首页 > 文献资料
-
基于模糊C均值聚类改进算法的脑部MR图像分割研究
目的 提出一种基于邻域隶属度参数优化的模糊C均值(Fuzzy C-Means,FCM)聚类改进算法,并用于脑部MR图像分割.方法 首先,采用遗传算法、粒子群优化算法和联合算法计算隶属度函数佳参数,然后采用此隶属度函数优化FCM聚类算法相似度函数,后根据改进的FCM聚类算法分割脑部MR图像.图像分割精确性评价指标采用假阴性率、假阳性率、分割错误率和相似性系数.结果 选用不同FCM算法对包含噪声的人工合成图像和临床实例MR图像进行仿真实验.定性分析显示本文提出的FCM聚类改进算法获得分割图像能保留更多的边缘和细节信息;定量评价显示基于本文提出的FCM改进算法获得的分割假阴性率(0.0058％～4.28％)、假阳性率(0.0182％～20.15％)和错误率(0.0085％～7.15％)均小,相似性系数高达92.65％.结论 联合使用遗传算法和粒子群优化算法能获得佳隶属度参数,基于此改进的FCM聚类算法能有效克服噪声造成的局限性,提高脑部MR图像分割精准度,具有较高的临床应用价值.
-
基于模糊均值聚类算法的灰度不均匀脑MR图像的分割
磁共振图像经常被含有缓慢变化的灰度不均匀场所破坏,不均匀场会造成同一组织的灰度发生变化,从而影响计算机辅助诊断的准确性.传统的基于灰度信息的分割方法对具有不均匀场的磁共振图像分割效果往往并不理想.文章改进了基于灰度信息的模糊C均值(FCM)算法,将偏移场模型、代表图像空间信息的邻域控制信息和小二乘曲面拟合方法有机结合,能同时实现图像的校正和聚类,适用于灰度不均匀脑部磁共振图像的分割,分割精度明显优于已有的基于FCM的分割方法.
-
结合水平集和区域生长的脑MR图像分割
本文提出了结合改进的水平集和区域生长方法实现脑MR图像分割,并根据不同组织成像特征和组织结构特点采用不同算法分割进行了探索.主要步骤:首先用改进的水平集算法实现图像中骨组织和脑脊液(CSF)的提取;然后,依据直方图确定脑灰质(GM)、脑白质(WM)的近似灰度值,自动定位种子点后进行区域生长,实现脑灰质和脑白质的分离.实验结果表明,该方法充分利用了脑MR图像中的区域信息和边界信息,与传统单一算法分割脑MR图像相比,具有更强的鲁棒性和准确性.
-
MR脑图像分割技术
磁共振成像技术的优秀的软组织对比度和无创伤性的特点决定了它在未来的医学和认知神经科学等研究领域中具有广阔的发展前景。无论是用于指导临床医学，还是用于认知神经科学的脑功能定位，首先就是要从图像中分割出医师和研究人员感兴趣的目标。本文主要介绍MR脑图像分割技术的原理及其应用。
-
结合脑图谱和水平集的MR图像分割的研究
本文利用脑图谱的先验知识并结合水平集等算法实现对脑MR图像的初步分割.主要步骤:(1)选取数字脑图谱,对图谱进行预处理;(2)实现图谱与脑MR图像的配准;(3)利用图谱提供的轮廓信息对水平集算法进行初始化,完成颅骨和脑脊液的提取以及脑白质和脑灰质的分割.实验结果表明,利用脑图谱提供的信息可有效解决水平集算法初始化问题,缩小求解空间,减少迭代次数,该方法具有较好的鲁棒性.
-
基于模糊Gibbs场和模糊C均值聚类的脑部磁共振图像的分割
提出了一种利用模糊Gibbs场和模糊C均值聚类的新算法,用来分割脑部磁共振(Magnetic resonance, MR)图像.本算法引入了像素的空间约束,提出了势团均匀分布的概念,并使用模糊信息定义了势团的Gibbs能量,并在传统的基于灰度的模糊C均值聚类(Fuzzy C-means, FCM)算法中引入Gibbs能量的补偿项,建立包含像素灰度信息和空间约束的新的目标函数,并得到模糊矩阵和聚类中心的迭代公式,克服了基于灰度信息的模糊C均值聚类算法的缺陷,从而改善了原有的分割模型.对合成图像和脑部MR图像的实验表明了本算法的有效性,可以有效地分割被噪声污染的低信噪比的MR图像.
关键词： MR图像分割 模糊C均值聚类 模糊Gibbs随机场 空间约束
