基于马尔科夫随机场理论的脑部磁共振图像分割算法研究

摘要

脑部磁共振图像分割的目标有三类：提取脑实质；将脑实质分割成白质、灰质和脑脊液三部分；脑部结构描述。本文的研究目标是将脑实质分割为白质、灰质和脑脊液三部分。 K均值法、模糊C均值法和基于高斯混合模型的算法对于噪声低的脑部磁共振图像，都能得到良好的分割结果。但是随着噪声程度的增加，这些算法的分割准确率也开始下降。因为K均值法、模糊C均值法和基于高斯混合模型的算法在进行聚类时没有考虑到像素之间的空间信息，易将噪声点作为正常的像素点进行分类。马尔科夫随机场理论能够很好地描述相邻的图像像素或者相关特征之间的相互依赖关系，而且医学图像的大部分像素与其相邻像素属于同一类别，因此为了提高算法的抗噪声能力，本文基于马尔科夫随机场理论对模糊C均值，基于高斯混合模型的算法进行了改进。 通过计算分割准确度和均匀性等参数来定量评估这些算法对仿真磁共振图像和真实磁共振图像的分割结果，得出以下结论： 1、在噪声低的情况下，K均值法、改进前后的模糊C均值法和高斯混合模型算法，其分割准确率都在97％以上。 2、当噪声程度达到9％时，K均值法、模糊C均值法和高斯混合模型的分割准确率平均下降了4％。而引入马尔科夫随机场之后，模糊C均值算法和高斯混合模型的分割准确率与引入马尔科夫随机场之前相比，分别提高了2.5％和3％。 这说明了引入了马尔科夫随机场之后，算法的抗噪声能力的确有了提高。

目录

文摘

英文文摘

声明

第一章绪论

1.1课题背景及意义

1.2脑部磁共振图像分割方法

1.3研究目标

1.4本文组织结构

第二章三种常用的聚类算法

2.1仿真磁共振图像

2.2 K均值法

2.2.1 K均值法原理

2.2.2 K均值法结果显示

2.3模糊C均值法

2.3.1模糊子集的基本概念

2.3.2模糊C均值法原理

2.3.3模糊C均值法在图像分割领域的应用

2.3.4模糊C均值法结果显示

2.4有限混合模型

2.4.1有限混合模型的定义

2.4.2高斯混合模型

2.4.3估计方法

2.4.4利用EM算法估计高斯混合模型中的参数

2.4.5利用高斯混合模型对图像进行分割

2.4.6基于FGM算法的结果显示

2.5本章小结

第三章马尔科夫随机场理论及其应用

3.1马尔科夫随机场理论

3.1.1图像标记

3.1.2邻域系统和势能

3.1.3马尔科夫随机场

3.1.4 Gibbs随机场与Markov-Gibbs等效性

3.1.5 MRF模型

3.2基于MRF的模糊C均值算法的改进

3.3基于MRF的FGM算法的改进

3.3.1迭代条件模式算法

3.3.2基于MRF的FGM算法的改进

3.3.3改进的FGM算法结果显示

3.4本章小结

第四章脑部磁共振图像分割算法评价

4.1图像分割结果的评价方法

4.2实验评价方法

4.3仿真磁共振图像实验结果

4.3.1仿真磁共振图像分割结果定量比较

4.3.2仿真磁共振图像分割结果讨论

4.4脑部磁共振图像实验结果

4.4.1利用BET工具提取脑实质

4.4.2脑部磁共振图像实验结果

4.5本章小结

第五章总结与展望

5.1论文工作总结

5.2后续工作展望

参考文献

致谢

攻读学位期间主要的研究成果