基于多圖譜分割的融合算法研究.pdf

1、人體大腦結構復雜且功能各異，如海馬體、扁桃體、顳上回、小腦、腦干、尾狀核等關鍵腦結構與多種腦部疾病息息相關，對其精準分割是臨床診斷中醫(yī)生進行相關定量分析的前提，因此多圖譜分割技術成為了當前國內外的研究重點。多圖譜分割技術主要包括兩個關鍵步驟，分別為圖像配準和標記融合。將多個圖譜與目標圖像進行配準并選擇合適的標記融合算法對配準后的圖譜進行融合得到最終的分割結果。為了使得分割的結果更準確，需要選擇合適的標記融合算法，以便于配準后的圖像在融合

2、過程中實現高精度，從而對每個初始分割中的信息進行有效的提取，使得最終的分割結果具有代表性。標記融合方法中用的比較廣泛的有多數表決算法（MajorityVoting,MV）[1]、STAPLE算法[2](Simultaneous Truth and Performance Level Estimation)和COLLATE算法[3](Consensus Level，Labeler accuracy and Truth Estimation

3、)等。MV沒有考慮到各個分割圖像的差異性，STAPLE算法沒有利用圖像的先驗信息。為了獲得更高的分割精度，本文首先對腦部MR圖像進行預處理，包括顱骨剔除、濾波、灰度歸一化以及直方圖匹配等處理并對多個組織進行配準，然后對基于配準的多圖譜融合算法進行深入的研究并進行改進，主要內容如下:
　　(1)圍繞人腦MR圖像，研究分析了當前使用比較廣泛的MV融合算法和STAPLE融合算法，并使用這兩種方法對配準后的腦部圖像的多個組織進行融合，同時

4、選擇與金標準的相似性測度作為融合結果的評價標準，將這兩種方法融合的結果與最優(yōu)單圖譜分割結果進行比較。
　　(2)在MV融合算法的基礎上提出一種新的加權改進融合算法（Weight-Voting），利用圖譜和目標圖像之間的相似性測度作為圖像融合的權重，并分別對多個配準后的腦部組織進行融合，并將本文算法分別與最優(yōu)單圖譜、MV、STAPLE融合算法進行了比較。
　　實驗結果表明，多圖譜分割方法分割精度要高于最優(yōu)單圖譜分割方法，本文提