基于粗糙集自适应粒度的MR脑肿瘤图像分割

姚传文,黄道斌,叶明全

(1.皖南医学院医学信息学院,安徽 芜湖 241002; 2.皖南医学院健康大数据挖掘与应用研究中心,安徽 芜湖 241002)

0 引 言

磁共振(MR)脑肿瘤图像分割是利用计算机技术将肿瘤区和正常组织区进行分割标注，对于脑肿瘤辅助诊断具有重要作用[1-2]。但是，由于脑组织和脑肿瘤的复杂性，以及MR图像模糊、灰度不均匀等问题[3]，使得脑肿瘤图像分割成为医学图像处理和智能医学领域研究的热点和难点[4-8]。通常，图像分割依赖于对图像目标、背景和边缘的识别和分类，图像边缘具有一定的不确定性，导致图像目标分割精度直接依赖于边缘阈值的选取。

近年来，一些研究者将粗糙集应用于图像分割，并取得系列研究成果[9-13]。Pal等[14]于2005年发表论文，认为图像边缘具有不确定性和模糊性的问题，可通过目标或背景的粗糙集上下近似描述。然而，粗糙集分割方法需要人工指定粒度大小，限制了其在实际中应用。2014年，吴涛[15]提出图像阈值化的自适应粗糙熵方法，利用局部灰度标准差选取最优分割粒度，确定图像分割的阈值。

本文利用粗糙集自适应粒度方法选取最优分割粒度，并用粗糙集模拟目标和背景区域的上下近似，通过优化上下近似的粗糙度，获得MR脑肿瘤图像分割的最佳阈值。实验结果表明，该方法优于传统粗糙集分割法，且具有一定实用性和灵活性。

1 图像分割粗糙集理论

1.1 粗糙集理论

粗糙集理论是1982年被波兰科学家Pawlak[16]提出。利用数据间存在不确定性关系，通过集合运算的方式定义上近似和下近似，得到数据相似性和粗糙性的关系。……