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。
-
一种分割脑磁共振图像的改进FCM聚类算法
噪声和偏移场是影响磁共振(MRI)图像质量的主要因素.以含加性噪声和乘性偏移场的脑MRI图像组m织分割为目标,提出一种抗噪局部相干模糊聚类算法,通过在目标函数中加入模糊算子和一致局部信息约束,达到同时抑制噪声和偏移场不利影响的目的,提高分割准确性和稳定性.采用20例合成图像、60例来自BrainWeb的模拟脑MRI图像、100例来自IBSR真实脑MRI图像,对算法的聚类性能进行评价.实验结果表明,在噪声和偏移场干扰并存的情况下,所提出算法与其他几种经典FCM改进算法相比,对合成图像集的平均分类准确度SA达到0.97,高于其他算法,大可提高0.37;对真实脑MRI图像集的脑脊液分割有明显优势,相似性测度KI平均提高约0.1.分析表明,所提出算法有更好的分类准确性和稳定性.
-
多相变分水平集的脑部磁共振图像分割与偏移场矫正的耦合模型
目的 为分割有偏移场的脑部磁共振图像,建立了一种多相变分水平集的脑部磁共振图像分割与偏移场矫正的耦合模型.方法 依据偏移场特性,定义了基于局部灰度信息的K均值聚类准则,并将聚类准则项整合为变分水平集函数的基本能量项,构造变分水平集的能量函数,求解能量函数的欧拉-拉格朗日方程.将提出的变分水平集算法扩展为多相,终实现脑组织分割和偏移场的矫正.结果 以医生手动分割的脑组织为标准,将本文模型与多相LBF模型的分割结果进行定量分析,结果表明,偏移场强度为20％时,本文模型的分割精度比多相LBF模型提高了10％,且随着偏移场强度进一步增强,本模型的优势更明显.结论 本模型抗噪能力强且分割结果受参数影响小,可应用于脑组织的分割和偏移场的矫正.
-
一种自适应惯性权重粒子群算法在磁共振图像偏移场矫正中的应用
为解决用传统粒子群算法估计磁共振(MR)图像偏移场会陷入局部优的问题,本文提出了一种自适应权重粒子群算法估计MR图像的偏移场.针对传统粒子群算法的缺陷,设计一个衡量早熟收敛程度的指标,根据此指标来自适应地调整惯性权重,确保粒子群有效地进行全局寻优,避免陷入局部优.本文利用Legendre多项式来拟合偏移场,多项式参数利用本文提出的算法进行寻优,后对MR图像的偏移场进行估计和矫正.将本文算法与改进的熵小方法进行对比分析,本文矫正后图像熵值更小,对偏移场估计更准确,将矫正后的图像进行分割,分割精度提高将近10％.研究结果初步说明,本算法可应用于MR图像偏移场的矫正.
