首页 > 文献资料
-
基于FCM聚类算法的MRI脑组织图像分割方法比较研究
目的：磁共振成像（ magnetic resonance imaging ， MRI）对脑组织有较好的成像效果，但噪声、偏移场和部分容积效应（ partial volume effect ， PVE）的存在，使得全自动分割MRI图像面临一定的困难。模糊C均值（fuzzy C－means， FCM）聚类算法在脑组织分割中得到较广泛研究。本文以存在噪声和偏移场影响的脑MRI图像分割为应用背景，研究了大量相关方法，探讨FCM算法分割脑部图像的改进思想。方法本文主要研究了9种FCM算法的理论基础，并通过脑组织分割实验对各种算法进行了分析。结果比较了不同算法的优劣，给出各类算法直观及定量评价结果。结论偏移场和噪声对脑磁共振图像组织分类质量有明显影响。其中几种方法可以减弱这些不利影响，但由于难以选择合适的参数，其分类效果并不理想。如何合理利用空间信息在未来仍有较大研究价值。
-
改进的遗传模糊聚类算法及其在MR脑组织分割中的应用
为提高MR图像中脑组织分割的精度,针对目前遗传模糊聚类算法存在的问题,提出了改进的遗传模糊聚类算法.首先,通过完全改变遗传算法的编码方式、变异方式和交叉方式,对现有遗传算法进行改进,从而使遗传算法能获得小的适应度函数值;然后,结合模糊聚类算法,终得到改进的遗传模糊聚类算法.将改进的遗传模糊聚类算法应用于MR脑图像的分割,结果表明,改进的遗传模糊聚类算法的分割质量高于现有的遗传模糊聚类算法和快速模糊聚类算法.改进的遗传模糊聚类算法可以做为一种快速、全自动的MR脑图像分割工具.
-
一种基于特征优化算法的磁共振脑组织分割方法
结合独立分量分析与支持向量机,提出一种基于特征优化算法的磁共振脑组织分割方法.首先,从图像中提取出灰度和纹理特征构成原始特征集;然后,利用独立分量分析技术对所提取的原始图像特征进行优化处理,提取其中的独立分量构成特征子集;后,把训练样本与待分类样本都映射到特征子集所张成的独立空间中,利用特征子集对支持向量机分类器进行训练并对脑组织进行分类.实验结果表明,采用本研究的分割方法可以获得比其他相关方法更好的脑组织分割结果.
-
用于MRI脑组织分割的自动模糊连接方法
本研究提出了一种自动化的模糊连接(fuzzy connectedness,FC)方法,用于3维核磁共振(MRI)图像脑组织分割.方法的主要创新在于提出了FC方法中各项参数的自动指定方法,包括:利用灰质、白质各自的体素尺度(scale)值大小差异,自动估计组织的灰度概率密度函数;根据估计得到的组织灰度概率密度函数,自动指定种子点.从而避免了人工干预,保证了分割过程的自动化和可重复性.所提方法在IBSR(the Intemet Brain Segmentation Repository)数据库所提供的MRI图像上进行了测试,并和同类研究进行了对比,分割精度优于同类研究.作为一种完全自动化的方法,该方法能够被广泛应用到3维可视化、放疗手术计划和医学数据库构造中.
