發(fā)布時(shí)間：2017-07-16 09:27

  本文關(guān)鍵詞：基于非局部FCM腦核磁共振圖像分割

  更多相關(guān)文章： 核磁共振圖像 圖像分割 模糊C均值 偏移場 噪聲

【摘要】：隨著中國老年化程度的加重,腦疾病病發(fā)程度日益加重。因此,借助醫(yī)學(xué)影像技術(shù)對疾病進(jìn)行臨床輔助診斷具有重要意義。核磁共振成像(MRI)因其對人體沒有任何電離輻射傷害,對軟組織有較高的分辨率,成像參數(shù)多,包含信息量大等優(yōu)點(diǎn),已被廣泛運(yùn)用于醫(yī)療圖像診斷。模糊C均值(FCM)算法是一種比較經(jīng)典的聚類方法,具有無監(jiān)督、實(shí)現(xiàn)簡單、運(yùn)算速度快等優(yōu)點(diǎn),常被用于腦MR圖像分割。然而,由于噪聲和灰度不均勻的影響,使得采用傳統(tǒng)的FCM算法很難得到理想分割的結(jié)果。為此,本文針對腦MR圖像分割問題,通過考察圖像的空間結(jié)構(gòu)信息,對傳統(tǒng)算法中目標(biāo)函數(shù)的距離項(xiàng)進(jìn)行了改進(jìn),并將偏移場參數(shù)化且耦合到FCM框架下,使其不僅能夠降低噪聲的影響,還能夠較好地恢復(fù)偏移場。本文的研究工作包括如下幾個(gè)方面：(1)針對噪聲和偏移場的影響,提出一種改進(jìn)的非局部FCM腦MR圖像分割與偏移場恢復(fù)耦合模型。該模型考慮了圖像的非局部信息,通過空間圖像塊之間的相似性構(gòu)造權(quán)重函數(shù),并且將偏移場也納入FCM模型中,可以有效地降低噪聲和偏移場對分割結(jié)果的影響,并且能夠保留更多的結(jié)構(gòu)信息。(2)針對傳統(tǒng)模型魯棒性不足、分割精度不夠高的問題,提出一種結(jié)合非局部信息的模糊聚類腦MR圖像分割模型。該模型首先引入非局部信息,克服傳統(tǒng)的空間信息僅依賴鄰域灰度信息從而導(dǎo)致精度不高的缺點(diǎn),使其在降低噪聲影響的同時(shí)還能保持細(xì)長拓?fù)浣Y(jié)構(gòu)區(qū)域信息；其次,利用多元高斯分布模型對圖像灰度分布進(jìn)行擬合以構(gòu)造距離函數(shù),從而降低傳統(tǒng)歐式距離導(dǎo)致魯棒性不足的影響；最后利用正交基函數(shù)對偏移場進(jìn)行擬合,并將偏移場參數(shù)化且耦合到FCM框架下,以降低灰度不均勻?qū)Ψ指畹挠绊憽?br/> 【關(guān)鍵詞】：核磁共振圖像 圖像分割 模糊C均值 偏移場 噪聲
【學(xué)位授予單位】：南京信息工程大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41;R742;R445.2
【目錄】：

• 摘要5-6
• Abstract6-8
• 第一章 緒論8-16
• 1.1 研究背景和意義8-9
• 1.2 圖像分割及其方法綜述9-12
• 1.2.1 圖像分割原理9
• 1.2.2 腦MR圖像分割方法綜述9-12
• 1.3 模糊聚類算法國內(nèi)外研究現(xiàn)狀12-14
• 1.4 論文內(nèi)容及章節(jié)安排14-16
• 第二章 模糊C均值聚類算法16-20
• 2.1 模糊理論簡介16-17
• 2.1.1 模糊集合與隸屬度函數(shù)16-17
• 2.1.2 模糊集合的表示方法17
• 2.2 模糊C均值聚類算法概述17-19
• 2.3 本章小結(jié)19-20
• 第三章 改進(jìn)的非局部FCM腦MR圖像分割與偏移場恢復(fù)耦合模型20-33
• 3.1 引言20-21
• 3.2 改進(jìn)的非局部FCM圖像分割與偏移場恢復(fù)耦合模型21-24
• 3.2.1 去偏移場21
• 3.2.2 改進(jìn)的非局部FCM圖像分割與偏移場恢復(fù)耦合模型21-24
• 3.3 實(shí)驗(yàn)結(jié)果與分析24-32
• 3.3.1 腦部合成圖像分割24-27
• 3.3.2 真實(shí)腦MR圖像分割27-30
• 3.3.3 非局部參數(shù)分析30-32
• 3.4 本章小結(jié)32-33
• 第四章 結(jié)合非局部信息的模糊聚類腦MR圖像分割與偏移場恢復(fù)耦合模型33-47
• 4.1 引言33-34
• 4.2 背景介紹34-37
• 4.2.1 基于MRF的高斯混合模型34-35
• 4.2.2 非局部均值35-37
• 4.3 結(jié)合非局部信息的腦MR圖像分割與偏移場恢復(fù)耦合模型37-40
• 4.4 實(shí)驗(yàn)結(jié)果與分析40-46
• 4.4.1 腦部合成圖像分割40-44
• 4.4.2 真實(shí)腦MR圖像分割44-45
• 4.4.3 算法參數(shù)分析45-46
• 4.5 本章小結(jié)46-47
• 第五章 總結(jié)與展望47-49
• 5.1 總結(jié)47
• 5.2 展望47-49
• 參考文獻(xiàn)49-54
• 作者簡介54-55
• 致謝55

，

本文編號：548042