基于模糊聚類理論的腦MR圖像分割算法研究.pdf

1、腦疾病是威脅人類健康的常見病之一，如何借助于醫(yī)學影像檢查，定性和定量地分析腦組織，進而分析腦組織與腦疾病之間的關系已經成為研究的熱點。核磁共振成像技術(MRI)對腦這樣的軟組織特別有效，因而腦MRI在臨床上得到了大量的應用。準確分割腦組織結構是進行腦結構分析、三維可視化等后續(xù)處理的前提，可以提高腦疾病診斷的可靠性和治療方案的有效性。
　　本文對目前國內外多種圖像分割方法進行了綜述，針對腦MR圖像分割中存在的問題，發(fā)現基于模糊聚類理

2、論的分割方法具有諸多優(yōu)點且具有巨大的應用前景，因此，本文將目標集中在對模糊聚類算法的研究上，主要的工作和研究成果如下:針對受噪聲影響的腦MR圖像分割，提出了一種結合馬爾可夫隨機場(MRF)改進的FCM算法——α-MFFCM算法。該算法充分利用了MRF模型引進空間信息，克服了FCM沒有考慮空間信息而導致抗噪性能差的缺點。根據不同像素類型，提出了一種自適應權值控制FCM與MRF的結合權重，使二者結合更加合理。仿真實驗表明，本文方法在抗噪方面

3、優(yōu)于現存的一些模糊聚類算法。
　　針對灰度不均勻的腦MR圖像分割，提出了一種基于全局信息改進的BCFCM(Bias-Corrected FCM)算法——GBCFCM算法。全局信息的引入使得分割目標函數受鄰域區(qū)域信息和全局信息同時控制。該算法繼承了BCFCM算法在灰度不均勻圖像分割中的優(yōu)勢，同時，克服了BCFCM算法沒有考慮全局信息而不能準確分割偏移場較重區(qū)域和圖像邊緣區(qū)域的缺點。仿真實驗表明，本文算法在分割灰度不均勻圖像方面優(yōu)于現

4、存的一些模糊聚類算法。
　　針對噪聲和偏移場同時存在的腦MR圖像分割，提出了一種基于非局部信息(Non Local)改進的CLIC(Coherent Local Intensity Clustering)算法——CLICNL算法。非局部區(qū)域信息的引入使得分割算法的目標函數受局部區(qū)域信息和非局部區(qū)域信息同時控制。該算法準則函數的空間連貫性確保了偏移場的光滑性，非局部區(qū)域項確保了有效的抗噪性，使該算法同時具有抗噪和灰度不均勻校正的能力