images médicales inévitablement caractéristiques floues, inégales, ce qui dans les images médicales compliquées. Améliorer la précision de la segmentation de l'image, dans l'analyse de cas, le diagnostic clinique et le traitement est important.

En raison de la complexité des images médicales, algorithme de segmentation de classification floue [1] est le premier choix pour la segmentation d'images médicales. algorithme classique FCM [2] fait partie d'un procédé de recherche locale, sensible à la position centrale de la grappe initiale, afin de surmonter sa valeur initiale sujet sensible, Mekhmoukh A et al. [3] L'optimisation par essaim de particules algorithme de classification floue l'image a un bon effet pour sans bruit, mais toujours sensible au bruit de l'image ou d'autres interférences. . Afin d'améliorer la résistance au bruit de la FCM, CHEN S et al [4] FCM_S1 et algorithme amélioré des techniques de filtrage FCM_S2 par le traitement de filtrage d'image, pour estimer l'influence du point de pixel sur le pixel central du voisinage; KRINIDIS S et al [5] algorithmes de FLICM proposées (moyen de logique floue de C partielles algorithme regroupement), la fonction objective est introduit facteur algorithme de logique floue FCM, pour obtenir une meilleure segmentation. FLICM algorithme combiné avec le champ de l'information spatiale, l'amélioration de l'immunité au bruit et de robustesse, mais les contraintes de bruit de l'image entre les pixels étant inexacte [6], de sorte que le résultat de la segmentation est pas exacte. En outre, FLICM pas en stricte conformité avec la méthode de descente de gradient pour minimiser la fonction objectif, il est possible de produire optimum local, il y a un processus itératif questions trop lent et d'autres.

Sur la base de l'algorithme de FLICM de défauts dans la référence [7] L'analyse de la présence de la fonction objectif FLICM est minimisé par re-calcul de la méthode de descente de gradient, et les contraintes entre les pixels est corrigée à nouveau, pour obtenir une meilleure segmentation.

1FLICM Description de l'algorithme

KRINIDIS S et al. [5] FLICM proposé algorithme, le facteur Gki floue dans la fonction objectif, l'utilisation des informations de gris et de l'information spatiale entre le pixel et ses pixels voisins, améliore la robustesse de l'algorithme et l'aspect pratique. l'expression de la fonction objective [5] est la suivante:

où:

Lorsque, xi est le pixel central, xj xi est le pixel de voisinage, dij = xj-Xi2 de pixels voisins du pixel central de la distance euclidienne, uki représente un xi de pixel appartenant à l'adhésion de la région de la classe k, vk est le k classe centre de cluster, m est un indice pondéré en fonction d'ambiguïté. Référence [5] et la matrice des résultats des membres du cluster central sont données comme suit:

2 algorithme amélioré FLICM

2.1FLICM nouvel algorithme de dérivation

Avant FLICM pas en stricte conformité avec la méthode de descente de gradient pour minimiser la fonction objective, de la formule (1) peut être vu, le degré d'appartenance du pixel et le centre du cluster Uki vk non seulement dans umkixi-vk2, mais apparaît également dans Gki en tenant compte seulement une expression déduites (3) et (4) ne convient pas.

l'expression de la fonction cible (1) algorithme de FLICM, l'appartenance à la condition de contrainte vérifie l'équation (6), l'expression sans contrainte méthode des multiplicateurs de Lagrange pour résoudre l'optimisation est obtenue, par exemple (5):

Uki et vk pour trouver respectivement la dérivée partielle de L 0 et a permis d'obtenir un centre de cluster et d'expression de mise à jour de la matrice d'adhésion:

où:

Par comparaison, seuls les xj pixels zones de pixels xi ont une certaine influence sur le centre du cluster, et le centre des membres du cluster également affecté, ce sont la référence ne sont pas considérés [5], ce qui entraîne le résultat de la segmentation est pas idéale .

2.2 Amélioration FLICM

Étant donné que l'algorithme FLICM prend en compte que la relation entre la position de l'espace entre le quartier, il ne suffit pas de mesurer avec précision l'impact des pixels voisins au pixel central, la segmentation plus précise. Pour remédier à ce défaut, on introduit la gradation d'une corrélation de pixels [8] la relation entre les pixels du point de contrainte. Re-correction pour la formule (9) comme suit:

Pixel i et j pixel est la pertinence de gradation Rij:

Dans lequel une échelle de gris Xg facteur d'impact, [sigma] l est la différence entre le voisinage carré de gris moyen des pixels i et i pixel, à savoir:

Comme on peut le voir d'après l'expression ci-dessus, dans la région homogène, plus la valeur de i, la corrélation entre les pixels gris plus grandes, alors que, dans la région hétérogène, plus la corrélation entre la gradation de pixel . Centre de regroupement révisé et l'expression de la mise à jour de la matrice d'adhésion est:

Par conséquent, cette amélioration étapes de l'algorithme comme suit:

(1) Par le nombre de grappes c, m et l'indice de flou de la valeur de seuil d'arrêt [epsilon];

(2) la matrice de séparation floue d'initialisation aléatoire de U (0);

(3) Ensemble nombre de boucles b = 0;

(13) calcule les centres grappe (4) selon la formule;

(5) L'équation (14) de calcul de matrice d'adhésion;

(6) Si maxU (b) -U (b + 1) < e, puis les extrémités de l'algorithme, sinon, b = b + 1, aller à l'étape (4) produit.

3 Résultats et discussion

L'expérience a utilisé le système d'exploitation Windows 7, et exécuter sur une plate-forme de 4 Go de mémoire cadencé à 3,60 GHz, basé OpenCV2.4.11 vérifier l'algorithme.

3.1 Subjective Evaluation et analyse

Afin de vérifier la validité de la méthode proposée, le choix de l'image du cerveau médical MR sérieux bruit (taille de l'image: 182 × 217), et tumeurs cérébrales d'image CT (taille de l'image: 219 × 217) que les échantillons expérimentaux. Des expériences sur le nombre de grappes est de 4, le nombre maximum d'itérations de 100. La figure 1 montre l'algorithme FCM [2], l'algorithme de FLICM [5] algorithme amélioré ici comparateur de segmentation d'images médicales.

Par comparaison: algorithme FCM est affecté par le bruit, et son plus mauvais résultat de la segmentation de la robustesse, l'algorithme de FLICM considère que les informations de domaine de pixels, l'immunité de bruit et de robustesse est bonne, mais l'algorithme prend en compte que la position spatiale mutuelle dans le quartier relations, et non à la contrainte de la relation entre l'image pixel de bruit description précise, ce qui segmentation moins précis. Par rapport à améliorer l'algorithme de re FLICM dérivation de l'algorithme, non seulement réduit le nombre de FLICM d'itérations, et éviter algorithme optimum local de FLICM, puis la relation de contrainte entre les pixels pour améliorer, pour améliorer encore l'immunité au bruit de l'algorithme, obtenu plusieurs autres algorithmes meilleurs résultats de segmentation. 1 (g), le haut et le bas du cerveau matière blanche algorithme ici amélioré est mieux que les autres algorithmes Comme on peut le voir sur la figure, peut également être vu sur la figure 1 (h), les côtés gauche et droit du cerveau, des présentes.. algorithme amélioré est supérieur à d'autres algorithmes.

3.2 évaluation et une analyse objective

Les résultats de l'évaluation subjective est plus difficile de refléter pleinement le bien-fondé de l'algorithme de segmentation, le facteur de division de papier en comparant chaque algorithme de segmentation Vpc [9], divisé entropie Vpe [10] et l'évaluation objective commun de l'exactitude des indicateurs de l'indice divisé SA [11 ], la division d'évaluer objectivement la performance de chaque algorithme. Les résultats d'évaluation sont montrés dans le tableau 1. Coefficient de partage Vpc et entropie de la partition Vpe SA précision de segmentation est définie comme suit:

Dans lequel, c est le nombre de grappes, Ai est le i-ième pixel de l'ensemble divisé de classes, les points de pixel d'image standard Ci définies de la classe i.

Comme on peut le voir de 1 tableau, l'amélioration de la performance anti-bruit de l'algorithme décrit ici a été considérablement améliorée, et une valeur plus élevée SA, a été efficace pour réduire le nombre d'itérations, l'algorithme décrit ici a une précision de segmentation d'images médicales de haute vérification l'efficacité de l'algorithme.

4 Conclusion

algorithme traditionnel de la FCM sensible aux valeurs initiales, une mauvaise immunité au bruit, résultat de la segmentation est pas satisfaisante, FLICM algorithme adaptatif pour maintenir l'équilibre et débruitage détails de performance, mais pas en stricte conformité avec la méthode de descente de gradient pour minimiser la fonction objective peut fonctionner dans optima locaux de préférence itérative et lente, dont la représentation inter-pixel ne sont pas des contraintes assez précis, ce qui entraîne la segmentation pas trop précise, l'amélioration de l'algorithme décrit ici, avant gradient descente algorithme FLICM est dérivé, d'améliorer la précision de la segmentation de l'image, et l'introduction de gradation entre les pixels la pertinence des contraintes entre la correction des pixels de champ, afin d'améliorer l'immunité au bruit de l'algorithme, une plus grande précision de la segmentation d'images. comparaison complète, cet algorithme amélioré est plus approprié pour la segmentation d'images médicales, en particulier la pollution sonore est une des images médicales graves est d'une grande importance dans la recherche et la médecine clinique. L'étape suivante se concentrera sur l'étude et des idées d'apprentissage des données compressées pour améliorer l'efficacité de l'algorithme de segmentation.

références

Recherche [J] [1] Zhang Fei, la segmentation d'images médicales Fan Hong basée sur C-means floue de clustering génie informatique et applications, 2014,50 (4): 144-154.

[2] Bezdk J C, R HATHAWAY J. convergence et de la théorie de classification floue C-moyens et les réparations: contre-[J] .IEEE Transactions sur le modèle d'analyse et de renseignement automatique, 1987,17 (5): 873-877.

[3] Mekhmoukh A, MOKRANI K. améliorée Fuzzy C-Means sur la base d'optimisation en essaim de Õ l'article (PSO) initialisation et le rejet des valeurs aberrantes avec des méthodes de réglage de niveau pour MR segmentation de l'image du cerveau [J] .Computer méthodes et programmes en biomédecine, 2015,122 (2 ): 266-281.

[4] CHEN S, la segmentation de l'image en utilisant ZHANG D.Robust FCM avec les contraintes spatiales sur la base de nouvelle mesure de distance kernelinduced [J] .IEEE Transactions on Systems, Man, et Cybernetics, Partie B (Cybernetics), 2004, 34 (4 ): 1907-1916.

[5] KRINIDIS S, CHATZIS V. Un solide information locale floue C-Means algorithme de classification [J] IEEE Transactions on Image Processing, 2010, 19 (5) :. 1328-1338.

[6] GONG M, Z ZHOU, la détection MA J.Change en images radar à ouverture synthétique à base de fusion d'image et clusteri floue [J] IEEE Transactions on Image Processing, 2012,21 (4) :. 2141-2151.

[15] Xu Shaoping, Liu Xiaoping, Li Chunquan, comme l'amélioration de la région de division rapide basée sur la fonction d'image algorithme d'analyse de la FCM [J] Reconnaissance et intelligence artificielle, 2012,25 (6): 987-995.

[16] Shao acétate, Huangzhi Bo. Multi avec l'algorithme de classification SVM [J] « SES APPLICATIONS, 2016,35 (8): 12-14,17.

[17] Takaharu, Deloitte Yan, Chu Yong He, et ainsi de suite. LLE et la reconnaissance de visage en fonction de classification floue SVM [J]. Et ses applications micro-ordinateurs, 2016,34 (6): 56-58.