基于模糊隨機(jī)模型的磁共振腦部圖像分割算法研究.pdf

1、磁共振(MR)腦部圖像的分割主要包括兩個(gè)方面的內(nèi)容：一是對(duì)正常腦組織的分割，就是要將MR腦部圖像分割為灰質(zhì)、白質(zhì)和腦脊液等組織部分。這是醫(yī)學(xué)圖像配準(zhǔn)、三維重建和可視化的基礎(chǔ)；另一方面就是對(duì)包含有病灶的．MR腦部圖像的分割，即將感興趣的病灶從其它組織中分割出來(lái)。這樣就能夠?qū)Σ≡畹男螤?、邊界、截面面積以及體積等進(jìn)行測(cè)量，并通過(guò)在治療前后對(duì)這些指標(biāo)的測(cè)量和分析，幫助醫(yī)生制定和修改治療方案。 由于人體解剖的個(gè)體差異較大，臨床應(yīng)用對(duì)醫(yī)學(xué)圖

2、像分割的準(zhǔn)確度和算法的執(zhí)行速度要求較高；又由于噪聲、偏移場(chǎng)效應(yīng)和部分容積效應(yīng)等對(duì)圖像的影響，使得已有的分割算法遠(yuǎn)未達(dá)到理想的效果。因此，MR腦部圖像的分割一直是醫(yī)學(xué)圖像處理和分析的熱點(diǎn)研究問(wèn)題。 醫(yī)學(xué)圖像的部分容積效應(yīng)和有些組織區(qū)域的不確定性，決定了醫(yī)學(xué)圖像的模糊性。基于模糊理論的圖像分割算法將模糊概念引入到圖像分割算法中，用隸屬度表示像素占各種“純組織”部分容積的比例。這已經(jīng)廣泛地應(yīng)用于MR．腦部圖像的分割中，其中最具代表性的

3、算法就是模糊C-均值聚類算法(FCM)。但傳統(tǒng)的FCM聚類算法是一種僅利用灰度信息的聚類算法。它未考慮相鄰像素之間相關(guān)性，未能利用圖像的空間信息，在分割低信噪比圖像時(shí)會(huì)產(chǎn)生較大的偏差。 基于馬爾可夫場(chǎng)(MRF)模型的圖像分割算法，是一類重要的圖像分割算法。該類算法利用了圖像空間的相關(guān)信息作為先驗(yàn)知識(shí)，運(yùn)用Gibbs場(chǎng)和最大后驗(yàn)概率(MAP)實(shí)現(xiàn)圖像分割，能夠有效地對(duì)迭加了噪聲的低信噪比圖像進(jìn)行分割。但基于MRF模型的分割算法也存

4、在一些問(wèn)題，例如不能有效地處理圖像的模糊性、存在過(guò)分割現(xiàn)象、參數(shù)估計(jì)困難等。 本文深入研究了基于模糊理論和基于MRF模型的圖像分割算法，主要取得下列成果：(1)針對(duì)FCM算法存在的問(wèn)題，提出了一種能夠合理利用空間信息的改進(jìn)的FCM算法；(2)將模糊理論和MRF結(jié)合，提出了一種模糊MRF模型，并對(duì)模型的建立、參數(shù)估計(jì)和優(yōu)化方法進(jìn)行了深入的研究；(3)研究了多發(fā)性硬化癥病灶的分割算法，分別提出了一種基于模糊連接度和一種基于MRF模型

5、的多發(fā)性硬化癥病灶的分割算法；(4)研究了基于非齊次MRF模型的圖像分割算法，并提出了一種用模糊連接度對(duì)非齊次MRF進(jìn)廳參數(shù)估計(jì)的方法。這些方法在提高圖像分割的精度和魯棒性等方面具有顯著的效果。 第二章根據(jù)MR腦部圖像真實(shí)的灰度值具有分片常數(shù)的特性，按照合理利用圖像空間信息的原則，提出了一種基于隸屬度光滑約束的FCM聚類算法。在傳統(tǒng)FCM的目標(biāo)函數(shù)中增加了使隸屬度趨向于分片光滑的約束項(xiàng)，提出了新的目標(biāo)函數(shù)，得到了新的數(shù)學(xué)規(guī)劃問(wèn)題

6、，并運(yùn)用Lagrange乘數(shù)法，得到了該規(guī)劃問(wèn)題的解。以此提出了一種FCM聚類算法的改進(jìn)算法。通過(guò)對(duì)模擬和臨床MR腦部圖像的分割實(shí)驗(yàn)，表明該算法在分割被噪聲污染的圖像時(shí)，比傳統(tǒng)的FCM算法及其改進(jìn)算法等多種圖像分割算法具有更精確的圖像分割能力，并且運(yùn)算簡(jiǎn)單、運(yùn)算速度快、穩(wěn)健性好。 第三章分析了基于模糊理論和基于MRF模型的圖像分割算法各自的優(yōu)勢(shì)和存在的問(wèn)題。在傳統(tǒng)MRF模型的基礎(chǔ)上，引入模糊概念，建立了一種模糊MRF模型，并運(yùn)用

7、MAP方法將圖像的分割問(wèn)題轉(zhuǎn)化為一個(gè)數(shù)學(xué)規(guī)劃問(wèn)題。通過(guò)對(duì)該規(guī)劃問(wèn)題的求解，得到了圖像像素對(duì)不同組織的隸屬度計(jì)算方法，提出了一種高效、無(wú)監(jiān)督的圖像分割算法，從而實(shí)現(xiàn)了對(duì)MR腦部圖像的精確分割。通過(guò)對(duì)模擬MR腦部圖像和臨床MR腦部圖像分割實(shí)驗(yàn)，表明該基于模糊MRF模型的圖像分割新算法比基于傳統(tǒng)MRF模型的圖像分割算法和模糊C-均值等圖像分割算法能夠更精確地分割圖像。 第四章和第五章研究了多發(fā)性硬化癥病灶的分割方法。多發(fā)性硬化癥是一種

8、嚴(yán)重威脅中樞神經(jīng)功能的疾病，對(duì)其病灶的分割方法研究正受到越來(lái)越多的關(guān)注。但由于實(shí)際的臨床圖像存在較嚴(yán)重的不確定噪聲、不均勻性以及多發(fā)性硬化癥病灶表現(xiàn)復(fù)雜等原因，使得現(xiàn)有的算法的分割效果不盡人意。 第四章將多發(fā)性硬化癥的MR成像特點(diǎn)和解剖性質(zhì)做為先驗(yàn)知識(shí)，提出了一種基于模糊連接度的多發(fā)性硬化癥病灶的分割算法。模糊連接度用模糊關(guān)系描述了圖像中兩個(gè)像素之間的關(guān)聯(lián)程度。通過(guò)選取種子像素，運(yùn)用像素間的模糊連接度進(jìn)行增長(zhǎng)區(qū)域，能夠?qū)崿F(xiàn)對(duì)病灶

9、的分割。但基于模糊連接度的分割算法需要人工選擇種子點(diǎn)，這樣就制約了該方法的應(yīng)用。本章提出了一種實(shí)現(xiàn)種子像素自動(dòng)選取的方法，實(shí)現(xiàn)了多發(fā)性硬化癥病灶的自動(dòng)分割。作為多發(fā)性硬化癥病灶分割的預(yù)處理，針對(duì)FLAIR MR腦部圖像的特征，還巧妙地提出了一種基于區(qū)域增長(zhǎng)方法的腦部組織提取算法，能夠自動(dòng)地去除頭骨、頭皮等非腦部組織。通過(guò)對(duì)臨床患者FLAIR MR圖像的分割實(shí)驗(yàn)，表明該分割算法能夠比較準(zhǔn)確地分割多發(fā)性硬化癥病灶，其分割效果明顯好于FCM聚

10、類算法和基于MRF的分割算法。該算法還具有無(wú)監(jiān)督、運(yùn)算速度快、穩(wěn)健性好等優(yōu)點(diǎn)，能夠應(yīng)用于多發(fā)性硬化癥的臨床輔助診斷。 第五章提出了一種基于MRF模型，利用了多發(fā)性硬化癥形態(tài)學(xué)特性的多發(fā)性硬化癥病灶的分割算法。首先運(yùn)用基于MRF模型的分割算法和區(qū)域增長(zhǎng)法，分割出腦白質(zhì)所包圍的區(qū)域。然后對(duì)腦白質(zhì)所包圍的區(qū)域再次分割，就實(shí)現(xiàn)了對(duì)MR腦部圖像的多發(fā)性硬化癥病灶分割。通過(guò)對(duì)多發(fā)性硬化癥模擬和臨床T<,2>加權(quán)MR腦部圖像的分割實(shí)驗(yàn)，表明該

11、算法能夠比較準(zhǔn)確地分割多發(fā)性硬化癥病灶，并且具有穩(wěn)健性好等優(yōu)點(diǎn)，能夠應(yīng)用于多發(fā)性硬化癥的臨床輔助診斷。 第六章提出了一種基手非齊次MRF的圖像分割算法，并運(yùn)用模糊空間元素的模糊連接度模型，估計(jì)非齊次MRF中控制像素對(duì)空間信息依賴程度的參數(shù)，改進(jìn)了傳統(tǒng)的基于MRF模型的圖像分割算法。在傳統(tǒng)的基于MRF模型的圖像分割算法中，總是假設(shè)對(duì)應(yīng)的MRF具有齊次性，即像素對(duì)空間信息的依賴程度與其空間位置無(wú)關(guān)。由于圖像中不同位置的像素對(duì)空間信息