目的:腦部疾病的預(yù)防和診治是當(dāng)前醫(yī)學(xué)研究領(lǐng)域的重要方向之一,利用腦影像檢查技術(shù)定性和定量的分析腦功能,對(duì)有效診斷腦疾病有重要的幫助。其中,核磁共振成像(Magnetic Resonance Imaging,MRI)以其無(wú)創(chuàng)、低成本的優(yōu)勢(shì)而獲得廣泛應(yīng)用。然而,由于腦部結(jié)構(gòu)自身復(fù)雜性以及MR成像局部邊緣模糊、區(qū)域灰度不均勻等問(wèn)題,使得腦MR圖像分割一直是研究熱點(diǎn)和難點(diǎn)問(wèn)題。方法:模糊c-均值(Fuzzy C-Means,FCM)聚類(lèi)算法由于其具有運(yùn)算速度快,無(wú)監(jiān)督且易實(shí)現(xiàn)等特點(diǎn)被廣泛地應(yīng)用于MR圖像分割中。然而,該算法沒(méi)有利用圖像中的空間信息,因此我們首先選用基于核函數(shù)的概率c-均值(Kernelized Possibilistic C-Means,KPCM)聚類(lèi)算法作為分割的算法,采用自適應(yīng)中值濾波濾除圖像中的噪聲,降低噪聲對(duì)分割的影響,再采用粒子群優(yōu)化(Particle Swarm Optimization,PSO)和遺傳算法(Genetic Algorithm,GA)相結(jié)合的聯(lián)合優(yōu)化算法確定圖像的初始參數(shù)值,從而避免了算法陷入局部極值的危險(xiǎn),提升了算法的分割效率。結(jié)果:將優(yōu)化后的算法...

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
中英文縮略詞對(duì)照表
摘要
ABSTRACT
前言
    1.醫(yī)學(xué)圖像分割的研究意義
    2.核磁共振成像技術(shù)
    3.醫(yī)學(xué)圖像分割常用方法
        3.1 基于區(qū)域的分割方法
        3.2 基于邊緣的分割方法
        3.3 基于模糊聚類(lèi)的分割方法
    4 研究思路與內(nèi)容
材料與研究方法
    1.腦圖像分割數(shù)據(jù)的收集
    2.圖像分割的基本概念
    3.基于模糊c-均值圖像分割方法研究
        3.1 模糊c-均值聚類(lèi)算法(FCM)
            3.1.1 算法的原理
            3.1.2 算法對(duì)圖像的分割
        3.2 核模糊c-均值算法(KFCM)
            3.2.1 核函數(shù)的原理
            3.2.2 核表示及核函數(shù)
            3.2.3 算法的原理
        3.3 概率c-均值聚類(lèi)算法(PCM)
        3.4 基于核函數(shù)的概率c-均值聚類(lèi)算法(KPCM)
            3.4.1 算法的原理
            3.4.2 算法對(duì)圖像的分割
        3.5 幾種有效的腦MR圖像分割算法
    4.基于核函數(shù)的概率c-均值聚類(lèi)算法的改進(jìn)
        4.1 影響聚類(lèi)分割的因素
            4.1.1 圖像中的噪聲
            4.1.2 算法的初始化
        4.2 自適應(yīng)中值濾波
        4.3 智能優(yōu)化相關(guān)
            4.3.1 粒子群優(yōu)化算法(PSO)
            4.3.2 遺傳算法(GA)
        4.4 PSO結(jié)合GA優(yōu)化KPCM聚類(lèi)算法
    5.實(shí)驗(yàn)環(huán)境
結(jié)果和討論
    1.圖像分割有效性評(píng)價(jià)指標(biāo)
    2.不同聚類(lèi)方法的分割效果
        2.1 人工合成圖像的實(shí)驗(yàn)
        2.2 模擬腦部MR圖像的實(shí)驗(yàn)
        2.3 真實(shí)腦部MR圖像的實(shí)驗(yàn)
結(jié)論
參考文獻(xiàn)
綜述
    參考文獻(xiàn)
作者簡(jiǎn)介及讀研期間主要科研成果
致謝



本文編號(hào)：3821330