用于医学图像分割的FGM算法

论文摘要

医学图像分割是图像分割的一个重要的应用领域,至今已有上千种分割方法,既有经典的方法也有结合新型理论的方法。本文在现有的研究成果的基础上对医学图像分割的目的和意义做了概况性的总结;对现有的医学图像分割方法做了比较性的分类。在众多的医学图像中本文选用了脑部的MRI图像作为试验对象,同时选用了一种在对脑部MRI图像分割中比较常用的基于概率统计的分割方法,即一种基于有限混合高斯模型的方法。 本文首先介绍了Markov和Gibbs随机场理论,虽然Gibbs随机场模型不是一种分割方法,也没有分割能力,但它可以作为一个先验模型嵌入到某种特定的分割方法中,以达到影响改进结果的目的。接着重点对有限混合模型进行了深入的研究,主要是对该有限模型进行了理论上的推导以及它在图像分割中的应用。发现该模型在用于图像分割时,仅考虑了图像像素的强度信息,没有利用任何空间信息。由于图像中像素的强度分布是独立的,那么图像的分类就完全由直方图确定,然而,具有相同直方图的图像完全可以具有不同的结构属性。因此该模型在图像分割中存在一定的缺陷。所以本文应用了Gibbs随机场理论,该理论能够很好的描述像素间的空间特性,将它嵌入到有限高斯混合模型中,从而引入空间信息,弥补该模型的不足。 本文应用Gibbs随机场理论,通过考虑相邻像素点间的相互关系,引入了空间信息对有限混合高斯模型进行了改进,运用期望最大化方法进行了参数估计,用树形均值聚类算法进行了初始化;并考虑到实际医学图像中的伪影,结合现有的Bias场矫正,实现对图像的分割。

论文目录

• 第一章 绪论
• §1-1 课题的研究背景和意义
• §1-2 医学图像分割的发展
• §1-3 磁共振成像（MRI）技术
• §1-4 本课题的主要研究内容
• 第二章 医学图像分割方法的分类
• §2-1 最基本的分割方法
• 2-1-1 灰度阈值分割方法
• 2-1-2 边缘检测分割方法
• 2-1-3 区域跟踪分割方法
• §2-2 复合的图像分割方法
• 2-2-1 基于模糊技术的分割方法
• 2-2-2 基于知识的分割方法
• 2-2-3 基于神经网络的分割方法
• 2-2-4 基于动态模型的分割方法
• 2-2-5 基于Mumford-Shah模型的分割方法
• 2-2-6 基于小波变换的分割方法
• 2-2-7 基于数学形态的分割方法
• 2-2-8 基于统计学的分割方法
• 第三章 随机场理论及应用
• §3-1 MARKOV随机场
• 3-1-1 Markov随机场理论
• 3-1-2 Gibbs随机场（Gibbs Random Field,GRF）
• 3-1-3 一些常用的MRF模型
• §3-2 GRF参数估计
• 3-2-1 最大后验估计（MAP）
• §3-3 用于图像分类的随机场模型
• 3-3-1 MAP-MRF框架
• 3-3-2 组合优化算法
• 第四章 FGM算法的改进应用
• §4-1 有限混合模型及其参数估计
• 4-1-1 有限混合（FM）模型
• 4-1-2 最大估计方法
• 4-1-3 最大估计方法的一般步骤
• 4-1-4 最大估计方法图像分割
• 4-1-5 FM模型在脑部MRI图像分割中的应用
• §4-2 FGM算法的改进应用
• 4-2-1 空间信息的引入
• 4-2-2 参数估计
• 4-2-3 最大后验概率（MAP）分类
• 4-2-4 ICM算法
• §4-3 带Bias场矫正的脑部MRI分割
• 4-3-1 Bias场矫正算法
• 4-3-2 Bias矫正的引入
• §4-4 医学图像分割方法的评价
• 第五章 结论与展望
• 参考文献
• 致谢
• 攻读学位期间所取得的相关科研成果