基于MAS的醫(yī)學(xué)圖像分割關(guān)鍵技術(shù)研究.pdf

1、在臨床診斷和病理學(xué)研究中，為了準(zhǔn)確地分辨醫(yī)學(xué)圖像中的正常組織結(jié)構(gòu)和異常病變，需要對(duì)醫(yī)學(xué)圖像進(jìn)行分割。由于醫(yī)學(xué)圖像對(duì)比度較低，加之組織特征的可變性、不同組織之間或者組織和病灶之間邊界的模糊性以及微細(xì)結(jié)構(gòu)(如血管、神經(jīng))分布的復(fù)雜性，使得醫(yī)學(xué)圖像分割成為一個(gè)難點(diǎn)。 論文在分析了國(guó)內(nèi)外有關(guān)醫(yī)學(xué)圖像分割方法相關(guān)文獻(xiàn)的基礎(chǔ)上，基于Agent原理與技術(shù)，提出了一種新的基于MAS(Mullti-Agent System)的醫(yī)學(xué)圖像分割方法。論

2、文的主要工作及創(chuàng)新點(diǎn)是： (1)對(duì)國(guó)內(nèi)外典型醫(yī)學(xué)圖像分割方法進(jìn)行了深入地分析，綜述了圖像分割的基本方法，并針對(duì)醫(yī)學(xué)圖像的特點(diǎn)，闡述了基于MAS的醫(yī)學(xué)圖像分割方法的可行性和必要性。 (2)對(duì)MAS協(xié)作求解機(jī)制和Agent群體強(qiáng)化學(xué)習(xí)進(jìn)行了詳細(xì)介紹。討論了幾種典型的MAS體系結(jié)構(gòu)，指出MAS不僅在結(jié)構(gòu)上存在相關(guān)性，而且在行為上也存在相關(guān)性，這些相關(guān)性正是MAS協(xié)作的起因。將傳統(tǒng)的強(qiáng)化學(xué)習(xí)技術(shù)引入到MAS中，形成Agent群體

3、強(qiáng)化學(xué)習(xí)機(jī)制。 (3)在上述工作基礎(chǔ)上，通過對(duì)典型MAS組織結(jié)構(gòu)優(yōu)缺點(diǎn)的分析，提出一個(gè)基于Agent圖(Agent Graph)的三級(jí)MAS協(xié)作組織模型，該模型較好地兼顧了系統(tǒng)對(duì)通信開銷、效率、可靠性等方面的要求。以個(gè)體強(qiáng)化學(xué)習(xí)和Agent組(Agent Team)的概念為基礎(chǔ)，設(shè)計(jì)了一種引入先驗(yàn)知識(shí)的強(qiáng)化函數(shù)，提出了基于Agent組的群體強(qiáng)化學(xué)習(xí)算法。 (4)針對(duì)醫(yī)學(xué)圖像分割，提出一種圖像分割的高層模型，對(duì)該模型的各個(gè)

4、部分進(jìn)行了詳細(xì)介紹，指出了模型設(shè)計(jì)中的幾個(gè)關(guān)鍵問題。根據(jù)該模型，給出了基于MAS的醫(yī)學(xué)圖像分割技術(shù)的流程和關(guān)鍵算法。 (5)利用論文的分割算法對(duì)圖像進(jìn)行了分割實(shí)驗(yàn)，人腦模擬圖像組織的分割和FCM方法的分割視覺效果對(duì)比，人腦冠狀面MR圖像的MAS分割和ML分割及CGS分割的比較以及異常腦組織的分割實(shí)驗(yàn)結(jié)果表明，論文的基于MAS的自適應(yīng)分割算法較好地完成了圖像的分割，視覺效果良好，具有很好的適應(yīng)性，分割效果與領(lǐng)域?qū)＜业囊庖娀疽恢拢?/p>