醫(yī)學(xué)圖像分割是圖像分割技術(shù)基于醫(yī)學(xué)影像處理領(lǐng)域的重要應(yīng)用,它是將醫(yī)學(xué)圖像中感興趣區(qū)域信息提取出來的一種方法,是醫(yī)學(xué)圖像處理從圖像采集到圖像識別過程中至關(guān)重要的一步。醫(yī)學(xué)圖像分割方法從起初提出到現(xiàn)在一直被研究者給予高度的重視,基于大量圖像信息和數(shù)學(xué)理論的分割方法已經(jīng)被提出。在各類分割方法中,基于聚類分析的圖像分割算法是將聚類理論恰當(dāng)?shù)膽?yīng)用于圖像分割領(lǐng)域。對于圖像分割問題,聚類方法的實質(zhì)是依據(jù)像素間特征的相似度對像素點進行劃分從而達到圖像分割的目的。但是對于目前的聚類算法本身來說,其存在著許多的問題,嚴重影響了圖像分割的計算效率和分割效果。近年來,隨著機器學(xué)習(xí)算法的發(fā)展,基于聚類分析理論的醫(yī)學(xué)圖像分割研究已成為醫(yī)學(xué)圖像領(lǐng)域研究的熱點。本文主要研究了醫(yī)學(xué)圖像分割技術(shù)中兩種常用的聚類分析方法,首先研究了GMM（Gaussian mixture model）在醫(yī)學(xué)圖像分割技術(shù)中的應(yīng)用,并對高斯混合模型中常用初始化方法和參數(shù)尋優(yōu)算法進行了改進研究。其次基于傳統(tǒng)的FCM模型提出了基于空間信息的遺傳模糊聚類分割方法。最后基于MATLAB2018a平臺將本文新建模型結(jié)合醫(yī)學(xué)圖像進行分割實驗,從實驗結(jié)果看... 

【文章來源】：蘭州理工大學(xué)甘肅省

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【部分圖文】：

醫(yī)學(xué)圖像分割的意義本節(jié)基于圖像處理技術(shù)和機器學(xué)習(xí)理論，分別研究了口腔CT圖像分割與MR

基于聚類分析的醫(yī)學(xué)圖像分割研究10第二章醫(yī)學(xué)圖像分割理論基礎(chǔ)2.1引言圖像分割是一種根據(jù)圖像的特征信息并依據(jù)視覺信息處理相關(guān)圖像的數(shù)學(xué)模型，這些特征主要有灰度、邊緣、紋理和目標先驗知識等，就是實現(xiàn)自動準確地提取目標區(qū)域的過程。在醫(yī)學(xué)圖像處理和臨床診斷過程中，醫(yī)學(xué)圖像分割是最為關(guān)鍵的一步，目標區(qū)域分割的精確度直接影響到后續(xù)醫(yī)療診斷的準確性，是醫(yī)學(xué)圖像分析、理解、描述和三維重建的基矗醫(yī)學(xué)圖像分割目的就是從醫(yī)療影像設(shè)備獲得的圖像中提取感興趣的區(qū)域，從而進行圖像的理解，為臨床治療的診斷提供可靠的理論支撐，醫(yī)學(xué)圖像的分割在醫(yī)學(xué)圖像處理中起著至關(guān)重要的作用，分割后的結(jié)果可以為醫(yī)學(xué)圖像的三維重建以及醫(yī)學(xué)圖像的可視化提供可靠的理論依據(jù)[30]。圖像分割在圖像處理中的重要性如圖2.1所示。圖2.1圖像分割與圖像處理的關(guān)系在已有的分割算法中能利用的圖像信息往往只是其中的部分特征，這就導(dǎo)致各種已有分割算法的準確率和效率必然很低。目前大部分已有的分割方法只能局限于某一類型的圖像或某一領(lǐng)域具體應(yīng)用的分割，普遍運用的方法和策略依然需要克服很多的困難。一般地，只有在圖像分割過程中全面考慮圖像特征，才可以提高算法的抗噪聲性能和分割精度。但是，在實際中設(shè)計算法分割時很難實現(xiàn)，只能盡最大可能利用更多的特征建立圖像分割模型。根據(jù)已有的研究成果可知，有許多外在與內(nèi)在因素嚴重影響了分割性能，如圖2.2所示，主要有噪聲、灰度不均、部分容積效應(yīng)和偽影以及特征多樣性缺乏等。其中主要的影響來自于噪聲，

碩士學(xué)位論文11噪聲主要是由于圖像采集設(shè)備的影響，在分割之前需要選取恰當(dāng)?shù)姆椒ㄟM行預(yù)處理，以減少對分割效果的影響[31]。圖2.2醫(yī)學(xué)圖像分割中的問題針對醫(yī)學(xué)圖像中的各種問題，大量的分割算法被提出，主要包括基于閾值的方法、基于區(qū)域的方法、基于邊緣的方法、基于聚類的方法、基于神經(jīng)網(wǎng)絡(luò)的方法和基于圖論的方法。2.2圖像分割的概念圖像分割是根據(jù)圖像的的灰度、顏色、紋理、局部統(tǒng)計特征或頻譜特征等特征屬性，并且通過這些特征的差異將圖像分成若干個特定的、具有獨特性質(zhì)區(qū)域的一種圖像處理過程。依照數(shù)學(xué)角度來看，圖像分割可以表述為將數(shù)字圖像劃分彼此沒有交集的區(qū)域的過程，如果用I表示原始圖像，用H判斷子集合是否具有相同的性質(zhì)，用Ri表示原始圖像的子區(qū)域，其中i=1,2…,n，則滿足如下性質(zhì)[32]：(1)1;niiRI(2),,,;ijijijRR(3),1,2,,,();iiinHRTrue(4),,,();ijijijHRRFalse(5),1,2,,,iiinR是連通的區(qū)域。(1)表明同一子區(qū)域能合并為原始的完整圖像，即完整性。(2)表明各個子區(qū)域互不相交，即獨立性。(3)表明在同一子區(qū)域具有某些相似的特性，即單一性。

【參考文獻】：
期刊論文
[1]基于遺傳密度峰值聚類的醫(yī)學(xué)圖像分割[J]. 何瀚志,朱紅,王偉.  計算機工程與設(shè)計. 2019(03)
[2]核空間局部自適應(yīng)模糊C-均值聚類圖像分割算法[J]. 梁丹,于海燕,范九倫,雒僖.  微電子學(xué)與計算機. 2019(02)
[3]可變類譜聚類遙感影像分割[J]. 李玉,袁永華,趙雪梅.  電子學(xué)報. 2018(12)
[4]用于圖像分割的多分類高斯混合模型和基于鄰域信息的高斯混合模型[J]. 柴五一,楊豐,袁紹鋒,黃靖.  計算機科學(xué). 2018(11)
[5]模糊隸屬度加權(quán)的KFCM腦MRI的組織分割方法[J]. 趙海峰,陳書海.  計算機輔助設(shè)計與圖形學(xué)學(xué)報. 2018(11)
[6]基于改進空間模糊聚類的DTI圖像分割算法[J]. 劉絮雨,張相芬,馬燕,李傳江,楊燕勤.  中國生物醫(yī)學(xué)工程學(xué)報. 2018(04)
[7]自適應(yīng)特征選取的魯棒模糊聚類分割算法[J]. 吳成茂,白鷺.  小型微型計算機系統(tǒng). 2018(08)
[8]基于機器學(xué)習(xí)的圖像分割研究[J]. 安強強,張峰,李趙興,張雅瓊.  自動化與儀器儀表. 2018(06)
[9]自適應(yīng)距離和模糊拓撲優(yōu)化的模糊聚類SAR影像變化檢測[J]. 王建明,史文中,邵攀.  測繪學(xué)報. 2018(05)
[10]基于空間信息改進聚類的切倫科夫熒光圖像去噪算法[J]. 賀小偉,孫怡,衛(wèi)瀟,盧笛,曹欣,侯榆青.  光學(xué)學(xué)報. 2018(10)

博士論文
[1]基于混合模型和空間信息的圖像分割研究[D]. 邵光普.華中科技大學(xué) 2019
[2]基于圖割的圖像分割方法研究[D]. 辛月蘭.陜西師范大學(xué) 2018
[3]基于多統(tǒng)計信息的形變模型醫(yī)學(xué)圖像分割[D]. 鄭申海.重慶大學(xué) 2018
[4]高分辨率SAR圖像分割與分類方法研究[D]. 馮籍瀾.電子科技大學(xué) 2015

碩士論文
[1]模糊多閾值醫(yī)學(xué)圖像分割算法研究[D]. 劉峰寧.南京郵電大學(xué) 2019
[2]基于VR的醫(yī)學(xué)圖像處理與分析系統(tǒng)研究與應(yīng)用[D]. 王正中.電子科技大學(xué) 2018
[3]多閾值與多圖譜方法在醫(yī)學(xué)圖像分割上的應(yīng)用研究[D]. 徐云龍.山東大學(xué) 2017
[4]醫(yī)學(xué)圖像的分割與三維可視化[D]. 傅杰.浙江大學(xué) 2017
[5]基于層次貝葉斯自適應(yīng)稀疏的高斯混合模型[D]. 王炳輝.大連理工大學(xué) 2015
[6]基于模糊C均值聚類的圖像分割算法研究[D]. 李偉.哈爾濱工程大學(xué) 2013



本文編號：2927293