A Modified Fuzzy C-Means Algorithm for Bias Field Estimation and Segmentation of MRI Data

修正的模糊C均值算法用于MRI数据的偏场估计和分割
摘要—在本文中，我们提出了一种新的算法，用于磁共振成像（MRI）数据的模糊分割和使用模糊逻辑估计强度不均匀性。 MRI强度不均匀性可归因于射频线圈中的缺陷或与采集序列相关的问题。结果是在图像上产生缓慢变化的阴影伪影，可能会产生基于常规强度分类的错误。我们的算法是通过修改标准模糊c均值（FCM）算法的目标函数来制定的，以补偿此类​​不均匀性并允许像素（voxel）的标记受到其紧邻像素的影响。邻域效应充当正则化器，并使解决方案偏向分段均质的标记。这样的正则化在分割被盐和胡椒噪声破坏的扫描中很有用。给出了合成图像和MR数据的实验结果，以证明所提算法的有效性和效率。
索引词-偏置场，模糊逻辑，图像分割，MR成像。
一，引言
磁共振成像（MRI）中射频线圈引起的空间强度不均匀性是MRI数据的计算机分析中的主要问题[1] – [4]。这种不均匀性使得常规的基于强度的MR图像分类非常困难，即使采用非参数，多通道方法等先进技术也是如此[5] – [7]。这是由于以下事实：在MR图像中出现的强度不均匀性在组织统计中产生空间变化，即均值和方差。此外，由于医师必须忽略损坏图像中的不均匀性伪影，因此图像上的质量下降会妨碍医师的诊断[8]。
很难从MR图像中消除空间强度的不均匀性，因为不均匀性可能会因患者和患者之间以及切片之间的不同MRI采集参数而发生变化。因此，通常对于每个新图像都需要校正强度不均匀性。在最近的十年中，已经提出了许多用于强度不均匀性校正的算法。 Meyer等。 [9]提出了一种基于边缘的分割方案，以找到图像中的均匀区域，然后通过多项式曲面拟合这些区域。但是，其校正结果非常取决于分割步骤的质量。
几位作者报告了基于幻像进行强度校准的方法。 Wicks等人[3]提出了一种基于均匀体模产生的信号的方法，以校正任何方向的MRI图像。 同样，Tincher等人[10]通过二阶多项式对不均匀性函数进行建模，并将其拟合到统一的幻像扫描MR图像中。 但是，这些幻影方法具有以下缺点：线圈和图像数据的几何关系通常对于图像数据不可用。 对于体模扫描和患者，它们还需要相同的采集参数。 另外，这些方法假设强度衰减的影响对于不同患者是相同的，这在总体上是无效的[8]。
消除非均匀性的乘积效应的同态滤波方法由于其简便有效的实现方法而被广泛使用[6]，[11]。但是，该方法仅对对比度较低的图像有效。一些研究者[10]，[12]报道了这种方法的不良结果。 Dawant等人[12]在图像中使用了操作员选择的参考点来指导薄板样条校正表面的构造。该方法的性能主要取决于参考点的标记。通常需要大量的用户交互才能获得良好的校正结果。最近，Gilles等人[13]提出了一种自动迭代的B样条拟合算法，用于校正乳房MR图像的强度不均匀性。该算法的应用仅限于具有单一优势组织类别的MR图像，例如乳房MR图像。在给出图像中所有组织类别的组织类别数量，真实均值和标准偏差的假设下，提出了另一种多项式表面拟合方法[14]。不幸的是，所需的统计信息通常不可用。

标签：Segmentation,Algorithm,Means,强度,图像,算法,MRI,均匀,MR
来源： https://blog.csdn.net/baidu_37336262/article/details/114049211