基于K-means和图割的脑部MRI分割算法

发布时间：2021-12-23 16:24

　　为了克服原始图割算法在用户选定的像素种子点较少情况下,目标边界容易出现错分这一现象,本文提出了基于K-means和图割（Graph cut,GC）算法相结合的交互式K-均值图割（K-means and graph cut,KMGC）算法,对脑部核磁共振图像（Magnetic resonance image,MRI）进行交互式操作,该算法通过K-means聚类,对脑部MRI的灰度不均匀性进行了处理,在此基础上,再使用图割算法进一步对脑部MRI进行细化,从而达到有效地分割脑白质和脑灰质的目的。本文分别在仿真和真实的脑部MRI数据上进行了大量的实验,分别从定量分析和定性分析两个角度对实验结果进行了分析,并与其他分割算法进行了对比,对比实验结果标明,KMGC算法能够有效地对脑部MRI进行分割,并在分割效果上优于其他算法。 

【文章来源】：数据采集与处理. 2016,31(05)北大核心CSCD

【文章页数】：9 页

【文章目录】：
引言
1 相关算法研究
    1.1 图割算法[5]
        1.1.1 能量函数
            (1)区域属性项
            (2)边界属性项
        1.1.2 最大流/最小割
    1.2 K-means算法
2 两阶段MR图像分割算法
3 实验与分析
    3.1 KMGC算法和原始GC算法的对比实验
    3.2 KMGC算法和区域生长算法的对比实验
    3.3 KMGC算法和GOK-means算法的对比实验
    3.4 KMGC算法和人工交互分水岭区域合并算法的对比实验
4 结束语


【参考文献】：
期刊论文
[1]基于全局优化K均值聚类的医学图像分割方法[J]. 余柳青,覃晓,元昌安,蔡宏果.  广西师范学院学报(自然科学版). 2015(01)
[2]EM聚类和SVM自动学习的白细胞图像分割算法[J]. 郑馨,王勇,汪国有.  数据采集与处理. 2013(05)
[3]基于图割的图像分割方法及其新进展[J]. 刘松涛,殷福亮.  自动化学报. 2012(06)
[4]基于人工交互分水岭区域合并的医学图像分割研究[J]. 吕晓琪,范运洲,谷宇,刘静.  中国医学影像学杂志. 2010(06)



本文编号：3548802