基于自适应图滤波器的脑核磁共振图像分割方法研究

发布时间：2020-04-10 16:16

【摘要】：医学图像分割是对正常组织和病变组织进行三维重建、定量分析的基本步骤。核磁共振图像由于其空间高分辨率和良好的软组织对比度,被广泛运用于脑部检测当中。由于核磁共振成像采用并行多线圈的采集方法,MRI成像过程受电子噪声和偏移失真的影响,导致MRI图像存在噪声和偏场效应。在实际医学应用中,由于图像采集设备的分辨率限制,单个体素中很容易包含两种组织,即出现了组织重叠的状态,也就是常说的容积效应。上述问题,都使得MRI图像分割变得极具挑战性。随着统计学习、图谱理论和数字图像处理技术的发展,基于图论的信号处理为解决图像分割问题提供了新理论和新方法,其中基于图滤波器的聚类算法就是其中之一。由于脑部MRI图像的特殊性,仅考虑像素强度特征或空间特征,对分割方法而言都不是很好的选择。而图信号通过将数据映射底层图,巧妙的将数据信息和空间特征相结合,可以获得较好的分割效果,是一种具有潜力的聚类算法。作为经典的基于图信号的聚类方法,图滤波器方法也存在一定的缺陷,为了修正这些缺陷,很多学者也做出了巨大贡献,从而推动了图信号聚类理论的发展。超像素方法作为新颖的图像分割方法,在图像预处理阶段可以降低计算的复杂度,在一定程度上可以抑制噪声偏场。超像素方法聚焦局部区域特征,在强化图像区域一致性的同时,也可以尽力保留图像原始边界信息和区域形状信息,有助于提高图像分割的准确度。因而被广泛的运用于各领域图像分割的预处理阶段。基于上述背景,本文提出了一种基于自适应图滤波器和超体素方法的脑部MRI图像分割算法,该算法充分利用图信号的优越性,结合图空间信息和像素强度信息,在实验中获得较好的效果。该算法首先通过超体素方法对图像进行细化分割,获得尺寸均匀的超像素。然后将超像素看成顶点,映射为图信号进行平滑滤波,进一步抑制超像素中的噪声偏场,最后通过二次映射,获得分割结果。本文提出的方法可以有效克服噪声和偏场影响,相较于图滤波器聚类方法有更高的分割准确度和更强的算法鲁棒性。
【图文】：

顶点,数据集中,信号,复数集

信号基本理论图信号的定义虑这样一个数据集，元素数量为 N，数据之间的某些关系信息已知。例如体的偏好以及个体间的友谊关系，作者发表的论文数量以及其合作者之间站文章的主题以及其文章中超链接的互相引用关系[53]。诸如上述的例子都式 G = (V, A)来表示，其中 V 表示的是顶点集合，数据集中每个元素对应A 表示是带权重的邻接矩阵，Anm表示的从 vm指向 vn有向边的权值，表示的关系。在有向图中，所有指向顶点vn的点称为顶点vn的邻域，记为Nn={m|A般情况下，数据集中的元素是由各顶点产生的多维向量，图信号则定义为到复数集合 C 的映射：:n ns v C v s个信号都是同构的 N 维复数值向量，图信号可以用如下数字形式表示：0 1{ : ( , , ) , }TN nS s s s s s C i与底层图 G = (V, A)中的顶点 vi代表的数据相对应，信号空间 S 为复数域

数字图像,数字图像

信号基本理论图信号的定义虑这样一个数据集，元素数量为 N，数据之间的某些关系信息已知。例如体的偏好以及个体间的友谊关系，，作者发表的论文数量以及其合作者之间站文章的主题以及其文章中超链接的互相引用关系[53]。诸如上述的例子都式 G = (V, A)来表示，其中 V 表示的是顶点集合，数据集中每个元素对应A 表示是带权重的邻接矩阵，Anm表示的从 vm指向 vn有向边的权值，表示的关系。在有向图中，所有指向顶点vn的点称为顶点vn的邻域，记为Nn={m|A般情况下，数据集中的元素是由各顶点产生的多维向量，图信号则定义为到复数集合 C 的映射：:n ns v C v s个信号都是同构的 N 维复数值向量，图信号可以用如下数字形式表示：0 1{ : ( , , ) , }TN nS s s s s s C i与底层图 G = (V, A)中的顶点 vi代表的数据相对应，信号空间 S 为复数域
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;TN713

【相似文献】