脑部肿瘤图像分割技术的研究

论文摘要

医学图像分割技术是把图像中具有特殊含义的不同区域分割开来,并使分割结果尽可能地接近解剖结构。医学图像分割技术是医学图像处理和分析领域研究的重要内容之一,而脑部肿瘤图像分割因其重要的临床应用价值一直是医学图像分割研究的热点。本文通过分析医学图像分割算法的特点,对MRI脑部肿瘤图像分割技术进行了初步的探索。论文在研究医学图像分割方法及脑部肿瘤图像特点的基础上,重点研究了基于区域和基于变分水平集方法的几何活动轮廓模型的分割算法。在基于区域的分割算法中,主要对模糊C-均值聚类算法和粒子群优化算法进行了深入地研究,并根据MRI脑部肿瘤图像的特点构造合适的适应度函数对粒子群优化算法进行了改进,改进后的粒子群优化算法可以对MRI脑部肿瘤图像进行聚类,并得到较好的分割效果。在基于变分水平集方法的几何活动轮廓模型中,主要研究了C-V模型、Li Chunming无需重新初始化的变分水平集模型和改进的C-V模型。改进的C-V模型继承了Li Chunming模型和C-V模型的优点,不但利用了图像的区域灰度信息和区域梯度信息,并且引入的调节参数可使算法的可控性增强。论文最后研究了脑部肿瘤图像的分割评价准则,并对本文所研究的MRI脑部肿瘤图像分割算法的性能进行了分析和评价。论文通过对基于区域和基于变分水平集方法的几何活动轮廓模型的分割算法的分析,发现这些算法自身都遵循不确定准则,但是可以通过不断的改进,使算法最大限度地满足需求。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 医学图像分割方法
• 1.2.1 基于阈值的图像分割
• 1.2.2 基于边缘的图像分割
• 1.2.3 基于区域的图像分割
• 1.2.4 纹理分割
• 1.3 脑部肿瘤图像的分割
• 1.3.1 脑部肿瘤图像分割的意义
• 1.3.2 脑部肿瘤图像分割的难点
• 1.4 论文的主要内容
• 第二章 聚类方法在脑部肿瘤图像分割中的应用
• 2.1 K-均值算法
• 2.2 模糊C-均值聚类算法
• 2.3 基于FCM 算法的脑肿瘤图像分割的研究
• 2.3.1 模糊权重指数m
• 2.3.2 分类数c
• 2.3.3 FCM 算法初始化分析
• 2.4 FCM 算法对脑肿瘤图像分割的实现
• 2.5 本章小结
• 第三章 粒子群优化算法在脑部肿瘤图像分割中的应用
• 3.1 粒子群优化算法
• 3.2 粒子群优化算法的模型
• 3.2.1 惯性权重模型
• 3.2.2 收敛因子模型
• 3.3 粒子群优化算法的改进
• 3.4 算法实现与分析
• 3.5 本章小结
• 第四章 基于变分水平集的脑部肿瘤图像分割方法的研究
• 4.1 曲线演化理论和水平集方法
• 4.1.1 曲线演化理论
• 4.1.2 水平集方法
• 4.1.3 水平集方法的数值计算
• 4.2 Li Chunming 模型
• 4.2.1 Li Chunming 模型原理
• 4.2.2 Li Chunming 模型实现
• 4.2.3 算法实现与分析
• 4.3 Chan-Vese 模型
• 4.3.1 C-V 模型算法原理
• 4.3.2 C-V 模型的改进
• 4.3.3 算法实现与分析
• 4.4 本章小结
• 第五章 脑部肿瘤图像分割评价
• 5.1 医学图像分割评价方法分类
• 5.2 医学图像分割评价准则
• 5.2.1 分析准则
• 5.2.2 实验准则
• 5.3 脑部肿瘤图像分割评价
• 5.4 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢
• 在学期间的研究成果及发表的学术论文