基于高斯混合模型马尔科夫随机场与模糊聚类的人脑MRI分割方法研究
本文关键词： 马尔科夫随机场 改进FCM 高斯混合模型 EM算法 牛顿迭代法 出处：《昆明理工大学》2017年硕士论文 论文类型：学位论文
【摘要】：在临床医疗诊断,尤其是对人身体内部结构的诊断当中,常常会使用到不同的医疗影像作为重要的诊断手段,而医疗影像分割技术则是对这些医疗影像进行分析和应用的重点基本环节。对于医疗影像来说,那些不相似的图像部分通常被用来对不同的结构,组织和病变部分来用作分析。对于专业的医疗工作者来说,他们关注的往往只是图片中的患病区域,而这些患病区域就是我们需要分割的目标区域。而对于真实人脑图像的分割方法来说,在目前医疗设备基础之上的真实人脑图像分割方法已经被提出了很多。但是直到现在任然没有一种完善的分割方法能够应用于人脑图像的各种组织从而进行准确而有效的分割,现实中能作为临床使用的自动分割手段依然较少,大多数使用的仍然是以专业人员的手动分割手段为主。然而,手动分割是一项耗时和困难的任务,它分割的准确与否主要取决于医生的专业知识以及医疗经验,使得分割结果往往千差万别,因此自动的用于临床医疗的人脑图像分割方法的探讨仍然是作为图像处理领域中研究的热点。真实的人脑MRI对人脑疾病的诊断有不可替代的作用。如脑瘤,脑梗塞,帕金森综合症等脑部疾病患者的人脑医疗影像的分割结果,能够帮助专业医护工作者进行快速而准确的诊断。但是MRI的成像原理会使得人脑医疗影像表现出一定的模糊性,使得脑灰质、脑白质和脑脊液等各组织之间边界出现过渡现象从而产生边界上的不明确与不连续。这些由于人脑MRI的模糊特性产生的边界不确定性与不连续性都会使得人脑MRI分割的困难大大增加。同时在人脑医疗影像的成像过程中,由于设备的影像采集,影像传输,影像压缩与解码,热、电噪音,部分容积效应以及磁场的非均匀性等多种因素共同产生的影响,使得人脑MRI为模糊图像并且存在着许多的加性噪声,而在噪声的影响下,要实现人脑MRI的准确分割,其难度将会大大提高。基于上述的原因,本文希望通过对不同的医疗影像分割手段的对比研究,尤其是对人脑MRI分割手段的研究,从而得到一个鲁棒性,抗噪性和泛化性优良的人脑MRI自动化分割方法。本文的主要内容如下:(1)由于马尔科夫随机场拥有优良的空间相关性,能够很好的对人脑MRI纹理和边缘进行有效划分,同时因为人脑MRI的灰度分布呈现高斯分布特征,本文运用高斯函数建立马尔科夫随机场模型能够很好的符合人脑MRI的分布特点;同时针对马尔科夫随机场对噪声较为敏感的特点,本文提出一种图像滤波方法,并与马尔科夫随机场模型相结合使用,克服了马尔科夫随机场模型对噪声敏感的缺点;而对于马尔科夫随机场模型的求解,本文主要运用模拟退火算法来进行,但是传统的模拟退火算法求解马尔科夫随机场模型的计算成本较高,针对这点,本文运用基于稳定点与不稳定点模拟退火算法对马尔科夫随机场模型进行求解,这一改变有效降低计算成本,提高了算法的时效性。(2)传统的聚类分割方法通常是基于图像灰度值的相似程度进行像素划分,这样对含噪声或边缘模糊的人脑MRI进行分割效果并不理想,基于这种考虑,一种融入了平均隶属度的改进FCM算法在本文中被提出,该算法能有效降低噪声的影响;同时将改进的FCM算法作为图像的初始分割算法,其良好的抗噪性可以生成优良的初始参数,有效改进分割的效果。(3)由于传统的高斯混合模型的抗噪性和鲁棒性较差,运用于人脑MRI的分割中往往并不理想,针对这一缺点,一种运用隐高斯混合模型来进行分割的人脑MRI分割方法在本文中将被提出。传统的高斯混合模型由于忽略了空间信息和未考虑分割结果的分布情况导致模型不完整。针对这些缺点,本文把分割结果的假设概率密度函数作为隐含数据引入到高斯混合模型,建立了非线性加权的隐高斯混合模型;同时引入了含空间信息与平滑系数的高斯权重置指数;运用EM算法与牛顿迭代法对类均值,类方差以及平滑系数进行求解,最后根据最大后验概率准则得到人脑MRI的最终分割结果。
[Abstract]:For medical images , the segmentation of human brain images is still a focus in the field of image processing . However , the method of segmentation is still a hotspot in the field of image processing . In this paper , the traditional Gaussian mixture model is proposed in this paper , which can effectively reduce the influence of noise and improve the efficiency of the algorithm .
【学位授予单位】：昆明理工大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：R445;TP391.41
【参考文献】
相关期刊论文 前10条
1 杨素华;陈琼;罗艳芬;;基于Graph-Cuts的脑部MRI图像脑组织提取方法[J];中国生物医学工程学报;2014年05期
2 刘岳;王小鹏;于挥;张雯;;基于形态学多尺度修正的模糊C均值脑肿瘤分割方法[J];计算机应用;2014年09期
3 宋艳涛;纪则轩;孙权森;;基于图像片马尔科夫随机场的脑MR图像分割算法[J];自动化学报;2014年08期
4 韩建宁;张权;杨鹏;;基于脑瘤图像三维重建的图像分割改进算法研究与实现[J];中北大学学报(自然科学版);2014年03期
5 武园;葛玉荣;;一种基于脑部肿瘤MR图像的分割方法[J];电子设计工程;2014年10期
6 王晓飞;聂生东;王远军;;改进的K-均值聚类算法及其在脑组织分割中的应用[J];中国医学物理学杂志;2014年02期
7 吴骏;孙明明;肖志涛;张芳;耿磊;;联合蚁群算法和PCNN的脑部MRI图像分割方法[J];光电子.激光;2014年03期
8 曹沛彩;刘晨彬;张海石;黄峰平;夏顺仁;;基于C-V模型和MRF的脑部MRI分割[J];计算机工程;2014年03期
9 赵雯典;邓振生;;基于边缘竞争模糊水平集的脑部磁共振图像自动分割[J];计算机应用;2013年09期
10 任晓颖;吕晓琪;张宝华;喻大华;谷宇;;基于水平集的脑部MR图像混合分割算法[J];科技通报;2013年02期
相关硕士学位论文 前1条
1 韩宇;基于马尔科夫随机场和贝叶斯理论的人脑MR图像的分割研究[D];昆明理工大学;2014年
，本文编号：1499164
本文链接：https://www.wllwen.com/yixuelunwen/fangshe/1499164.html
