本文關(guān)鍵詞： 馬爾科夫隨機(jī)場(chǎng) 改進(jìn)FCM 高斯混合模型 EM算法 牛頓迭代法　出處：《昆明理工大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：在臨床醫(yī)療診斷,尤其是對(duì)人身體內(nèi)部結(jié)構(gòu)的診斷當(dāng)中,常常會(huì)使用到不同的醫(yī)療影像作為重要的診斷手段,而醫(yī)療影像分割技術(shù)則是對(duì)這些醫(yī)療影像進(jìn)行分析和應(yīng)用的重點(diǎn)基本環(huán)節(jié)。對(duì)于醫(yī)療影像來(lái)說(shuō),那些不相似的圖像部分通常被用來(lái)對(duì)不同的結(jié)構(gòu),組織和病變部分來(lái)用作分析。對(duì)于專業(yè)的醫(yī)療工作者來(lái)說(shuō),他們關(guān)注的往往只是圖片中的患病區(qū)域,而這些患病區(qū)域就是我們需要分割的目標(biāo)區(qū)域。而對(duì)于真實(shí)人腦圖像的分割方法來(lái)說(shuō),在目前醫(yī)療設(shè)備基礎(chǔ)之上的真實(shí)人腦圖像分割方法已經(jīng)被提出了很多。但是直到現(xiàn)在任然沒有一種完善的分割方法能夠應(yīng)用于人腦圖像的各種組織從而進(jìn)行準(zhǔn)確而有效的分割,現(xiàn)實(shí)中能作為臨床使用的自動(dòng)分割手段依然較少,大多數(shù)使用的仍然是以專業(yè)人員的手動(dòng)分割手段為主。然而,手動(dòng)分割是一項(xiàng)耗時(shí)和困難的任務(wù),它分割的準(zhǔn)確與否主要取決于醫(yī)生的專業(yè)知識(shí)以及醫(yī)療經(jīng)驗(yàn),使得分割結(jié)果往往千差萬(wàn)別,因此自動(dòng)的用于臨床醫(yī)療的人腦圖像分割方法的探討仍然是作為圖像處理領(lǐng)域中研究的熱點(diǎn)。真實(shí)的人腦MRI對(duì)人腦疾病的診斷有不可替代的作用。如腦瘤,腦梗塞,帕金森綜合癥等腦部疾病患者的人腦醫(yī)療影像的分割結(jié)果,能夠幫助專業(yè)醫(yī)護(hù)工作者進(jìn)行快速而準(zhǔn)確的診斷。但是MRI的成像原理會(huì)使得人腦醫(yī)療影像表現(xiàn)出一定的模糊性,使得腦灰質(zhì)、腦白質(zhì)和腦脊液等各組織之間邊界出現(xiàn)過(guò)渡現(xiàn)象從而產(chǎn)生邊界上的不明確與不連續(xù)。這些由于人腦MRI的模糊特性產(chǎn)生的邊界不確定性與不連續(xù)性都會(huì)使得人腦MRI分割的困難大大增加。同時(shí)在人腦醫(yī)療影像的成像過(guò)程中,由于設(shè)備的影像采集,影像傳輸,影像壓縮與解碼,熱、電噪音,部分容積效應(yīng)以及磁場(chǎng)的非均勻性等多種因素共同產(chǎn)生的影響,使得人腦MRI為模糊圖像并且存在著許多的加性噪聲,而在噪聲的影響下,要實(shí)現(xiàn)人腦MRI的準(zhǔn)確分割,其難度將會(huì)大大提高�；谏鲜龅脑�,本文希望通過(guò)對(duì)不同的醫(yī)療影像分割手段的對(duì)比研究,尤其是對(duì)人腦MRI分割手段的研究,從而得到一個(gè)魯棒性,抗噪性和泛化性優(yōu)良的人腦MRI自動(dòng)化分割方法。本文的主要內(nèi)容如下:(1)由于馬爾科夫隨機(jī)場(chǎng)擁有優(yōu)良的空間相關(guān)性,能夠很好的對(duì)人腦MRI紋理和邊緣進(jìn)行有效劃分,同時(shí)因?yàn)槿四XMRI的灰度分布呈現(xiàn)高斯分布特征,本文運(yùn)用高斯函數(shù)建立馬爾科夫隨機(jī)場(chǎng)模型能夠很好的符合人腦MRI的分布特點(diǎn);同時(shí)針對(duì)馬爾科夫隨機(jī)場(chǎng)對(duì)噪聲較為敏感的特點(diǎn),本文提出一種圖像濾波方法,并與馬爾科夫隨機(jī)場(chǎng)模型相結(jié)合使用,克服了馬爾科夫隨機(jī)場(chǎng)模型對(duì)噪聲敏感的缺點(diǎn);而對(duì)于馬爾科夫隨機(jī)場(chǎng)模型的求解,本文主要運(yùn)用模擬退火算法來(lái)進(jìn)行,但是傳統(tǒng)的模擬退火算法求解馬爾科夫隨機(jī)場(chǎng)模型的計(jì)算成本較高,針對(duì)這點(diǎn),本文運(yùn)用基于穩(wěn)定點(diǎn)與不穩(wěn)定點(diǎn)模擬退火算法對(duì)馬爾科夫隨機(jī)場(chǎng)模型進(jìn)行求解,這一改變有效降低計(jì)算成本,提高了算法的時(shí)效性。(2)傳統(tǒng)的聚類分割方法通常是基于圖像灰度值的相似程度進(jìn)行像素劃分,這樣對(duì)含噪聲或邊緣模糊的人腦MRI進(jìn)行分割效果并不理想,基于這種考慮,一種融入了平均隸屬度的改進(jìn)FCM算法在本文中被提出,該算法能有效降低噪聲的影響;同時(shí)將改進(jìn)的FCM算法作為圖像的初始分割算法,其良好的抗噪性可以生成優(yōu)良的初始參數(shù),有效改進(jìn)分割的效果。(3)由于傳統(tǒng)的高斯混合模型的抗噪性和魯棒性較差,運(yùn)用于人腦MRI的分割中往往并不理想,針對(duì)這一缺點(diǎn),一種運(yùn)用隱高斯混合模型來(lái)進(jìn)行分割的人腦MRI分割方法在本文中將被提出。傳統(tǒng)的高斯混合模型由于忽略了空間信息和未考慮分割結(jié)果的分布情況導(dǎo)致模型不完整。針對(duì)這些缺點(diǎn),本文把分割結(jié)果的假設(shè)概率密度函數(shù)作為隱含數(shù)據(jù)引入到高斯混合模型,建立了非線性加權(quán)的隱高斯混合模型;同時(shí)引入了含空間信息與平滑系數(shù)的高斯權(quán)重置指數(shù);運(yùn)用EM算法與牛頓迭代法對(duì)類均值,類方差以及平滑系數(shù)進(jìn)行求解,最后根據(jù)最大后驗(yàn)概率準(zhǔn)則得到人腦MRI的最終分割結(jié)果。
[Abstract]:For medical images , the segmentation of human brain images is still a focus in the field of image processing . However , the method of segmentation is still a hotspot in the field of image processing . In this paper , the traditional Gaussian mixture model is proposed in this paper , which can effectively reduce the influence of noise and improve the efficiency of the algorithm .

【學(xué)位授予單位】：昆明理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：R445;TP391.41

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊素華;陳瓊;羅艷芬;;基于Graph-Cuts的腦部MRI圖像腦組織提取方法[J];中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào);2014年05期

2 劉岳;王小鵬;于揮;張?chǎng)?;基于形態(tài)學(xué)多尺度修正的模糊C均值腦腫瘤分割方法[J];計(jì)算機(jī)應(yīng)用;2014年09期

3 宋艷濤;紀(jì)則軒;孫權(quán)森;;基于圖像片馬爾科夫隨機(jī)場(chǎng)的腦MR圖像分割算法[J];自動(dòng)化學(xué)報(bào);2014年08期

4 韓建寧;張權(quán);楊鵬;;基于腦瘤圖像三維重建的圖像分割改進(jìn)算法研究與實(shí)現(xiàn)[J];中北大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年03期

5 武園;葛玉榮;;一種基于腦部腫瘤MR圖像的分割方法[J];電子設(shè)計(jì)工程;2014年10期

6 王曉飛;聶生東;王遠(yuǎn)軍;;改進(jìn)的K-均值聚類算法及其在腦組織分割中的應(yīng)用[J];中國(guó)醫(yī)學(xué)物理學(xué)雜志;2014年02期

7 吳駿;孫明明;肖志濤;張芳;耿磊;;聯(lián)合蟻群算法和PCNN的腦部MRI圖像分割方法[J];光電子.激光;2014年03期

8 曹沛彩;劉晨彬;張海石;黃峰平;夏順仁;;基于C-V模型和MRF的腦部MRI分割[J];計(jì)算機(jī)工程;2014年03期

9 趙雯典;鄧振生;;基于邊緣競(jìng)爭(zhēng)模糊水平集的腦部磁共振圖像自動(dòng)分割[J];計(jì)算機(jī)應(yīng)用;2013年09期

10 任曉穎;呂曉琪;張寶華;喻大華;谷宇;;基于水平集的腦部MR圖像混合分割算法[J];科技通報(bào);2013年02期

相關(guān)碩士學(xué)位論文 前1條

1 韓宇;基于馬爾科夫隨機(jī)場(chǎng)和貝葉斯理論的人腦MR圖像的分割研究[D];昆明理工大學(xué);2014年

，

本文編號(hào)：1499164