支持向量機(jī)及其在核磁共振腦圖像分割中的應(yīng)用.pdf

1、腦組織圖像分割在醫(yī)學(xué)圖像分析中具有重要的理論與應(yīng)用價(jià)值?，F(xiàn)有的很多圖像分割方法都是基于傳統(tǒng)統(tǒng)計(jì)學(xué)理論,是基于樣本數(shù)趨于無窮大的漸近理論,而對(duì)于高維特征、小樣本數(shù)的問題很難獲得好的結(jié)果,所以分割效果不是太理想。由于支持向量機(jī)(Support Vector Machine,SVM)被看作是對(duì)傳統(tǒng)學(xué)習(xí)分類器的一個(gè)好的替代,特別是在小樣本、高維情況下,具有較好的泛化性能,因此可采用支持向量機(jī)方法對(duì)核磁共振(Magnetic Resonance,

2、MR)腦組織圖像進(jìn)行分割研究。
　　論文的主要工作可以總結(jié)如下:
　　(1)研究了現(xiàn)有的運(yùn)用SVM進(jìn)行圖像分割的方法,并在MR腦圖像下進(jìn)行實(shí)驗(yàn),分析了不同核函數(shù)及參數(shù)對(duì)分割結(jié)果的影響。在不同訓(xùn)練樣本數(shù)中進(jìn)行了對(duì)比試驗(yàn),進(jìn)一步驗(yàn)證了支持向量機(jī)方法在小樣本的情況下具有良好的分類性能。
　　(2)由于特征提取的好壞直接影響到分割效果,本文研究了紋理與灰度組合以及區(qū)域像素灰度兩組圖像特征。在提取紋理與灰度組合特征時(shí),將由灰度共

3、生矩陣提取的6種紋理統(tǒng)計(jì)特征(能量、反差、相關(guān)、熵、局部平穩(wěn)性、方差)及3種灰度特征(像素灰度,像素灰度的中值濾波值及平均值)作為醫(yī)學(xué)圖像腦組織分類時(shí)紋理與灰度組合的圖像特征。在提取區(qū)域像素的灰度特征時(shí),除了像素本身的灰度,還提取了該像素鄰域內(nèi)所有像素的灰度。
　　(3)在實(shí)際中,支持向量機(jī)方法在MR腦圖像分割時(shí),需要依照分割參考圖來選取訓(xùn)練樣本。針對(duì)這一問題,本文提出了一種模糊C均值聚類和支持向量機(jī)結(jié)合的腦圖像分割方法。該方法首