1 简介
医学影像分割的基本目标是将图像分割成不同的解剖组织，从而可以从背景中提取出感兴趣区域。因为图像的低分辨率和弱对比度，实现医学影像分割是一件具有挑战的任务。而且，这个任务由于噪声和伪阴影变得更加困难，这些干扰项可能是因器材限制、重建算法和患者移动等原因造成的。目前还没有通用的医学图像分割算法，算法的优点和缺点经常根据所研究的问题而变化。将分割概念具体到颅内出血CT图像上，就是将颅腔中的出血病灶区别于其他组织从图像中分割出来。图像分割有两大类方法 ：一种是像素分类，另一种为追踪变化的边界。第一类分割方法假设在每个子类中像素具有几乎恒定的灰度值，这对于具有相似生理特性的解剖结构来说是合理的。这类方法可以同时检测出多个感兴趣的子类，但是该方法很容易受到环境噪声和图像不均匀性的影响。相比之下，追踪变化边界的分割方法要利用图像灰度信息和空间信息。因此，该子类必须是均匀的并且包围在一个特定的变化边界中。当应用于医学图像分割时，由于固有的噪声和伪阴影，它们都不具有普遍的适用性。
本文针对人脑CT图像的出血病灶区域,提出了一种改进的模糊C-均值(Fuzzy C-Means,FCM)算法进行颅脑内出血病灶的分割.首先对颅脑CT图像进行预分割,通过左右扫描算法和中值滤波算法将颅内结构从源CT图像中提取出来;然后对预分割而得到的颅内结构,利用在目标函数和隶属度函数中分别添加空间信息的改进FCM聚类算法进行出血病灶提取.通过对CT颅脑图像和添加椒盐噪声的CT颅脑图像进行病灶分割,结果显示本文算法对噪声不敏感,可以准确分割出出血病灶.
