MedicalImage13医学图像分类

加权距离公式：
k) 2 (k ) 2 (k ) 2 Dk WPd (GPd M ( ) W ( G M ) W ( G M T1 T1 T1 T2 T2 T2 ) Pd
K＝1，2，…,5
16
6.4 聚类分割技术


6.4.1 C均值聚类 6.4.2 模糊C均值聚类法 6.4.3 ISODATA算法
2
l 1,2, N i
i 1
M
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。
10
6.2.2 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。
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
2
6.1 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
6.1 医学图像分类概述

图像分析技术分类的三种基本范畴
分割
预处理
问题 图像获取 低级处理
表达与描述
中级处理
知识库
识别 与 解释
高级处理
结果
4
6.1 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

若取n=1来进行判断，则称为最近邻法。
11
6.2.3 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r
i, i+δ (λ,
λ’ ) ；
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 。

23
6.4.2 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。
3、根据8邻域中的象素概率r i, 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。
12
6.3 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。
xj
c
m
组织类别数 隶属度的加权指数，决定模糊程度
19
6.4.2 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U jl j=1, …n，l=1,…,C （P＝P+1）4、修正Vl(P+1)，l=1,…,C
C x v l j u jl 1 k 1 x j vk k l
。
第4步：计算各类的参数： (1)聚合中心 1 m j y, j 1,2,C N y j (2)类内平均距离 D j
1 Nj
y j
ym
j
, j 1,2,C
C 1 (3)类内总平均距离 D N j D j N j 1
第5步：若是偶数次迭代或分类数 C 的2倍，转向第8步。


26
具体算法如下 ：设有N个样本组成的样本集 ，
Hale Waihona Puke 第1步：给定以下控制参数：
K
是期望得到的聚类数；
N
是一个聚类中的最少样本数； 是类间合并参数；
S
是标准偏差参数；
C
L
是每次迭代允许合并的最大聚类对数；
I
是允许迭代的次数。同时设定初始聚类数
C
以及初始聚类中心
mi , i 1,2,, c
25
ISODATA 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。
，其中
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
y m j y mi
y j
i 1,2,, c, i j
，则
。
j
是第
j
个聚类，其中心为
mj 。
27
第3步：若有任何一个
j
，其基数（即属于该类的样本个数）
N j N
，则舍去
j
，并令 C C 1
2
2
1 / m 1

1
vl
m ( u ) jl x j j 1
n
(u )
j 1 jl
n
m
20
6.4.2 模糊C均值聚类法

二、算法步骤
5、计算误差ε 6、若
vk ( p 1) vk ( p)
k 1
,则算法结束；否则转向3
17
6.4.1 C均值聚类法
18
6.4.2 模糊C均值聚类法

一、原理
求使代价函数
J FCM u jk x j vk
m j k 1
c
2
达到最小的
u jk
和
vk

u jk
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
vk
C
2
ε<ε
max
7、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 || x j - vl ||2 || x j - vk ||2
,则Xj归入l类
21
6.4.2 模糊C均值聚类法
三、FCM(Fuzzy C—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(partial volume effect)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。
22
6.4.2 模糊C均值聚类法
三、FCM(Fuzzy C—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。
7
6.2.1 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：
纹 理 特 征
灰度 二维特征空间
8
6.2.2 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。


5
6.2 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
6
6.2.1 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。