基于Gibbs随机场理论的脑部MR图像分割新算法研究

摘要

该文主要针对医学图像分析中脑部MR图像的分割问题,在目前的常用算法中基于Gibbs随机场理论引入先验信息的指导,开展了分割算法研究.该文在Gibbs随机场理论的指导下,通过考虑相邻象素点的相互影响将空间信息引入有限高斯混合(FGM)模型,提出了改进的脑部MR图像分割算法.同时该文采用了改进后的期望最大化(EM)算法来估计FM模型的参数,而且提出树形K平均算法给出初始参数估计,实现了全自动的图像分割.该文利用Gibbs随机场所描述的邻域关系属性,引入先验空间约束信息,提出拒纳度的概念,建立包含灰度信息与空间信息的新目标函数,继而提出基于Gibbs随机场与模糊C平均聚类的GFCM图像分割新算法.该文给出大量实验对分割算法做了系统的定量分析,证明了该文所提算法的稳健性与精确性.

目录

文摘

英文文摘

第一章引言

1.1图像分析与图像分割

1.2人体脑部磁共振成像(MRI)

1.3脑部MR图像分割

1.3.1脑部MR图像分割的应用

1.3.2脑部MR图像的特点

1.4脑部MR图像分割方法综述

1.4.1基于结构的分割算法

1.4.2基于统计的分割方法

1.5本文主要研究工作

1.6本文的结构

第二章Gibbs随机场基本理论

2.1邻域系统与势团(Cliques)

2.2 Markow随机场

2.3 Gibbs随机场与Markov-Gibbs等效性

2.4多级逻辑(Multi-level Logistic)模型

第三章基于Gibbs随机场的FM模型的改进与稳健的脑部MR图像分割

3.1 FM模型及其参数估计

3.1.1本章乃至以后章节要用到的部分符号的意义：

3.1.2有限混合(FM)模型

3.1.3 FGM模型参数估计与EM算法

3.1.4 FM模型在脑部MR图像分割中的应用

3.2基于Gibbs随机场的FM模型的改进算法(GFM算法)

3.2.1空间信息引入

3.2.2 EM算法参数估计

3.2.3最大后验概率(MAP)分类

3.2.4算法的初始化

3.2.5仿真图像分割实验

3.3带Bias场矫正的脑部MR图像分割算法

3.3.1 文献[11]中的Bias场矫正算法

3.3.2 Bias场矫正的引入

3.3.3图像分割实验

3.4小结

第四章脑部MR图像分割算法评价

4.1引言

4.2基于仿真脑部MR图像的评价

4.3基于真实脑部MR图像的评价

第五章基于Gibbs随机场的FCM算法的改进

5.1标准模糊C均值(FCM)聚类算法

5.2 FCM算法在图像分割领域的应用

5.3基于Gibbs随机场与模糊C均值聚类的GFCM图像分割算法

5.4关于Bias均匀性场的矫正

5.5图像分割实验

5.6 小结

第六章结论及将来的工作

6.1本文的主要贡献

6.2后续工作展望

参考文献

已完成或发表论文

致谢