基于支持向量機(jī)的MRI圖像分割方法的研究.pdf

1、醫(yī)學(xué)圖像分割是提取影像圖像中特殊組織的定量信息所不可缺少的手段，同時(shí)也是圖像三維重建和可視化的前提。分割后的圖像被廣泛地應(yīng)用于各種場(chǎng)合，如病變組織的定位及診斷，解剖結(jié)構(gòu)的學(xué)習(xí)，計(jì)算機(jī)指導(dǎo)手術(shù)和三維可視化等。本文作為三維頭模型重建的前期工作，完成了頭顱MRI圖像的去噪和分割。 由于MRI圖像存在一定程度的噪聲，我們有必要對(duì)原始MRI圖像進(jìn)行預(yù)處理，以便獲得更好的像質(zhì)，提高處理的精度，得到理想的分割效果。在圖像的預(yù)處理的過程中，本文

2、在傳統(tǒng)算法基礎(chǔ)上，結(jié)合適配模板濾波算法對(duì)頭顱MRI醫(yī)學(xué)斷層圖像的去噪進(jìn)行了有益的探索，實(shí)現(xiàn)了適配模板濾波算法對(duì)MRI圖像的去噪，較好地抑制了噪聲。 近年來(lái)，越來(lái)越多的新方法被引入圖像分割領(lǐng)域，機(jī)器學(xué)習(xí)就是其中一個(gè)熱點(diǎn)。但傳統(tǒng)的機(jī)器學(xué)習(xí)方法是以經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化（Empirical Risk Minimization, ERM）為原則，在學(xué)習(xí)過程中無(wú)法控制模型的復(fù)雜性，容易出現(xiàn)欠學(xué)習(xí)和過學(xué)習(xí)的情況，從而降低學(xué)習(xí)機(jī)器的推廣能力。特別是在

3、有限樣本的情況下更是如此。然而在醫(yī)學(xué)圖像分割中，訓(xùn)練樣本通常是有限的，所以傳統(tǒng)模式分類方法通常難以取得很好的結(jié)果。本文借助支持向量機(jī)（Support Vector Machines, SVMs）方法在小樣本、非線性及高維特征空間中具有良好的分類性能，針對(duì)醫(yī)學(xué)圖像分割的特點(diǎn)，以支持向量機(jī)方法為基礎(chǔ)進(jìn)行了頭顱MRI圖像分割方法的研究，并且成功獲取了目標(biāo)邊緣輪廓和體數(shù)據(jù)，為以后三維頭模型的重建研究奠定了基礎(chǔ)。 對(duì)于MRI 圖像，僅僅依