基于HMRF的改进Kmeans脑肿瘤分割算法

计算机与现代化 ›› 2023, Vol. 0 ›› Issue (03): 1-5.

• 图像处理 • 下一篇

基于HMRF的改进Kmeans脑肿瘤分割算法

（中北大学信息与通信工程学院，山西太原 030051）

出版日期:2023-04-17 发布日期:2023-04-17
作者简介:马瑜涓（1998—），女，山西忻州人，硕士研究生，研究方向：医学图像处理，信息与信号处理，E-mail： mayujuan710@163.com；韩建宁（1980—），男，山西太原人，教授，博士，研究方向：医学图像处理，信号处理技术，声学超材料，E-mail： hanjn46@nuc.edu.cn；史韶杰（1997—），男，河北张家口人，硕士研究生，研究方向：医学图像处理，计算机视觉与图像处理，E-mail： ssjhustler@163.com；曹尚斌（1998—），男，河北石家庄人，硕士研究生，研究方向：图像处理，硬件电路设计，E-mail： manbaout1@163.com；杨志秀（1997—），女，山西朔州人，硕士研究生，研究方向：医学图像处理，信息与信号处理，E-mail： yangzx101@163.com。
基金资助:
国家自然科学基金面上项目（61671414)；山西省基础研究计划项目（202102021224201)

Improved Kmeans Segmentation Algorithm for Brain Tumor Based on HMRF

（School of Information and Communication Engineering， North University of China， Taiyuan 030051， China)

Online:2023-04-17 Published:2023-04-17

摘要/Abstract

摘要： 为了解决磁共振成像脑部肿瘤区域出现误识别及对脑MRI图像中的肿瘤部位分割时出现的不确定性等问题，提出一种改进的Kmeans算法与隐马尔可夫随机场模型（HMRF）相结合的分割方法，对脑肿瘤图像实现精准分割。首先将Kmeans算法的欧氏距离替换成曼哈顿-切比雪夫距离并用改进后的Kmeans算法对待分割图像进行初始参数估计和初始分割，然后通过HMRF理论获得图像的空间信息，并结合EM算法对聚类中心进行更新，获得更为准确的聚类中心，从而提高算法的分割性能。实验结果表明，该方法具有良好的脑部肿瘤分割性能效果，其中Dice系数和Jaccard系数的平均值分别达到了0.9289和0.8725。

关键词: 脑肿瘤分割, Kmeans算法, HMRF, EM算法, 聚类中心

Abstract: In order to solve the problems of misidentification of brain tumor regions in MRI and the uncertainty in segmentation of tumor sites in brain MRI images， an improved Kmeans algorithm combined with hidden Markov random field （HMRF) model is proposed to achieve accurate segmentation of brain tumor images. Firstly， the Euclidean distance of Kmeans algorithm is replaced by Manhattan-Chebyshev distance and the improved Kmeans algorithm is used to estimate the initial parameters and initial segmentation of the image to be segmented. Then the spatial information of the image is obtained by HMRF theory and the clustering center is updated by combining with EM algorithm to obtain more accurate clustering center so as to improve the segmentation performance of the algorithm. The experimental results show that the proposed method has good performance effect of brain tumor segmentation， in which the average values of Dice coefficient and Jaccard coefficient reach 0.9289 and 0.8725， respectively.

Key words: segmentation of brain tumor, Kmeans algorithm, HMRF, EM algorithm, clustering center

马瑜涓, 韩建宁, 史韶杰, 曹尚斌, 杨志秀. 基于HMRF的改进Kmeans脑肿瘤分割算法[J]. 计算机与现代化, 2023, 0(03): 1-5.

MA Yu-juan, HAN Jian-ning, SHI Shao-jie, CAO Shang-bin, YANG Zhi-xiu. Improved Kmeans Segmentation Algorithm for Brain Tumor Based on HMRF[J]. Computer and Modernization, 2023, 0(03): 1-5.

参考文献

［1］席欢欢，贺松，黄旭，等. 脑肿瘤MR图像分割方法现状及挑战［J］. 软件导刊， 2021，20（4）：240-246.
［2］张娜，魏伟，许新科，等. 儿童脑肿瘤切除术中大出血的危险因素分析［J］. 国际医药卫生导报， 2022，28（8）：1099-1103.
［3］程楠. 磁共振成像诊断脑部良恶性肿瘤40例价值分析［J］. 中国医药指南， 2017，15（31）：84-85.
［4］王丰斌. 基于AHLO与K均值聚类的图像分割算法［J］. 沈阳工业大学学报， 2019，41（4）：427-432.
［5］刘智杭，于鸣，任洪娥. 基于改进K均值聚类的葡萄果穗图像分割［J］. 江苏农业科学， 2018，46（24）：239-244.
［6］ DEBELEE T G， SCHWENKER F， RAHIMETO S， et al. Evaluation of modified adaptive K-means segmentation algorithm［J］. Computational Visual Media， 2019，5（4）：347
-361.
［7］魏木鑫，姚寒冰，周俊伟. 基于HMM的文本图像字符分割算法［J］. 武汉理工大学学报， 2018，40（9）：89-95.
［8］ LIU H J， SHIMA T， UEMURA S. A fast and fully automated HMM fitting algorithm enables accurate analysis of biophysical data with numerous states［J］. Biophysical Journal， 2021，120（3S1）.
［9］王志刚，冯云超. 基于MRF和混合核函数聚类的脑肿瘤图像分割方法［J］. 电子测量技术， 2021，44（8）：93-97.
［10］ SUMAN S， KUMAR D， KUMAR A. Study the effect of MRF model on fuzzy c means classifiers with different parameters and distance measures［J］. Journal of the Indian Society of Remote Sensing， 2022，50（7）：1177-1189.
［11］ EL-HACHEMI G， SAMY A A， DOMINIQUE M， et al. Hidden Markov random field model and Broyden-Fletcher-Goldfarb-Shanno algorithm for brain image segmentation［J］. Journal of Experimental & Theoretical Artificial Intelligence， 2018，30（4）：1-13.
［12］胡忠超. 引入HMRF模型模糊聚类算法的遥感图像分类性能分析［J］. 科技资讯， 2019，17（20）：33-35.
［13］ YANG E， KANG D H， YUN T S. Ternary segmentation and estimation of permeability for porous rocks based on 3D X-ray computed tomographic images by hidden Markov random field and Brinkman-force lattice Boltzmann model［J］. Journal of Hydrology，2021，599. DOI：10.1016/j.jhydrol.2021.126377.
［14］ NISHANT C. Generalisation of the Hammersley-Clifford theorem on bipartite graphs［J］. Transactions of the American Mathematical Society， 2017，369（10）：7107-7137.
［15］ KONG Y Y， LIU Y J， YAN B Y， et al. A novel deeplabv3+ network for SAR imagery semantic segmentation based on the potential energy loss function of gibbs distribution［J］. Remote Sensing， 2021，13（3）：454.
［16］标本，梁恺彬，管一弘. 高斯马尔可夫随机场的人脑MR图像分割方法［J］. 计算机技术与发展， 2017，27（7）：180-184.
［17］巫一舟. 在线EM算法及其在一类隐马尔科夫模型参数估计中的应用［D］. 大连：大连理工大学， 2021.
［18］ WU W S， KHALIL A M. The discrete gaussian expectation maximization （gradient） algorithm for differential privacy［J］. Computational Intelligence and Neuroscience， 2021（1）：1-13.
［19］王飞. 线性回归模型中极大似然估计的若干性质［D］. 锦州：渤海大学， 2020.
［20］ KIRKBY J L， NGUYEN D H， NGUYEN D， et al. Maximum likelihood estimation of diffusions by continuous time Markov chain［J］. Computational Statistics & Data Analysis，2022，168（C）. DOI：10.1016/j.csda.2021.107408.
［21］ MOHAMED C A， NOR I M. Distance based Kmeans clustering algorithm for determining number of clusters for high dimensional data［J］. Decision Science Letters，2020，9（1）. DOI：10.5267/j.dsl.2019.8.002.
［22］贾洪杰，王良君，宋和平. HMRF半监督近似核K-means算法［J］. 计算机科学， 2019，46（12）：31-37.
［23］ OUARDA S， SOUAD B. Euclidean distance versus manhattan distance for new representative SFA skin samples for human skin segmentation［J］. Traitement du Signal， 2021，38（6）：1843-1851.
［24］ WU Z H， SONG T T， ZHANG Y B. Quantum K-means algorithm based on Manhattan distance［J］. Quantum Information Processing， 2021，21（1）：1025-1029.
［25］毛鑫，蔡江辉，张素兰. 一种基于加权切比雪夫距离的图像分割方法［J］. 太原科技大学学报， 2020，41（6）：449-455.
［26］ GULTOM S， SRIADHI S， MARTIANO M， et al. Comparison analysis of K-Means and K-Medoid with ecluidience distance algorithm， chanberra distance， and chebyshev distance for big data clustering［J］. IOP Conference Series： Materials Science and Engineering，2018，420（1）. DOI 10.1088/1757-899X/420/1/012092.
［27］ HUANG K W， ZHAO Z Y， GONG Q， et al. Nasopharyngeal carcinoma segmentation via HMRF-EM with maximum entropy［C］// 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society （EMBC）. 2015：2968-2972.

[1]	段桂芹1，邹臣嵩2，刘锋2. 基于优化初始聚类中心的K中心点算法[J]. 计算机与现代化, 2019, 0(04): 1-.
[2]	蒋丽，薛善良. 基于改进kmeans算法的文本聚类[J]. 计算机与现代化, 2018, 0(04): 17-.
[3]	吕敏红1,闫奕荣2,吴成晶1. 零一膨胀二项混合回归模型的改进EM算法[J]. 计算机与现代化, 2018, 0(03): 65-.
[4]	吴非，毛宇光. 一种基于k维树的模糊C均值聚类算法[J]. 计算机与现代化, 2015, 0(11): 1-5+11.
[5]	王丽红,何熊熊. 基于数据场的FCM改进算法[J]. 计算机与现代化, 2014, 0(6): 94-97.
[6]	胡伟. 一种改进的K_means聚类方法[J]. 计算机与现代化, 2012, 1(1): 22-24,5.

基于HMRF的改进Kmeans脑肿瘤分割算法

Improved Kmeans Segmentation Algorithm for Brain Tumor Based on HMRF

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 6

编辑推荐

Metrics

本文评价