MedicalImage13医学图像分类PPT.ppt

* * 医学图像处理 信自学院生医系 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 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。 图像分析技术分类的三种基本范畴 知识库 分割 表达与描述 识别 与 解释 预处理 图像获取 低级处理 高级处理 中级处理 结果 问题 6.1 医学图像分类概述 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 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。 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： 灰度 纹理特征 二维特征空间 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。 6.2.2 基于灰度和纹理参数的组织分类K－近邻分类法 K近邻分类法(K-NN)是模式识别中一种非常有效的分类器。 方法： 1、设有M个类别L1，L2，…，LM，每类有Ni个学习样本，每个学习样本有K个特征值。 2、计算被识别的象素与每个学习样本的距离： 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。 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。 若取n=1来进行判断，则称为最近邻法。 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’ ) ； 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。 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。 人体不同器官的正常组织与病理组织的T1是相对固定的，而且它们之间有一定的差别，T2也是如此（见下表）。这种组织间弛豫时间上的差别，是MRI的成像基础。有如CT时，组织间吸收系数（CT值）差别是CT成像基础的道理。但MRI不像CT只有一个参数，即吸收系数，而是有T1、T2和自旋核密度（Pd）等几个参数，其中T1与T2尤为重要。因此，获得选定层面中各种组织的T1（或T2）值，就可获得该层面中包括各种组织影像。 正常颅脑的T1与T2值（ms） 组 织 T1 T2 胼胝体 380 80 桥　脑 445 75 延　髓 475 100 小　脑 585 90 大　脑 600 100 脑脊液 1155 145 头　皮 235 60 骨　髓 320 80 人体不同组织T1WI和T2WI上的灰度 MRI图像虽然也以不同灰度显示，但反映的是MR信号强度的不同或弛豫时间T1与T2的长短，而不象CT图象，灰度反映的是组织密度。 MRI图像如主要反映组织间T1特征参数时，为T1加权象（T1weighted image，T1WI），它反映的是组织间T1的差别。如主要反映组织间T2特征参数时，则为T2加权像（T2weighted image，T2WI）。因此，一个层面可有T1WI和T2WI两种扫描成像方法。分别获得T1WI与T2WI有助于显示正常组织与病变组织。正常组织，如脑神经各种软组织间T1差别明显，所以T1WI有利于观察解剖结构，而T2WI则对显示病变组织较好。 在T1WI上，脂肪T1短，MR信号强，影像白；脑与肌肉T1居中，影像灰；脑脊液T1长；骨与空气含氢量少，MR信号弱，影像黑。在T2WI上，则与T1WI不同，例如脑脊液T2长，MR信