25 июля 2020г.
Сегментация изображений играет важную роль в обработке изображений, полученных с помощью МРТ, КТ и иных видов сканирования (рис.1). Данный процесс выполняется перед этапами анализа и принятия решений в медицинских информационных системах.
Существует несколько подходов к построению классификации методов сегментации изображений [1]: подход Фу, подход Пала, подход Скарбека и Кошана, подход Лючиса и Митра, также вопросы классификации рассматриваются в работах [2-4].
Согласно работе [5] к методам, основанным на анализе свойств на пространстве признаков, относятся метод нечеткой кластеризации и метод k-средних, которые наиболее часто используются на практике. Однако следует отметить, что данные методы подвержены влиянию неоднородностей и интенсивности шума на
изображении. Поэтому предлагается новый метод, который объединяет метод нечетких с-средних, который зависит от пространственных ограничений, и пиллар-алгоритм без какой-либо повторной инициализации.
В предложенном методе основная работа разделена на несколько этапов. На рис. 2 представлены четыре области соседства и движущееся двумерное окно, которые используются в методе.
Мы используем модифицированный метод нечетких с-средних, который обозначим
как FCM_S.
Модифицированная целевая функция определяется как:
где количество
кластеров
k было определено
автоматически; центры
начальных кластеров были сгенерированы с помощью пиллар-алгоритма; 𝛼- управляющий эффект
соседей (при α = 0 получаем SFCM). Для использования соседних свойств пикселей мы выбираем двумерное окно с маской 3х3, где дисперсии четырех соседних областей вычисляются с использованием некоторого предложенного выбора, как показано на рисунке 2. На следующем шаге мы добавляем еще одну
2D-маску размерностью 2x2, после чего центральный пиксель заменяется средним 𝑦̅ или медианой 𝑦̃ значений выделенной области, которая имеет очень низкое значение дисперсии.
Были проведены вычислительные эксперименты с использованием Simulink Matlab и изображениях МРТ
головного мозга, полученных из базы Brainweb [6]. Эта база данных была выбрана, поскольку она очень часто используется в литературе и, следовательно, позволяет упростить сравнение с предлагаемыми проверками в других документах. Brainweb используется для имитации изображений мозга в градациях серого с различным уровнем повышенного шума и неоднородностей. Полученные результаты позволяют говорить о повышении качества результатов сегментации изображений.
Список литературы
1. Поршнев С.В., Левашкина А.О. Универсальная классификация алгоритмов
сегментации изображений // Журнал научных публикаций аспирантов и докторантов. - 2008 [URL: http://www.jurnal.org/articles/2008/inf23.html]
2.
Панченко Д.С., Путятин Е.П. Сравнительный анализ методов сегментации изображений // Радиоэлектроника и информатика. 1999. №4 (9). URL: https://cyberleninka.ru/article/n/sravnitelnyy- analiz-metodov-segmentatsii-izobrazheniy.
3. 
Романов, С. А. Анализ методов сегментации изображений / С. А. Романов, О. М. Лепешкин, Ю. П. Стоянов. // Молодой ученый. — 2010. — № 6 (17). — С. 26-28. — URL: https://moluch.ru/archive/17/1534/.
4.
Ханыков И.Г. Классификация алгоритмов сегментации изображений // Приборостроение. 2018.№11. URL: https://cyberleninka.ru/article/n/klassifikatsiya-algoritmov-segmentatsii-izobrazheniy (дата обращения: 24.06.2020).
5. karbek
W., Koschan A. Color Image Segmentation – A Survey, Technisher Bericht, Technical University of Berlin, 1994. – P.94-32.
6. BrainWeb: Simulated Brain Database [URL: https://brainweb.bic.mni.mcgill.ca/brainweb/]
