基于DICOM文件格式的MR图像分割算法研究

摘要

在数字图像处理领域中，图像去噪、图像分割一直是其中最为基础和最为重要的两个问题。医学图像作为图像分支中最为复杂、多样的一类，导致对医学图像的去噪和分割研究成为一项艰巨的、富有挑战性的任务。医学图像分割是病变组织和非病变组织进行定性分析、识别的前期处理，同时也是计算机辅助诊断的重要步骤，所以，精确的分割医学图像对医务工作者进行准确的临床医学诊断有着十分重要的意义。
　　基于非局部均值的医学图像去噪算法，通过对降噪起关键作用的加权核函数的改进，既能够充分利用图像的冗余信息，又能够在降低噪声的同时保留图像中有用的信息。因此，在处理含有较多细节的医学图像时，显示出其优越性。基于水平集的医学图像分割算法是近年来图像分割领域的一个研究热点，并在图像处理过程中表现出良好的分割性能。本文以医学MR图像为研究对象，对传统的非局部均值算法和水平集算法进行改进，并在一系列医学MR图像去噪实验和分割实验中验证了本文算法的有效性。
　　本文的主要工作如下:
　　(1)图像预处理阶段，提出一种基于改进的NL-Means医学图像去噪算法。首先介绍了非局部均值的传统去噪算法，它可以充分利用图像的冗余信息，具有较好的去噪效果。为了使传统的非局部均值算法也能够更好的处理医学图像，本文在传统算法的基础上，结合小波型核函数和高斯核函数的固有特性，对加权核函数进行改进，将小波核函数和高斯核函数结合起来作为加权核函数。通过对医学图像去噪实验对比传统模型和本文模型，显示出本文模型在图像去噪后的峰值性噪比方面要高于传统算法。
　　(2)融合FCM和NL-Means的分割算法。传统FCM算法是一种经典的医学图像分割算法，但对噪声特别敏感。而NL-Means算法具有很好的去噪性能，本文就是先通过非局部均值算法对待分割图像进行滤波，然后利用FCM算法进行分割。通过对比FCM算法和加上滤波后的FCM算法分割实验，证明了本文算法更具抗噪性。
　　(3)提出一种基于水平集的医学图像分割算法。首先介绍了传统的水平集分割算法，然后叙述了Li等人和何川江等人针对传统算法的改进算法。虽然他们的改进算法无需重新初始化水平集函数，但是仍然需要小心仔细的设置相关参数和一定的人工参与，才能得到较为理想的水平集分割结果。本文是利用FCM算法分割结果直接控制水平集演化方程，而且相关参数设置也可以直接从结果中得到。同时本文未引入梯度因子，相比较，本文更具抗噪性。通过几组分割实验，证明了本文算法具有更好的分割精度和鲁棒性。

目录

声明

摘要

第一章 绪论

1．1 医学图像分割的概念及意义

1．2 相关分割方法介绍

1．3 国内外研究现状及发展趋势

1．4 本文组织结构和研究内容

第二章 DICOM文件格式与显示

2．1 DICOM3．0标准的起源

2．2 DICOM医学图像文件结构

2．3 DICOM文件的显示

2．4 本章小结

第三章：医学MR的去噪预处理

3．1 NL-Means的去噪算法

3．2 改进的NL-Means去噪算法

3．3 实验结果与分析

3．4 本章小结

第四章 脑MR图像的模糊聚类分割算法

4．1 模糊理论

4．1．1 模糊理论背景

4．1．2 模糊集合的概念

4．2 聚类分析介绍

4．3 模糊聚类算法介绍

4．3．1 FCM算法

4．3．2 KFCM算法

4．3．3 FCM_EN算法

4．4 基于NL-Means去噪的FCM分割算法

4．5 实验结果与分析

4．6 本章小结

第五章 基于水平集的脑MR图像分割算法

5．1 水平集理论

5．2 距离保持水平集算法介绍

5．2．1 算法简介

5．2．2 进一步分析

5．3 基于FCM的水平集算法介绍

5．4 实验结果与分析

5．5 本章小结

第六章：总结与展望

6．1 工作总结

6．2 未来工作展望

参考文献

致谢

攻读硕士期间发表的论文及科研项目