基于SOFM的脑部MRI图像分割算法研究

摘要

核磁共振成像作为一门新兴的影像学检查手段，能够非常准确地显示脑部解剖结构，确定或排除绝大多数病变组织，在医疗诊断上得到了广泛的应用。随着科技的发展，人们对成像的要求以及图像的分辨率都越来越高。因此，研究精度高、速度快、临床应用效果好的磁共振图像分割技术是当前工作的重点。神经网络方法因其具有快速的并行处理能力和较强的学习能力，在核磁共振图像处理领域占据着重要的地位。本文主要研究了自组织特征映射神经网络在脑部MRI图像分割方面的应用问题。 本文在深入研究国内外图像分割算法研究现状的基础上，讨论了影响图像分割的技术因素，对基于SOFM的聚类分割算法进行了研究与比较。针对SOFM算法对高分辨率图像处理速度慢、分割精度不理想等问题，提出了一种基于多小波分析与SOFM的图像分割算法MWSOFM。该算法以传统的SOFM聚类算法为基础，以实现对高分辨率的MRI图像的准确快速分割为目标，采用了多小波变换对图像进行分解，然后利用SOFM算法对得到的小波系数金字塔进行逐层聚类，最终得到分割结果。针对MRI图像的噪声较多、传统的SOFM必须预置参数、训练过程中网络结构固化、不能灵活调整及多小波需预滤波等问题，提出了一种基于改进的TGSOM图像分割算法BTSOFM。该算法在改进的TGSOM算法的基础上，使用平衡多小波对MRI图像进行去噪，再使用改进的TGSOM算法对小波系数金字塔进行逐层聚类，最后得到分割结果。对MRI脑图像的仿真实验表明，MWSOFM算法及BTSOFM算法都加快了分割的速度，提高了聚类精确度，分割效果得到明显改善。

目录

文摘

英文文摘

声明

第一章 绪论

1.1 课题研究背景

1.2 医学图像分割

1.2.1 医学图像分割的概念

1.2.2 医学图像分割的目的及意义

1.2.3 医学图像分割技术的进展

1.3 国内外研究现状

1.3.1 医学图像分割技术的研究现状

1.3.2 自组织特征映射神经网络的研究现状

1.4 研究内容及论文结构

第二章 自组织特征映射神经网络

2.1 人工神经网络

2.1.1 神经元模型

2.1.2 神经网络的分类

2.1.3 人工神经网络的学习方式

2.1.4 神经网络的学习规则

2.2 自组织特征映射神经网络

2.2.1 生物系统中的竞争

2.2.2 Kohonen神经网络的结构

2.2.3 Kohonen神经网络的学习算法

2.3 小结

第三章 基于多小波分析与SOFM的图像分割算法

3.1 小波理论

3.1.1 小波理论简介

3.1.2 多小波理论

3.2 SOFM神经网络

3.2.1 SOFM网络结构

3.2.2 SOFM算法

3.3 MWSOFM算法

3.3.1 MWSOFM算法描述

3.4 仿真结果与分析

3.5 小结

第四章 基于改进的TGSOM图像分割算法

4.1 引言

4.2 动态自组织映射神经网络

4.2.1 标准TGSOM算法

4.2.2 改进的TGSOM训练

4.3 平衡多小波去噪

4.3.1 平衡多小波

4.3.2 图像去噪

4.4 BTSOFM算法

4.5 实验结果与分析

4.6 小结

第五章 总结与展望

5.1 工作总结

5.2 展望

参考文献

研究生在读期间取得的研究成果

致谢