基于模糊聚类的脑磁共振图像分割技术研究

摘要

磁共振成像(Magnetic Resonance Imaging，MRI)技术以其非介入性、非损伤性、很少受目标物体运动影响等特点，成为脑疾病临床诊断的重要辅助手段。脑MR图像的精确分割对生物医学研究和临床应用具有重要的指导意义。然而，在实际应用中，脑MR图像中存在灰度不均匀性、噪声、脑组织的部分容积效应以及低对比度等缺陷，使脑MR图像的精确分割变得十分困难。为此，本文针对脑MR图像分割问题，采用模糊聚类模型，从目标函数的改进和数据不确定性描述两方面，深入研究了基于模糊聚类模型及其扩展模型的脑MR图像分割算法。本文所做的主要工作与创新性成果如下:
　　 (1)提出了一种各向异性权重的模糊C均值聚类算法。深入探讨了含噪声脑MR图像的分割策略，分析了传统模糊聚类算法的主要缺陷以及现有改进算法的空间信息构造思路，通过引入新的邻域窗口权重的计算方法，使中心点邻域内各点具有各向异性的权重，有效地克服图像中噪声对于分割的影响，并使用基于灰度级的快速算法，达到精确分割带噪图像的目的。
　　 (2)提出了一种基于局部和全局信息的概率模糊C均值聚类算法。通过探讨含偏移场脑MR图像的分割策略，给出了模糊聚类算法中估计偏移场的一般思路，综合利用了全局和局部的灰度拟合信息，使分割目标受到局部信息约束力和全局信息约束力两种力量的驱动。该算法在估计偏移场的同时，进一步提高了分割精度。
　　 (3)提出了一个基于模糊C均值聚类的模型框架。该框架改进了算法聚类中心的初始化方法，有效地克服了噪声、偏移场等对图像的污染;利用局部空间邻域信息的处理，克服噪声保留更多图像细节信息;引入基函数估计偏移场，自动估计各控制参数，并有效克服了部分容积效应对于分割结果的影响;通过基于直方图统计的加速算法，最终达到快速精确分割脑MR图像的目的。该框架具有较强的实用性。
　　 (4)为了进一步增强对于图像数据中不确定性的描述，在模糊聚类模型中分别引入粗糙集和二型模糊集，提出了广义的基于粗糙模糊集的聚类模型与基于区间二型模糊集的概率模糊C均值聚类模型。前一种模型能够根据图像数据自身内容自动确定各聚类类别的粗糙模糊集，通过多项式基函数拟合灰度不均匀性，自动确定上近似集合与下近似集合对于聚类中心的影响权重值，且该算法对于聚类中心的初始化十分鲁棒;后一种模型首次将区间二型模糊集引入到概率模糊C均值算法中，针对描述不确定性的模糊隶属度和概率典型性同时进行处理，提供了不确定性轨迹的构造，降型和去模糊化的处理，实验结果表明这两种算法各具优势，能够得到较精确的分割结果。
　　 (5)针对脑MR图像中存在的低对比度的缺陷，提出了两种脑MR图像分割模型:将局部高斯概率模型引入到模糊聚类的目标函数中，提出了模糊局部高斯概率模型的聚类分割算法。该方法引入了二阶统计量局部方差，算法中局部均值和方差随着空间的改变而变化，并严格推导出相应的更新公式，因此该算法具有较强的自适应性。进一步，对图像中各像素点对应的邻域尺度进行自动估计，提出了自适应尺度模糊局部高斯概率模型的聚类分割算法，提高了模型的鲁棒性，达到精确分割的目的。

目录

声明

摘要

1 绪论

1．1 引言

1．2 脑MR图像分割难点

1．3 国内外脑MR图像分割方法综述

1．3．1 基于活动轮廓的分割方法

1．3．2 基于活动表面模型的分割方法

1．3．3 基于图论的分割方法

1．3．4 基于像素的分割方法

1．4 模糊聚类分割算法及其研究概况

1．4．1 聚类算法简介

1．4．2 模糊聚类算法的研究现状

1．4．3 模糊聚类算法应用于脑MR分割方面存在的缺陷

1．5 课题来源

1．6 本文的主要研究工作和内容安排

1．7 本文工作的创新点

1．8 本文所涉及到的主要符号描述

1．9 本文所使用的主要数据集

2 基于各向异性权重的模糊聚类脑MR图像分割算法

2．1 引言

2．2 含噪声脑MR图像的分割策略

2．2．1 策略一：先去噪后分割

2．2．2 策略二：分割过程中克服噪声

2．3 背景介绍

2．3．1 标准FCM

2．3．2 FCM的改进算法

2．4 各向异性权重的模糊C均值聚类模型

2．4．1 各向异性权重的构造

2．4．2 目标函数及更新

2．4．3 算法流程

2．5 实验结果与分析

2．5．1 评价参数

2．5．2 窗口半径的选择

2．5．3 合成图像

2．5．4 脑MR图像

2．6 本章小结

3 基于局部和全局信息的模糊聚类脑MR图像分割算法

3．1 引言

3．2 含偏移场脑MR图像的分割策略

3．2．1 策略三：先估计偏移场后分割

3．2．2 策略四：分割过程中估计偏移场

3．3 背景介绍

3．3．1 乘性偏移场模型

3．3．2 PFCM

3．3．3 CLIC

3．4 基于局部和全局信息的概率模糊C均值聚类模型

3．4．1 目标函数

3．4．2 局部空间连续信息的引入

3．4．3 目标函数最小化

3．5 实验结果与分析

3．5．1 抗噪能力

3．5．2 估计偏移场

3．5．3 三维脑MR图像分割

3．6 本章算法讨论

3．6．1 高斯核函数的参数选择

3．6．2 局部和全局灰度约束项平衡参数的选择

3．7 本章小结

4 基于模糊C均值聚类的脑MR图像分割框架

4．1 引言

4．2 背景介绍

4．2．1 加性偏移场模型

4．2．2 BCFCM

4．2．3 GIFP-FCM

4．3 基于改进的快速模糊C均值聚类脑MR图像分割框架

4．3．1 目标函数

4．3．2 初始化聚类中心

4．3．3 估计偏移场

4．3．4 构造局部空间信息

4．3．5 构造控制参数

4．3．6 最小化目标函数

4．3．7 算法流程

4．4 实验结果与分析

4．4．1 抗噪能力

4．4．2 估计偏移场

4．4．3 三维脑MR图像分割

4．5 本章小结

5 基于粗糙模糊集和二型模糊集的聚类分割算法

5．1 引言

5．2 粗糙模糊聚类模型

5．2．1 背景介绍

5．2．2 基于粗糙模糊集聚类的脑MR图像分割模型

5．2．3 实验结果与分析

5．2．4 算法总结与讨论

5．3 区间二型模糊聚类模型

5．3．1 背景介绍

5．3．2 基于区间二型模期集概率模期C均值举类模型

5．3．3 实验结果与分析

5．4 本章小结

6 基于统计模型的模糊聚类脑MR图像分割算法

6．1 引言

6．2 背景介绍

6．2．1 高斯混合模型(GMM)

6．2．2 局部高斯概率模型(LGDF)

6．3 基于模糊局部高斯概率模型的聚类分割算法

6．3．1 建模

6．3．2 目标函数最小化

6．3．3 实验结果与分析

6．4 基于自适应尺度局部高斯概率的模糊聚类分割算法

6．4．1 构造自适应尺度

6．4．2 算法流程

6．4．3 实验结果与分析

6．5 本章小结

7 结束语

7．1 本文各章节算法比较与讨论

7．2 本文工作总结

7．3 将来的工作

致谢

参考文献

附录

博士在读期问发表和录用的论文

参加的科研项目

博士在读期间获得的奖励