基于粒计算的脑核磁共振图像分割研究

Brain MR image segmentation plays a critical role in brain function research and brain disease diagnosis. However, the uncertainty and ambiguity rooted in brain MR images make the segmentation still remain a challenge. Granular computing is an emerging computing paradigm to deal with uncertainty and ambiguity. In this proposal, under the framework of granular computing, we plan to integrate rough sets and fuzzy clustering to tackle the challenges on brain MRimage segmentation, and will make the following contributions to brain MR imagesegmentation. Classical rough set cannot deal with noise and errors in images when it is employed to represent image boundary. Thus, we will propose novel segmentation methods based on decision-theoretic rough set by extending the empirical risk minimization principle of decision-theoretic rough set to construct an (α,β)-boundary region. Then we plan to develop effective fuzzy clustering segmentation methods based on decision-theoretic rough sets by constructing (α,β)-positive region and (α,β)-boundary regions of fuzzy class clusters. Finally, we will extend the above methods to extract brain tissue and brain lesions, and will build a prototype system for brain MR image segmentation. The project research outcomes will advance theories and methods in brain MRI image segmentation, and achieve invaluable practical values in biomedical applications as well.

脑MR图像分割在脑功能研究和脑疾病诊断中起着重要作用，然而脑MR图像本身的不确定性和模糊性，导致对其分割仍是一个挑战的难题。本项目通过粒计算中处理不确定问题的粗糙集和模糊聚类，开展脑MR图像分割研究。针对经典粗糙集描述图像边界时缺乏噪声容错能力，依据决策粗糙集的最小期望风险原则，构建(α,β)-边界域来描述图像边缘，研究决策粗糙集分割方法，并构建模糊类簇的(α,β)-正区域和(α,β)-边界域，研究基于决策粗糙集的模糊聚类分割方法。最后，将上述方法用于提取脑组织和脑病灶，构建脑MR图像分割原型系统。本项目研究能为脑MR图像分割提供新的理论与方法，同时还能获得实际的应用价值。

脑MR图像分割在脑功能研究和脑疾病诊断中起着重要作用，然而脑MR图像本身的不确定性和模糊性，导致对其分割仍是一个挑战的难题。本项目通过粒计算中处理不确定问题的粗糙集和模糊聚类，开展脑MR图像分割研究。（1）提出一种基于高斯滤波和模糊C均值（FCM）聚类改进算法的脑MR图像分割方法IFCM。IFCM方法采用高斯滤波去除噪声，并通过灰度直方图确定初始聚类中心来改进FCM聚类分割效果。利用Brain Web提供的噪声干扰分别为9%、5%、0%的20例脑MR图像进行分割实验。实验结果表明，与传统FCM图像分割方法相比，IFCM方法具有更好的分割准确性和分割效率。（2）提出一种基于粗糙模糊聚类改进算法的脑MR图像分割方法IRSFCM。IRSFCM方法集成粗糙集和模糊聚类算法，每个聚类的特征是由三个自动确定的粗糙模糊区域，并根据其所在区域估计每个像素的隶属度，通过加权参数平衡各区域的重要性，加权参数估计被纳入迭代聚类过程中。利用Brain Web提供的噪声干扰分别为9%、7%、5%、3%的20例脑MR图像进行分割实验，可以有效地从脑组织MR图像中分割出灰质、白质和脑脊液。 此外，我们研究了基于深度学习的脑肿瘤MR图像分割方法。（1）提出一种基于集成深度CNN-FCRF模型的双路混合池化架构的脑MR图像分割方法。该方法构建一种双路深度CNN架构，分别在不同路径中使用最大池化（max pooling）和平均池化（average pooling），并在输入层之后引入1*1卷积核来增加输入层维度。同时，引入全连接条件随机场（FCRF）架构利用全局信息对预测结构进行后处理，优化预测结果。实验证明该混合模型可以提高MR图像脑肿瘤分割与标注的效果。（2）在基于全卷积网络（FCN）的语义分割网络U-net的基础上，整合DeepLab中空洞卷积（atrous convolution）的思想，设计了一个新的语义分割网络，这样既扩大可视野，同时保持特征图的尺寸。我们将U-net改进方法应用于BraTS 2015 测试图像，在complete区域、core区域和enhancing 区域的Dice测试结果分别为0.83、0.65和0.53。本项目研究能为脑MR图像分割提供新的理论与方法，同时还能获得实际的应用价值。