基于K-Means与FCM的脑肿瘤MRI分割与量化系统

资 源 简 介

该项目旨在通过MATLAB环境实现对脑部核磁共振（MRI）图像中肿瘤区域的精密检测、自动化分割以及定量分析。系统核心逻辑结合了两种主流的无监督学习聚类算法：K-Means聚类与模糊C-均值（FCM）算法。处理流程首先通过预处理模块对原始MRI图像进行去噪、增强及平滑处理，采用中值滤波和各向异性扩散等技术提升信噪比。在分割阶段，K-Means算法利用空间特征将像素点快速归类，初步锁定疑似病灶区；随后，模糊C-均值算法发挥其在处理灰度重叠和模糊边界方面的优势，通过隶属度函数优化聚类中心，实现对肿瘤边缘更为精细

详 情 说 明

基于K-Means和模糊C-均值算法的脑肿瘤MR图像分割与计算系统

项目介绍

本项目是一个基于MATLAB开发的医学图像处理系统，专门用于核磁共振（MRI）脑部图像的肿瘤检测与定量分析。系统融合了K-Means聚类算法的快速定位能力与模糊C-均值（FCM）算法对边缘处理的精确性，能够实现从原始图像输入、预处理、病灶分割到几何特征提取的全流程自动化处理。该系统不仅能直观展示分割结果，还能生成包含肿瘤面积、周长及形态学参数的定量分析报告，为医学辅助诊断提供科学依据。

功能特性

1. 多格式图像支持：系统支持包括JPG、PNG、TIF、BMP以及医学通用的DICOM格式图像读取。
2. 自动化预处理：内置中值滤波去噪与自适应直方图均衡化（CLAHE）功能，有效提升图像质量。
3. 混合聚类分割方案：结合硬聚类（K-Means）与模糊聚类（FCM），增强了对复杂边界和灰度重叠区域的识别精度。
4. 形态学精修处理：通过开闭运算、空洞填充及最大连通域提取，滤除孤立噪声，确保病灶识别的完整性与准确性。
5. 多维定量分析：自动计算肿瘤的实际面积、周长、等效直径及圆度系数，支持物理单位（mm）换算。
6. 可视化综合面板：通过多子图对比展示处理前后的图像、聚类热图、分割边界以及结构化数据报告。

系统要求

1. 运行环境：MATLAB R2016b 及以上版本。
2. 必备工具箱：图像处理工具箱 (Image Processing Toolbox)；模糊逻辑工具箱 (Fuzzy Logic Toolbox) 用于支持内置的FCM函数。

详细实现逻辑与功能说明

#### 1. 图像获取与初始化 系统启动后，通过文件选择对话框获取MRI图像。针对DICOM格式，系统会自动实施灰度归一化处理。为了保证系统的健壮性，若用户未选择文件，程序会生成一个包含模拟肿瘤和噪声的仿真MRI图像。系统为后续计算初始化了像素比例尺参数，确保定量数据具备物理意义。

#### 2. 图像增强预处理 系统采用双重增强方案。首先利用3x3模板的中值滤波去除图像中的椒盐噪声和高频干扰，同时保护边缘不被过度模糊；随后应用对比度受限自适应直方图均衡化（CLAHE），并指定瑞利分布（Rayleigh）进行对比度优化，使肿瘤组织与正常组织的灰度差异更加显著。

#### 3. 基于K-Means的初步分割 系统将预处理后的图像数据转化为一维向量，应用K-Means算法将像素划分为背景、正常脑组织和疑似病灶三类。通过寻找聚类中心灰度值最大的类别，系统能够快速定位出肿瘤在图像中的大致分布范围。

#### 4. 基于模糊C-均值（FCM）的精细分割 为了处理肿瘤边缘的模糊性，系统引入FCM算法。该算法为每个像素分配对各聚类中心的隶属度，通过迭代优化目标函数。系统提取肿瘤类别的隶属度矩阵，并将其转化为概率分布热图。这种模糊分割方式比硬聚类更能客观反映脑组织边界的过渡状态。

#### 5. 形态学后处理与目标精炼 初步分割产生的掩膜往往存在细小颗粒或内部空洞。系统首先执行基于圆盘状结构元素的开运算以断开细小连接并消除噪点，接着执行闭运算填补肿瘤内部空洞。最后，系统遍历所有连通区域并保留面积最大的目标，以此排除脑部其他高亮度非肿瘤组织的干扰。

#### 6. 定量特征提取与计算 系统调用区域属性提取函数对最终确定的病灶区域进行参数测量：

• 面积计算：统计像素总数并结合缩放系数换算为平方毫米。
• 周长测量：精确追踪肿瘤边缘轮廓的长度。
• 等效直径：计算与肿瘤区域面积相等的圆的直径。
• 圆度系数：通过周长与面积的比率关系评估病灶形状的规则程度，数值越接近1表示越接近圆形。

#### 7. 结果呈现与报告 系统通过一个集成的图形窗口输出结果：

• 左侧展示原始图像与增强图像的对比。
• 中间展示FCM生成的隶属度热图，直观反映算法的中间推导逻辑。
• 右上方展示K-Means初步提取的轮廓。
• 右下方在原始图像上以红线动态叠加最终分割出的肿瘤边缘。
• 右侧面板以文本形式输出结构化的定量分析报告，为临床决策提供直观数据支持。