学位论文 > 优秀研究生学位论文题录展示

MRI脑图像基底核区部位的分割算法研究

作　者: 朱兴瑞
导　师: 侯嘉
学　校: 苏州大学
专　业: 通信与信息系统
关键词: 基底核区分割区域生长数学形态学共生矩阵核模糊C均值聚类
分类号: TP391.41
类　型: 硕士论文
年　份: 2009年
下　载: 89次
引　用: 1次
阅　读: 论文下载

内容摘要

医学图像分割问题一直是图像处理领域中的经典难题。大脑组织具有特别复杂的结构,为了能够展开有效地后继处理,脑组织图像分割显得格外关键。本文的目标分割区域基底核区是大脑深部一系列神经核团组成的功能整体,其主要功能为自主运动的控制并同时参与记忆,情感和奖励学习等高级认知功能。但是目前尚未见到针对于像基底核区这样的多组织脑解剖结构的一种有效分割。首先,本文对当前常见的医学图像分割方法进行了归类整理,简要阐述了各类算法的特点与原理,把其中有代表性的算法应用于本文的待分割目标区域,并就结果分析讨论了这些算法在基底核区部位的分割缺陷。其次,针对待分割区域的特点,本文提出了一种结合区域生长和形态学的MRI医学图像脑组织分割方法,其采用了灵活的种子点选取方式,以区域生长算法为中心,结合先验知识,并以多种形态学算法作为后续精细修正处理步骤,它们相互补充,从多个角度来处理分割障碍,从而在复杂背景中实现对基底核区的有效分割。相对于传统的区域生长算法,本算法通过多种种子点选取方法以降低分割结果对初始种子点选取的依赖性,并尝试采用形态学方法解决传统区域生长算法对局部极值的敏感和复杂背景下固有的相邻组织灰度交叠而产生的多余分割情形。最后,根据高斯核模糊聚类算法的特点和提供的良好接口,引入一种结合共生矩阵纹理的脑组织分割方法。算法考虑了目标区域的纹理特征,并借鉴参数形变模型的初始化轮廓线方法,引入专家经验,消除模糊分类间断的缺点,采用形态学作为后续处理,最终提取出了有意义的分割结果。因为采用由确定性均值聚类得到的结果作为类别初始代表点,故而相对于传统的模糊聚类方法,提高了准确度,并由于使特征矢量集中于目标区域,使分割算法更加有针对性,从而也加快了分割速度。

全文目录

中文摘要  3-4
Abstract  4-8
第一章绪论  8-12
  1.1 核磁共振成像与MRI 脑图像简介  8-9
  1.2 图像分割的定义和医学上的意义  9-10
  1.3 基底核区的重要医学意义与解剖学结构  10-11
  1.4 本文的主要工作及内容安排  11-12
第二章医学磁共振图像分割方法概述  12-28
  2.1 医学图像分割应用的现状  12-13
  2.2 常见的医学图像分割技术  13-25
    2.2.1 基于阈值分割的方法  14-15
    2.2.2 基于人工神经网络的方法  15
    2.2.3 基于小波的方法  15-16
    2.2.4 基于形变模型的方法  16-20
      2.2.4.1 基于Snake 的梯度矢量流模型  16-18
      2.2.4.2 基于水平集的Chan-Vese 模型  18-20
    2.2.5 基于随机场模型的方法  20-21
    2.2.6 基于边缘检测的方法  21-22
    2.2.7 基于区域生长的方法  22-23
    2.2.8 基于模糊聚类的方法  23-25
    2.2.9 图谱引导的方法  25
  2.3 医学图像分割面临的困难  25-26
  2.4 医学图像发展的趋势  26
  2.5 分割结果的评测标准  26-28
第三章一种基于区域生长与数学形态学的分割方法  28-41
  3.1 数学形态学算法原理  28-31
    3.1.1 膨胀与腐蚀  28-30
    3.1.2 开运算和闭运算  30-31
  3.2 区域生长算法的基本原理  31-33
    3.2.1 种子点的选取  32
    3.2.2 生长准则和连通信息  32-33
    3.2.3 区域生长终止规则  33
  3.3 结合区域生长和数学形态学的分割算法设计  33-38
    3.3.1 种子点的选取方法  33-34
    3.3.2 基于种子点进行区域生长并八连通生长结果  34-36
    3.3.3 填充孔洞  36-37
    3.3.4 根据先验知识开运算  37
    3.3.5 形态学重构  37-38
    3.3.6 边界提取  38
  3.4 实验结果及讨论  38-41
第四章一种基于共生纹理与高斯核模糊均值聚类的分割方法  41-59
  4.1 几种常见的均值聚类算法概述  41-47
    4.1.1 确定性C-均值聚类算法  41-42
    4.1.2 模糊C-均值聚类算法(FCM)  42-44
    4.1.3 高斯核模糊C-均值聚类算法(KFCM)  44-47
      4.1.3.1 高斯核函数  44
      4.1.3.2 KFCM-1 算法  44-46
      4.1.3.3 KFCM-2 算法  46-47
  4.2 灰度共生矩阵(GLCM)  47-49
  4.3 基于共生纹理与高斯核模糊均值聚类的分割算法设计  49-54
    4.3.1 纹理度量与特征向量提取  49-51
    4.3.2 设定聚类数目和模糊度  51
    4.3.3 选取初始聚类中心  51-52
    4.3.4 更新样本隶属度和聚类中心  52-53
    4.3.5 计算目标函数并检测停止条件  53
    4.3.6 分类判别  53-54
    4.3.7 形态学后处理提取边界  54
  4.4 实验结果及讨论  54-59
第五章总结和展望  59-62
  5.1 本文研究工作的总结  60
  5.2 后续工作的展望  60-62
参考文献  62-65
攻读硕士学位期间发表的论文  65-66
致谢  66-67
详细摘要  67-69

MRI脑图像基底核区部位的分割算法研究

内容摘要

全文目录

相似论文