基于吸引力传播算法的脑核磁共振图像分割

摘要

医学图像分割问题在医学图像应用中起着重要作用，然而它又是医学图像处理和分析中的经典难题。尤其是脑组织核磁共振图像的分割。脑组织核磁共振图像中各种脑组织（如白质，灰质和脑脊液等）混杂在一起，不同组织之间的界限模糊，同时图像的局部统计特性因偏移场的存在而发生改变，这些因素导致脑组织核磁共振图像的分割比其他医学图像分割困难得多。 本文根据偏移场具有平滑、变化缓慢的特性，采用局部聚类的思想来克服偏移场对分割造成的影响，综合利用了信息熵理论，模糊C均值，吸引力传播算法对核磁共振图像的局部进行分割。有效的避免以往偏移校正算法中由于偏移估计和校正而造成的信息丢失因为熵可以作为评价同质性的标准，本文采用最小化局部熵的方法来优化图像的局部区域，确保所获得的聚类块内偏移场尽可能均匀。由于脑组织结构的复杂性，采用熵优化后的局部区域可能并不满足局部图像模型中的假设：每个聚类块内都包含三种组织，且每种组织占有一定数量的像素。基于这种情况，本文采用了吸引力传播方法对每个聚类块的灰度级进行分割，通过对相似矩阵对角线元素合理的赋值，将灰度级和像素数量信息结合起来，合理的调节迭代的聚类数目，有效的指导分割；而对每个聚类块的灰度级聚类，大大减少运算量和计算时间，得到了较理想的分割结果。当聚类结果为两类时，从相邻块中寻找与其具有相似统计分布的聚类块，利用这个聚类块的聚类中心，将这两类划分的相应的组织中。本文提出的方法在克服偏移影响的同时，实现了对脑组织磁共振图像的快速分割。通过对大量模拟数据的实验，证明本文所提出方法的有效性和精确性。

目录

文摘

英文文摘

声明

第一章脑核磁共振图像分割概述

1.1MRI分割研究背景及意义

1.2MRI脑图像分割发展趋势

1.3论文研究内容和框架

第二章脑核磁共振图像基础

2.1核磁共振成像原理

2.2脑核磁共振图像分割方法

2.2.1阈值分割方法

2.2.2基于边界和区域的分割方法

2.2.3模糊聚类分割方法

2.2.4统计学分割方法

2.2.5基于知识分割方法

2.2.6基于图谱的分割

2.3脑核磁共振图像分割难点

2.3.1噪声

3.3.2偏移场

3.3.2部分体积效应

3.4分割算法评价标准

第三章基于AP的分割方法

3.1偏移场知识

3.2局部图像模型

3.3熵理论

3.4 AP算法

3.5基于AP的分割方法

3.5.1分块方法

3.5.2 AP分割

第四章实验结果

4.1.AP分割脑图像的适用性

4.2分块方法的优化作用

4.3实验结果分析与比较

4.4算法通用性和可靠性

4.5实验总结

第五章总结与展望

参考文献

致 谢

在学期间公开发表论文及著作情况