OTSU和K-means聚类在同态变换中的有效脑肿瘤分割

OTSU和K-means聚类在同态变换中的有效脑肿瘤分割

背景

介绍了一种同态变换对分割效果的提升。在计算机视觉中，图像分割技术在计算机辅助诊断系统中发挥着至关重要的作用，以精确、准确地识别待治疗的区域。实际上，它通常对所有图像部分都不感兴趣，而只对所需的特征感兴趣。因此，图像分割算法可以将癌细胞捆绑在盒子中，以确定癌症的严重程度，并得到更清晰的结果。本文研究了一种基于局部对比度增强的有效方法，该方法在不同的变换域中使用OTSU分割和K-means聚类分割来在竞争时间定位脑肿瘤区域。变换域为要分割的图像提供了更好的表示，并使得能够提取大量的特征信息。此外，采用局部对比度增强的自适应直方图均衡提高了该方法的整体性能。所提出的增强分割方法已经用不同的数据集进行了测试，并使用各种质量度量进行了评估，例如：；准确度、灵敏度、精密度、特异性、MCC、F-measure、Dice、Jaccard和处理时间。所提出的同态变换和自适应直方图均衡分割方法在脑肿瘤定位中具有高精度、高效可靠的性能。此外，所提出的算法已经实现了2D和3D图像，并且可以提供更高的效率和更好的图像质量，2D和3D的图像类型都实现了更好的鲁棒性，并证明了所提出的方法不依赖于输入数据集。

贡献

所提出的工作的关键贡献是实现和评估了一种基于局部对比度增强的分割策略，该策略在各种变换域中都表现良好。研究了DWT、FrFT和同态变换域（每个变换域都有自己独特的特征集）对OTSU和K-means聚类分割方法效率的影响。通过添加新的变换域，分割算法的效率、准确性和精度都得到了提高。图像的光照和反射率分量分别代表低频和高频分量，用同态变换表示。由于它们的乘法组合，照明和反射分量是出了名的难以解开。然而，同态变换精确定位它们在频域中的近似位置，并线性分离图像的乘法分量。通过减少代表乘性噪声的亮度差异，这种变换有助于标准化整个图像的照明，从而提高对比度。正因为如此，用于识别肿瘤区域的传统分割技术（如OTSU和K-means聚类）的效率和精度大大提高。因此，所提出的OTSU和K-means聚类分割算法的同态变换和自适应直方图均衡可能是一种高效、有效和值得信赖的医学图像分割方法。
同态变换和自适应直方图均衡化对分割有效

实验

用了8个数据集，验证不同同态变换对精度的影响

方法

Local contrast enhancement（局部对比度增强）

任何图像的小规模边缘的外观都可以通过局部对比度来增强，以增加清晰度和详细信息。局部对比度增强最常见的方法是使用直方图均衡来映射灰度级的概率分布[43]。提高图像直方图的整体对比度会使图像的动态范围扩展到均匀分布。直方图均衡的计算输出上拉了输入图像的全局对比度，该全局对比度基于渲染图像中像素位置的概率。

Transform domains（转换域）

该算法的思想是基于在不同变换域中从医学图像中分割肿瘤区域。变换域对相关数据模式进行复杂的变换，以改进从这些do-mans中的分割图像中提取的细节信息。转换后的数据在精确定位感染肿瘤区域的情况下实现了高精度和更好的性能。在变换域中实现图像处理与在空间域中实现相同的处理完全不同，原因如下：在空间域，图像由[0255]范围内的像素值的简单二维矩阵表示。这些像素值在X-Y空间域中分组，并且图像的重要信息不能以这种格式容易地分析。因此，噪声通常被识别为在图像中比低频分量更突出的高频分量。如果你拍摄一个宏块（图像的32×32像素片段），其中像素的值不应该彼此波动太大。如果值变化过大，则可能存在噪声像素。这是使用变换域而不是标准的空间域的原因。

Discrete wavelet transform（DWT离散小波）

小波函数使用滤波器的二叉树将信号分解为具有多分辨率的不同频率和时间带。DWT母小波具有许多可用于分解的基函数。许多基函数可用于DWT母小波中的分解。Haar小波遵循称为Haar变换[45]的离散数学形式，是DWT母小波中最简单的一种。图像的第一阶段多尺度分解如图所示。1[48，49]。在所提出的方法中，使用1D高通和低通滤波器将输入图像分解为其组成的行和列。这种近似子带提供的结果如图所示。2在不同分辨率水平和不同方向上。

Fractional Fourier Transform (FrFT)（分数傅里叶变换）

分数傅立叶变换作为一种强大的信号处理工具被引入，因为它可以为不同相位的信号提供准确的分析。在[59]中，提出了一种基于分数傅立叶变换的图像增强算法，通过低通滤波去除噪声，然后通过分数阶PST提取边缘。该处理为实现的图像提供了精确的相位信息和精确的边缘提取。它被认为是傅立叶变换的推广[50]。为了为线性调频信号提供正交信号表示，FrFT在连续时间-频率平面中将图像旋转到用户指定的任何角度。

Homomorphic filter（同态滤波器）

同态滤波技术特别适用于增强数字图像的弱光照条件。图像的照明和反射率分量分别代表低频和高频分量，由同态变换表示。由于它们的乘法组合，照明和反射分量特别难以提取。然而，同态变换精确定位它们在频域中的近似位置，并线性分离图像的乘法分量。这种变换的主要特征包括在整个图像中调平照明，并通过消除图像中的照明差异来增强对比度，这些差异构成了乘法噪声[60]。

方法实施过程

为了获得准确和精确的治疗，建议该算法提高分割技术的性能，并从脑肿瘤的医学图像中提取有意义的特征。所提出的算法的框图可以阐明医学图像分割过程的主要步骤，如图所示。4。建议方法的实施阶段如下：
[1] 采用自适应直方图均衡来提高输入图片的局部对比度，使更精细的细节更加可见，等式（4）；

[2] 在改进的图片上应用多个变换域（包括DWT、FrFT方程。（20）和同态方程。（24）-（27））这允许对图像进行更彻底的处理，从而实现更精确的检测和分割；
[3] 使用OTSU方程识别和隔离感染区域。（11-15）和K-means聚类分割方程。（16）和（17）；
[4] 分析和比较几种方法的结果，以找到最佳图像分割的最佳域。
[5] 为了证明所建议算法的有效性、效率和可推广性，它们已应用于真实世界的脑肿瘤实例，并使用各种评估措施进行评估。（27）-（34）；

总结

该方法研究了不同变换域对脑肿瘤区域定位的影响，以提高OTSU分割和K-means聚类分割方法的性能。这引入了对输入图像的更好的分析和对分割区域的更好的特征提取。**基于自适应直方图均衡实现了另一个附加阶段，以在分割过程之前增强输入图像的对比度。这提高了分割系统的整体性能。**实现结果表明，在所有变换域中，分割算法的性能、准确性和精度都有很高的提高。仿真结果表明，在竞争激烈的处理时间内，同态变换以最高的精度、精度和特异度值获得了最佳的分割性能，使该方法适用于实时应用。此外，还研究了所提出的增强OTSU分割算法与所提出的同态变换域的K-means聚类分割算法以及不同数据集的自适应直方图均衡算法之间的比较。与其他提出的分割方法进行了额外的比较，以证明该算法的有效性和有效性。因此，所提出的同态变换中的K-means聚类分割算法和自适应直方图均衡也可以是一种有效、高效、可靠的医学图像分割算法，用于疾病的计算机辅助诊断。所提出的算法已经针对2D和3D图像实现。所提出的算法可以提供更高的效率和更好的图像质量，2D和3D图像类型都实现了更好的鲁棒性，并证明了所提出的方法不依赖于输入数据集。对于未来的工作，建议实施深度学习技术进行分割，并实施这些技术来分割其他器官的肿瘤。

Thinking

自适应直方图均衡，DWT离散小波，分数傅里叶变换，同态滤波器可以做为数据增强技术应用到深度学习脑肿瘤分割中