基于支持向量机和水平集方法的核磁共振脑图像分割

摘要

核磁共振(MRI)脑图像的颅内各组织边界复杂且不规则，所以对其的分割是医学图像处理一个重要而困难的课题。支持向量机(SvM)是一种全新的模式识别技术，其思想是建立在统计学理论的VC维理论和结构风险最小化原理基础上的，在小样本，非线性及高维特征空间具有较好的推广能力，将其应用于医学图像分割中无论在实践中还是实际应用上都具有重大的意义。根据MRI脑图像的特点，本文将支持向量机和水平集方法应用到MRI脑图像分割中，主要内容如下：
　　(1)基于最小二乘支持向量机的医学图像分割研究。本论文在对MRI脑图像进行分割时首先提取图像特征向量，采用主成分分析法(PCA)将图像的特征向量降维处理之后，用最小二乘支持向量机(LS-SVM)来进行图像分割。理论和实验结果表明，利用PCA方法优化特征空间之后，在保证了分类正确率的前提下，有利于提高支持向量机的分类速度。而利用LS-SVM对MRI脑图像分类也表明其对目标边界模糊，目标灰度不均匀及目标不连续的医学图像分割具有良好的分类性能。
　　(2)利用水平集进行MRI脑图像分割。传统的水平集方法需要求解全部计算区域的函数值，将SVM和水平集方法结合，减少了计算量，节省了计算时间。由于SVM分割脑图像所提供的初始轮廓已较接近正确的分割轮廓线，所以用SVM分割所得的轮廓作为水平集的初始轮廓，用水平集方法对MRI脑图像进行近一步的细分割。实验结果表明此方法分割速度比单独使用水平集分割的速度更快，并且提高了分割精度，实现了自动分割。

目录

独创性声明

学位论文使用授权声明

中文摘要

1 绪论

1.1 课题的背景及意义

1.1.1 医学图像分割研究的背景及意义

1.1.2 医学图像分割研究的国内外现状

1.2 支持向量机方法的提出及其研究现状

1.3 本文的主要研究意义及内容

1.3.1 本文的研究意义

1.3.2 本文的主要内容

2 支持向量机的基本理论

2.1 统计学习理论

2.1.1 机器学习的基本方法和问题

2.1.2 统计学习理论

2.2 支持向量机理论

2.2.1 支持向量机原理及特点[7]

2.2.2 最小二乘支持向量机原理

2.2.3 最小二乘支持向量机多元分类模型 [8]

2.3 本章小结

3 基于最小二乘支持向量机的医学图像分割研究

3.1 医学图像分割方法简介

3.1.1 核磁共振脑图像成像特点

3.1.2 医学图像分割的方法

3.2 基于最小二乘支持向量机的MRI脑图像分割实验

3.2.1 训练样本的选取

3.2.2 基于核主成分分析(KPCA)的特征提取及归一化

3.2.3 基于最小二乘支持向量机的MRI脑图像分割步骤

3.2.4 图像分割实验结果分析

3.3 本章小结

4 基于水平集曲线演化的MRI脑图像分割

4.1 水平集的基本理论

4.1.1 曲线演化的水平集描述

4.1.2 水平集方程的数值计算

4.1.3 水平集方法实现中的问题

4.2 基于水平集曲线演化的图像分割

4.2.1 基于水平集求解简化Mumford-Shah模型的C-V方法

4.2.2 C-V图像分割方程的数值解法

4.2.3 C-V方法进行图像分割实验

4.3 基于支持向量机和水平集方法的MRI脑图像分割实验

4.3.1 两种方法结合的意义

4.3.2 图像分割步骤

4.3.3 实验结果分析

4.4 本章小结

5 总结与展望

5.1 总结

5.2 下一步工作展望

致谢

参考文献: