基于KPCM优化算法的脑MR图像分割研究

发布时间：2023-05-21 19:41

　　目的:脑部疾病的预防和诊治是当前医学研究领域的重要方向之一,利用脑影像检查技术定性和定量的分析脑功能,对有效诊断脑疾病有重要的帮助。其中,核磁共振成像(Magnetic Resonance Imaging,MRI)以其无创、低成本的优势而获得广泛应用。然而,由于脑部结构自身复杂性以及MR成像局部边缘模糊、区域灰度不均匀等问题,使得脑MR图像分割一直是研究热点和难点问题。方法:模糊c-均值(Fuzzy C-Means,FCM)聚类算法由于其具有运算速度快,无监督且易实现等特点被广泛地应用于MR图像分割中。然而,该算法没有利用图像中的空间信息,因此我们首先选用基于核函数的概率c-均值(Kernelized Possibilistic C-Means,KPCM)聚类算法作为分割的算法,采用自适应中值滤波滤除图像中的噪声,降低噪声对分割的影响,再采用粒子群优化(Particle Swarm Optimization,PSO)和遗传算法(Genetic Algorithm,GA)相结合的联合优化算法确定图像的初始参数值,从而避免了算法陷入局部极值的危险,提升了算法的分割效率。结果:将优化后的算法...

【文章页数】：62 页

【学位级别】：硕士

【文章目录】：
中英文缩略词对照表
摘要
ABSTRACT
前言
    1.医学图像分割的研究意义
    2.核磁共振成像技术
    3.医学图像分割常用方法
        3.1 基于区域的分割方法
        3.2 基于边缘的分割方法
        3.3 基于模糊聚类的分割方法
    4 研究思路与内容
材料与研究方法
    1.脑图像分割数据的收集
    2.图像分割的基本概念
    3.基于模糊c-均值图像分割方法研究
        3.1 模糊c-均值聚类算法(FCM)
            3.1.1 算法的原理
            3.1.2 算法对图像的分割
        3.2 核模糊c-均值算法(KFCM)
            3.2.1 核函数的原理
            3.2.2 核表示及核函数
            3.2.3 算法的原理
        3.3 概率c-均值聚类算法(PCM)
        3.4 基于核函数的概率c-均值聚类算法(KPCM)
            3.4.1 算法的原理
            3.4.2 算法对图像的分割
        3.5 几种有效的脑MR图像分割算法
    4.基于核函数的概率c-均值聚类算法的改进
        4.1 影响聚类分割的因素
            4.1.1 图像中的噪声
            4.1.2 算法的初始化
        4.2 自适应中值滤波
        4.3 智能优化相关
            4.3.1 粒子群优化算法(PSO)
            4.3.2 遗传算法(GA)
        4.4 PSO结合GA优化KPCM聚类算法
    5.实验环境
结果和讨论
    1.图像分割有效性评价指标
    2.不同聚类方法的分割效果
        2.1 人工合成图像的实验
        2.2 模拟脑部MR图像的实验
        2.3 真实脑部MR图像的实验
结论
参考文献
综述
    参考文献
作者简介及读研期间主要科研成果
致谢



本文编号：3821330