【摘要】：隨著技術(shù)的不斷提高,核磁共振成像(MRI)因其高質(zhì)量的成像效果已成為人體各部分組織病變檢測(cè)的重要手段,在腦部病變檢測(cè)中的應(yīng)用最為廣泛。MRI腦腫瘤的準(zhǔn)確分割為快速臨床診斷和治療提供了可靠性。但是腦腫瘤病例的多樣性又給腦腫瘤分割的研究帶來(lái)困難。本文在現(xiàn)有腦腫瘤圖像分割算法的基礎(chǔ)上,利用電勢(shì)能理論、區(qū)域生長(zhǎng)算法、粒子群算法、FCM算法等對(duì)現(xiàn)有算法進(jìn)行了改進(jìn)和優(yōu)化,更好地分割腦腫瘤圖像。首先,本文介紹了國(guó)內(nèi)外腦腫瘤圖像分割的研究現(xiàn)狀,常用的腦腫瘤分割算法和核磁共振成像原理,為后續(xù)的研究奠定理論基礎(chǔ)。其次,本文提出了一種改進(jìn)的區(qū)域生長(zhǎng)算法。通過(guò)借助電子學(xué)中“勢(shì)能”的概念,將圖像的每個(gè)點(diǎn)的像素值作為點(diǎn)電荷的電荷量。借助各個(gè)像素點(diǎn)“電荷量”的大小進(jìn)行粗分割。在區(qū)域生長(zhǎng)中引入四元數(shù),根據(jù)四元數(shù)的表示形式取種子點(diǎn)上下左右四點(diǎn)像素值表示種子點(diǎn)像素值,同時(shí)利用四元數(shù)矢量積結(jié)合粒子群算法確定生長(zhǎng)規(guī)則。使用上述改進(jìn)的區(qū)域生長(zhǎng)算法,準(zhǔn)確地分割圖像。再次,在優(yōu)化粒子群優(yōu)化算法和模糊聚類的基礎(chǔ)上,改進(jìn)了一種FCM算法。通過(guò)優(yōu)化粒子群優(yōu)化算法得到聚類中心,解決聚類中心選擇不良的問(wèn)題;將空間信息的懲罰項(xiàng)加入到FCM算法中,解決了傳統(tǒng)FCM算法使圖像分割不足的問(wèn)題。準(zhǔn)確地分割了腦腫瘤圖像。最后,將本文所提出的兩種分割方法進(jìn)行對(duì)比實(shí)驗(yàn),得出二者各有優(yōu)勢(shì)的結(jié)論,改進(jìn)的區(qū)域生長(zhǎng)算法使用時(shí)間較短但精度較低,改進(jìn)的FCM算法精度較高但需要較長(zhǎng)時(shí)間。
【圖文】：

圖 3.1 MR 腦腫瘤圖像粗分割的算法框圖，電勢(shì)能（Electric Potential Energy）[55]是電場(chǎng)中電荷布的配置有關(guān)。根據(jù)物理定律，在點(diǎn)0r 處有一個(gè)電荷造一個(gè)電勢(shì)場(chǎng)的空間,其公式為：||||()0rrkQr r)是電勢(shì)，k 是常量，一般9k 8.99 10，0|| r r|| 是在庫(kù)侖力 F ( r )是由一個(gè)位于點(diǎn)0r 電荷量Q的物體作用于體上形成的，其公式為：

第 3 章 基于區(qū)域生長(zhǎng)算法的腦腫瘤圖像分割22圖 3.1 MR 腦腫瘤圖像粗分割的算法框圖3.2.1 電勢(shì)能在靜電學(xué)中，電勢(shì)能（Electric Potential Energy）[55]是電場(chǎng)中電荷分布的勢(shì)能，它與系統(tǒng)中電荷分布的配置有關(guān)。根據(jù)物理定律，在點(diǎn)0r 處有一個(gè)電荷量為Q的物體，在任意點(diǎn)r處創(chuàng)造一個(gè)電勢(shì)場(chǎng)的空間,其公式為：||||()0rrkQr （3-1）其中， ( r)是電勢(shì)，k 是常量，一般9k 8.99 10，0|| r r|| 是在點(diǎn)r 和0r 之間的歐幾里得距離。庫(kù)侖力 F ( r )是由一個(gè)位于點(diǎn)0r 電荷量Q的物體作用于另一個(gè)位于點(diǎn)r電荷量為q的物體上形成的
【學(xué)位授予單位】：長(zhǎng)春工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;R741.04

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李新波;李曉青;劉國(guó)君;石要武;楊志剛;;用于聲矢量陣列波達(dá)方向估計(jì)的四元數(shù)最小范數(shù)法[J];光學(xué)精密工程;2014年07期

2 王曉春;黃靖;楊豐;羅蔓;;基于SVM模型參數(shù)優(yōu)化的多模態(tài)MRI圖像腫瘤分割方法[J];南方醫(yī)科大學(xué)學(xué)報(bào);2014年05期

3 梁肖;胡貞;呂曉玲;代燕;;基于自適應(yīng)閾值的活體細(xì)胞圖像分割改進(jìn)方法[J];長(zhǎng)春理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年Z2期

4 黃太安;生佳根;徐紅洋;黃澤峰;;一種改進(jìn)的簡(jiǎn)化粒子群算法[J];計(jì)算機(jī)仿真;2013年02期

5 孫君頂;李琳;;基于BP神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分類[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2012年03期

6 王梅;周向東;許紅濤;施伯樂(lè);;基于可判別超平面樹的生成模型圖像標(biāo)注方法[J];軟件學(xué)報(bào);2009年09期

7 李偉;陳武凡;;基于圖論的交互式腦部腫瘤MRI自動(dòng)三維分割[J];南方醫(yī)科大學(xué)學(xué)報(bào);2009年01期

8 胡旺;李志蜀;;一種更簡(jiǎn)化而高效的粒子群優(yōu)化算法[J];軟件學(xué)報(bào);2007年04期

9 杜世平;;對(duì)經(jīng)典隱馬爾可夫模型學(xué)習(xí)算法的改進(jìn)[J];高等數(shù)學(xué)研究;2006年04期

10 徐海祥;喻莉;朱光喜;張翔;田金文;;基于支持向量機(jī)的磁共振腦組織圖像分割[J];中國(guó)圖象圖形學(xué)報(bào);2005年10期

，

本文編號(hào)：2592608