基于有限混合模型的医学图像分割算法应用研究

摘要

图像分割作为图像处理领域中的重要分支，基本思想是利用图像的纹理、灰度等特征信息，将图像分割成几个部分。本文首先详细介绍了目前的一些医学图像分割算法，并深入分析了用有限混合模型进行医学图像分割的原理以及用期望最大化(EM，ExpectationMaximization)算法进行参数估计的过程，详细阐述了应用EM算法进行参数估计存在的问题和一些解决方法。
　　高斯分布比较简单，贴近实际数据集的分布形状，是常用的建模工具。本文首先研究了基于高斯混合模型(GMM，Gaussian Mixture Model)的医学图像分割。GMM是基于直方图的统计方法，认为图像中像素是独立无关的，没有考虑相邻像素很可能属于同一类的先验知识，造成传统的GMM在无噪声腐蚀时能取得较好结果，但随着噪声的增加，分割效果越来越差。基于这一缺点，本文提出了在GMM的先验概率和条件概率中添加自适应均值滤波的方法，即自适应均值滤波的高斯混合模型(GMM-AM，GMM with Adaptive Mean filter)。实验中采用误分率和分割区域的Dice相似系数来定量评价分割算法的优劣。实验结果表明GMM-AM既能保留图像中的细节信息，又具有一定的容噪能力。
　　相比高斯分布，t分布有较重的尾部，能够从根本上抑制非典型样本，是一种更稳健的分割方法。在GMM的基础上，又对多元t混合模型(SMM，Student's-t Mixture Model)的医学图像分割算法进行了研究。针对SMM用于图像分割时，也没有考虑图像像素间的空间关系，仿照GMM-AM的思想，提出了自适应均值滤波的多元t混合模型(SMM-AM，SMM withAdaptive Mean Filter)，并通过实验验证了SMM-AM的分割结果在精度和鲁棒性上优于传统的SMM。
　　随着图像处理技术的发展，人们已不满足于二维图像所提供的信息。为了对人体组织进行立体化、多角度的分析，本文将二维分割算法扩展到三维，既考虑同一切片中像素的空间关系，又考虑不同切片中像素的影响，在二维GMM-AM和二维SMM-AM的基础上，添加三维自适应均值滤波，实现了三维GMM-AM和三维SMM-AM分割算法。实验结果表明，应用三维GMM-AM分割算法比二维GMM-AM误分率低，三维SMM-AM分割算法比二维SMM-AM误分率低，在分割的准确性和鲁棒性方面又都有了一定的提高。同时三维SMM-AM较三维GMM-AM取得较好的分割结果，具有更好的稳健性。

目录

声明

摘要

注释表

第1章 绪论

1．1 课题研究背景和意义

1．2 医学图像分割的研究现状

1．3 论文组织结构

第2章 医学图像分割方法

2．1 引言

2．2 基于边界的分割方法

2．2．1 边缘检测算法

2．2．2 形变模型算法

2．3 基于区域的分割方法

2．3．1 阈值法

2．3．2 区域生长与区域合并

2．3．3 分类器与聚类

2．3．4 基于随机场的方法

2．4 其他

2．5 本章小结

第3章 有限混合模型

3．1 引言

3．2 有限混合模型的定义

3．3 基于有限混合模型的聚类算法

3．3．1 概率分布的选择

3．3．2 参数估计

3．3．3 混合模型的初始化

3．4 分割效果评价

3．4．1 评价的目的和作用

3．4．2 医学图像的分割评价指标

3．5 图像数据的处理

3．5．1 脑核磁共振图像

3．5．2 2D图像分割处理

3．5．3 3D图像分割处理

3．6 本章小结

第4章 基于高斯混合模型的图像分割

4．1 引言

4．2 高斯混合模型

4．2．1 模型概述

4．2．2 参数估计

4．2．3 实验仿真

4．3 自适应均值滤波的高斯混合模型

4．3．1 算法描述

4．3．2 参数估计

4．3．3 实验仿真

4．4 本章小结

第5章 基于多元t混合模型的图像分割

5．1 引言

5．2 多元t分布混合模型

5．2．1 多元t混合模型定义

5．2．2 多元t分布混合模型的参数估计

5．3 自适应均值滤波的多元t混合模型

5．4 结果分析和讨论

5．5 本章小结

第6章 总结和展望

6．1 论文工作总结

6．2 进一步研究方向

致谢

参考文献