基于支持向量機的MRI圖像分割方法的研究.pdf

1、醫(yī)學圖像分割是提取影像圖像中特殊組織的定量信息所不可缺少的手段，同時也是圖像三維重建和可視化的前提。分割后的圖像被廣泛地應用于各種場合，如病變組織的定位及診斷，解剖結(jié)構(gòu)的學習，計算機指導手術(shù)和三維可視化等。本文作為三維頭模型重建的前期工作，完成了頭顱MRI圖像的去噪和分割。 由于MRI圖像存在一定程度的噪聲，我們有必要對原始MRI圖像進行預處理，以便獲得更好的像質(zhì)，提高處理的精度，得到理想的分割效果。在圖像的預處理的過程中，本文

2、在傳統(tǒng)算法基礎上，結(jié)合適配模板濾波算法對頭顱MRI醫(yī)學斷層圖像的去噪進行了有益的探索，實現(xiàn)了適配模板濾波算法對MRI圖像的去噪，較好地抑制了噪聲。 近年來，越來越多的新方法被引入圖像分割領域，機器學習就是其中一個熱點。但傳統(tǒng)的機器學習方法是以經(jīng)驗風險最小化（Empirical Risk Minimization, ERM）為原則，在學習過程中無法控制模型的復雜性，容易出現(xiàn)欠學習和過學習的情況，從而降低學習機器的推廣能力。特別是在

3、有限樣本的情況下更是如此。然而在醫(yī)學圖像分割中，訓練樣本通常是有限的，所以傳統(tǒng)模式分類方法通常難以取得很好的結(jié)果。本文借助支持向量機（Support Vector Machines, SVMs）方法在小樣本、非線性及高維特征空間中具有良好的分類性能，針對醫(yī)學圖像分割的特點，以支持向量機方法為基礎進行了頭顱MRI圖像分割方法的研究，并且成功獲取了目標邊緣輪廓和體數(shù)據(jù)，為以后三維頭模型的重建研究奠定了基礎。 對于MRI 圖像，僅僅依