脑部MRI分割算法研究

论文摘要

当前人类对大脑生理和功能上的研究处于起步阶段,核磁共振技术为人脑组织的探索过程中提供重大帮助。本文研究一种新的能分割出脑部核磁共振的灰质,白质及脑脊液的图像处理算法。人脑灰、白质成分的比例的变化是医学诊断时关注的重点,因此精确分割方法能为正确诊断带来可靠的保障。本文研究发现:(1)灰质,白质在纹理特性上差异不明显,尤其是具有灰度不变性的纹理特征;(2)灰质,白质及脑脊液的差异主要体现在灰度上。(3)经典的聚类算法易于实现,而且速度快,但鲁棒性较差。(4)Ncut算法鲁棒性强,但是计算速度慢,且需要消耗内存过大,不易实现。针对上述问题,本文提出首先将待分割图像预处理,然后提取新的图像特征,结合Ncut算法与聚类算法对图像进行分割。目前已有各种分割方法,但仍然在分割速度,分割精度以及鲁棒性上存在很多难题。本文工作主要集中在两个方面,即特征提取和基于特征的分割方法。首先从核磁共振成像原理出发,分析分割难点并提取图像的灰度信息和纹理信息,本文定义了一种新的基于模糊映射的像素灰度特征,该特征应用于本文实验的三种分割方法均能提高其分割精度。随后本文探索了几种分割方法,其中包括经典的聚类算法和最先进的图论分割方法。主要对Ncut算法的优缺点进行详细阐述,并改进了该算法,既保留该算法高鲁棒性的优点,又提高了分割速度。本文的实验用图包括实际MR图像和仿真的MR图像,算法在MATLAB 2010上实现,实验数据表明,该算法在速度,精度,鲁棒性三方面都有提高。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 脑部MRI 分割研究概况
• 1.3 论文的主要研究工作与组织结构
• 第二章 MR 图像特征
• 2.1 MRI 成像原理
• 2.2 MRI 纹理特征分析
• 2.2.1 GLCM 纹理特征的提取
• 2.2.2 LBP 纹理特征的提取
• 2.3 本章小结
• 第三章 图像分割算法
• 3.1 图像分割算法分类
• 3.2 聚类分割算法
• 3.2.1 K 均值聚类
• 3.2.2 模糊聚类
• 3.2.3 Quick Shift 聚类
• 3.3 图论分割算法
• 3.3.1 图论的基本思想
• 3.3.2 图论分割的发展
• 3.3.3 Ncut 算法实现步骤
• 3.4 本章小结
• 第四章 改进Ncut 分割算法
• 4.1 图像预分割
• 4.2 图论权值函数的改进
• 4.3 Ncut 与聚类算法的结合
• 4.4 本章小结
• 第五章 实验结果与分析
• 5.1 参数的选择
• 5.1.1 Ncut 算法参数调节
• 5.1.2 Quick Shift 算法参数调节
• 5.2 实验结果分析
• 5.2.1 抗噪声性能分析
• 5.2.2 运算速率分析
• 5.2.3 分割精度分析
• 5.3 本章小结
• 结论
• 参考文献
• 致谢
• 附录