A Modified Fuzzy C-Means Algorithm for Bias Field Estimation and Segmentation of MRI Data

修正的模糊C均值算法用于MRI数据的偏场估计和分割
摘要—在本文中，我们提出了一种新的算法，用于磁共振成像（MRI）数据的模糊分割和使用模糊逻辑估计强度不均匀性。 MRI强度不均匀性可归因于射频线圈中的缺陷或与采集序列相关的问题。结果是在图像上产生缓慢变化的阴影伪影，可能会产生基于常规强度分类的错误。我们的算法是通过修改标准模糊c均值（FCM）算法的目标函数来制定的，以补偿此类​​不均匀性并允许像素（voxel）的标记受到其紧邻像素的影响。邻域效应充当正则化器，并使解决方案偏向分段均质的标记。这样的正则化在分割被盐和胡椒噪声破坏的扫描中很有用。给出了合成图像和MR数据的实验结果，以证明所提算法的有效性和效率。
索引词-偏置场，模糊逻辑，图像分割，MR成像。

一，引言

磁共振成像（MRI）中射频线圈引起的空间强度不均匀性是MRI数据的计算机分析中的主要问题[1] – [4]。这种不均匀性使得常规的基于强度的MR图像分类非常困难，即使采用非参数，多通道方法等先进技术也是如此[5] – [7]。这是由于以下事实：在MR图像中出现的强度不均匀性在组织统计中产生空间变化，即均值和方差。此外，由于医师必须忽略损坏图像中的不均匀性伪影，因此图像上的质量下降会妨碍医师的诊断[8]。
很难从MR图像中消除空间强度的不均匀性，因为不均匀性可能会因患者和患者之间以及切片之间的不同MRI采集参数而发生变化。因此，通常对于每个新图像都需要校正强度不均匀性。在最近的十年中，已经提出了许多用于强度不均匀性校正的算法。 Meyer等。 [9]提出了一种基于边缘的分割方案，以找到图像中的均匀区域，然后通过多项式曲面拟合这些区域。但是，其校正结果非常取决于分割步骤的质量。
几位作者报告了基于幻像进行强度校准的方法。 Wicks等人[3]提出了一种基于均匀体模产生的信号的方法，以校正任何方向的MRI图像。 同样，Tincher等人[10]通过二阶多项式对不均匀性函数进行建模，并将其拟合到统一的幻像扫描MR图像中。 但是，这些幻影方法具有以下缺点：线圈和图像数据的几何关系通常对于图像数据不可用。 对于体模扫描和患者，它们还需要相同的采集参数。 另外，这些方法假设强度衰减的影响对于不同患者是相同的，这在总体上是无效的[8]。
消除非均匀性的乘积效应的同态滤波方法由于其简便有效的实现方法而被广泛使用[6]，[11]。但是，该方法仅对对比度较低的图像有效。一些研究者[10]，[12]报道了这种方法的不良结果。
Dawant等人[12]在图像中使用了操作员选择的参考点来指导薄板样条校正表面的构造。该方法的性能主要取决于参考点的标记。通常需要大量的用户交互才能获得良好的校正结果。最近，Gilles等人[13]提出了一种自动迭代的B样条拟合算法，用于校正乳房MR图像的强度不均匀性。该算法的应用仅限于具有单一优势组织类别的MR图像，例如乳房MR图像。在给出图像中所有组织类别的组织类别数量，真实均值和标准偏差的假设下，提出了另一种多项式表面拟合方法[14]。不幸的是，所需的统计信息通常不可用。
用于分割具有强度不均匀性的图像的另一种方法是在分割图像时同时补偿阴影效果。 该方法具有能够在执行校正的同时使用来自分割的中间信息的优点。 最近，Wells等人。 [5]开发了一种基于期望最大化（EM）算法的新统计方法，以解决偏差场校正问题和组织分类问题。 Guillemaud和Brady [15]通过引入额外的类“ other”进一步完善了该技术。 这种EM方法有两个主要缺点。 首先，EM算法的计算量非常大，尤其是对于大问题。 其次，EM算法需要对偏差字段或分类估计进行良好的初始猜测。 否则，EM算法很容易陷入局部最小值，从而导致解决方案不令人满意[8]。
最近引入了另一种基于模糊c均值（FCM）[17]，[18]聚类技术的方法[19] – [21]。 一般而言，FCM已成功用于图像分割[22]，[23]和分割MR图像[24]-[27]。 徐等。 [19]提出了一种新的自适应FCM技术来产生模糊分割，同时补偿强度不均匀性。 但是，他们的方法也是计算密集型的。 他们通过在包含图像的粗网格而不是细网格上进行迭代来降低计算复杂性。 这在分类结果中引入了一些错误，并且被发现对相当数量的盐和胡椒噪声敏感[20]。
为了解决Pham和Prince方法的噪声敏感性和计算复杂性的问题，在本文中，我们提出了一种在强度不均匀的情况下对MRI数据进行模糊分割的不同方法。 我们的新颖算法是通过修改标准FCM算法的目标函数来弥补这种不均匀性而制定的。 此新公式允许像素（体素）的标记受到其紧邻像素的影响。 邻域效应充当正则化器，使解决方案偏向分段均质标记； 这样的正则化在分割因盐和胡椒噪声而损坏的扫描中很有用。

二。 背景

观察到的MRI信号被建模为由基础解剖结构产生的真实信号和称为增益场的空间变化因子的乘积

其中Xk和Yk分别是第k个体素的真实强度和观察到的强度，Gk是第k个体素的增益场，N是MRI体积中的体素总数。
对强度应用对数变换可将伪像建模为加性偏置场[5]。

其中xk和yk分别是在第k个体素处的真实和观察到的对数转换强度，而βk是在第k个体素处的偏置场。 如果增益场是已知的，则通过将常规的基于强度的分割器应用于校正后的数据来估计组织类别相对容易。 类似地，如果组织类别已知，那么我们可以估计增益场，但是在不了解另一个的情况下估计其中一个可能会出现问题。 我们将展示通过使用基于模糊逻辑的迭代算法，我们可以估计两者。

三， 偏置校正（BC）FCM（BCFCM）目标功能

[16]给出了将（{xk} k = 1，N）划分为c个簇的标准FCM目标函数。

其中（{vi} i = 1，c）是聚类的原型，数组[uik] = U表示分区矩阵U∈u，即

参数p是每个模糊隶属度的加权指数(隶属度指数)，并确定所得分类的模糊程度。 当将高隶属度值分配给强度接近其特定类的质心的体素时，将FCM目标函数最小化；而当像素强度远离质心时，将分配低隶属度值[18]。
我们提出对（3）的修改，方法是引入一个限制项，该限制项允许像素（voxel）的标记受到其紧邻像素的影响[21]。 如前所述，邻域效应充当正则化器，并使解决方案偏向分段均质标记。 这样的正则化在分割被盐和胡椒噪声破坏的扫描中很有用。 修改后的目标函数由下式给出

其中Nk代表xk周围的窗口中存在的一组邻居，而NR是Nk的基数。 邻居项的影响由参数α控制。 正则项的相对重要性与MRI信号的信噪比（SNR）成反比。 较低的SNR将需要较高的参数α值。
将（2）代入（5），我们有

一般地，优化问题以以下形式出现

IV。 参数估计

IV。 参数估计
可以以类似于标准FCM算法的方式将目标函数Jm最小化。 对于uik，vi和βk，取Jm的一阶导数并将它们设置为零会导致Jm处于局部极值的三个必要但不充分的条件。 在以下小节中，我们将得出这三个条件。