MRI腦部組織分割方法研究.pdf

1、核磁共振成像具有軟組織成像效果好、空間分辨率高、非介入性、掃描角度靈活等優(yōu)點(diǎn)，已成為腦疾病診斷的重要輔助手段。準(zhǔn)確分割腦部組織對后續(xù)解剖腦部疾病，諸如阿爾茨海默病、多發(fā)性硬化癥、帕金森以及精神分裂癥的分析與研究具有重要的指導(dǎo)意義。
　　由于腦組織物理屬性不同，在MR圖像上呈現(xiàn)不同的灰度范圍，高斯混合模型(Gaussian Mixture Model,GMM)已成為一種描述灰度緩慢變化的理想模型。但是傳統(tǒng)的GMM以像素的獨(dú)立性假設(shè)為

2、前提，組織的空間結(jié)構(gòu)信息往往被忽略。同時，由于腦組織自身解剖結(jié)構(gòu)的復(fù)雜性，加上成像過程當(dāng)中出現(xiàn)的偏移場、部分容積效應(yīng)、噪聲等物理性因素，導(dǎo)致MR圖像的分段常量性被破壞。為了提高腦組織分割精度，本文重點(diǎn)研究了基于組織概率圖譜先驗(yàn)信息和后驗(yàn)鄰域信息的高斯混合模型腦組織三維分割算法。具體研究內(nèi)容如下：
　　1、提出了一種基于圖譜先驗(yàn)信息的高斯混合模型腦組織三維分割算法(PA-GMM)。實(shí)驗(yàn)結(jié)果表明PA-GMM算法可以解決傳統(tǒng)GMM由于空

3、間信息缺失而導(dǎo)致在噪聲和偏移場增大情況下誤分率提高的情況，有效提高了腦組織分割精度。
　　2、MR圖像當(dāng)中存在偏移場，而當(dāng)偏移場過大時候，會嚴(yán)重影響最后算法的分割精度。因此，本文在PA-GMM基礎(chǔ)之上，實(shí)現(xiàn)了一種基于偏移場校正的PA-GMM算法。實(shí)驗(yàn)結(jié)果表明，該方法可以快速有效對MR圖像進(jìn)行3D分割。通過分割與偏移場校正交替迭代進(jìn)行，比傳統(tǒng)預(yù)處理階段先進(jìn)行偏移場校正，然后再進(jìn)行組織分割的效果要好。
　　3、為了進(jìn)一步提高算法

4、在高噪聲下的分割精度，利用后驗(yàn)概率的鄰域信息和腦組織概率圖譜的空間解剖結(jié)構(gòu)先驗(yàn)信息，重新設(shè)計混合系數(shù)的表達(dá)方式，提出了一種SNPA-MGMM分割算法。該算法不僅能夠在抑制噪聲方面上表現(xiàn)突出，而且能夠分割像GM和CSF這樣的復(fù)雜重疊區(qū)域，并且能夠保留邊緣細(xì)節(jié)信息。
　　4、本文主要采用BrainWeb的模擬數(shù)據(jù)集和IBSR的兩組真實(shí)數(shù)據(jù)集(v1.0和v2.0)作為測試數(shù)據(jù)，并將改進(jìn)后的算法與一些最新文獻(xiàn)和醫(yī)學(xué)軟件上的分割結(jié)果進(jìn)行對比