基于模糊聚類的醫(yī)學圖像分割和偏場校正算法研究.pdf

1、隨著醫(yī)學影像技術(shù)的迅速發(fā)展，醫(yī)學影像逐漸成為臨床醫(yī)療的一種主要輔助手段，很大程度上提高了醫(yī)生的確診率。當前針對醫(yī)學圖像的分割主要將重點置于核磁共振圖像(MRI)。腦部組織主要包括灰質(zhì)(GM)、白質(zhì)(WM）和脊髓液(CSF)，準確地分割腦部組織是臨床診斷和神經(jīng)科學中的關(guān)鍵步驟，由于腦部MR圖像不可避免地受到噪聲、部分容積效應(yīng)以及偏場的影響，導致現(xiàn)有的分割算法都或多或少存在分割結(jié)果不正確情況，是醫(yī)學圖像中的關(guān)鍵問題和難點，因此該問題引起了國

2、內(nèi)外學者專家的廣泛研究關(guān)注。盡管改進的FCM算法己成功的對不同類型的圖像進行分割，但是他們在分割腦部MRI圖像時存在以下弱點:在處理帶有偏場的腦部MRI圖像時不能有效的校正偏場，造成分割的結(jié)果不夠準確;同時，無法精確估計鄰域點和中間點的影響，控制噪聲或異常點的魯棒性較弱等。
　　基于以上問題的分析，本文提出一種基于FCM算法的腦部MR圖像偏場校正和分割的新算法RCLFCM。首先，考慮到FLICM算法只考慮了空間距離因子，不能正確估

3、計鄰域窗口的影響。為了解決這個問題，新算法提出了一個新的鄰域灰度差系數(shù)，并結(jié)合局部窗口方差系數(shù)，設(shè)計了新的影響因子來衡量鄰域點對中心像素的影響，從而充分考慮像素的鄰域信息，減少噪聲的影響。其次，為了盡量多地運用像素之間的空間信息，本文構(gòu)造了新的公式來更新模糊隸屬度，使算法能夠在較少迭代次數(shù)之內(nèi)達到收斂，提高了算法的有效性。最后，重新定義了FCM的目標函數(shù)，并將偏場估計模型加入目標函數(shù)，在處理過程對MRI圖像同時進行偏場校正和分割，抑制了