基于FCM和SVM的腦MR圖像分割算法研究.pdf

1、腦疾病是威脅人類健康的常見病，成為了社會、醫(yī)學界廣泛關(guān)注的問題之一。腦疾病的診斷主要依靠醫(yī)學影像檢查。通過醫(yī)學影像定性和定量的分析腦組織，進而分析腦組織與腦疾病之間的關(guān)系已經(jīng)成為了研究的熱點。核磁共振成像技術(shù)(Magnetic Resonance Imaging，MRI)由于其對軟組織成像特別有效，因此腦MR圖像在臨床醫(yī)學上得到了大量的應用。準確分割腦組織結(jié)構(gòu)可以提高腦疾病診斷的效率和可靠性。
　　本文對目前國內(nèi)外多種圖像分割方法

2、進行了綜述，針對腦MR圖像分割中存在的問題，發(fā)現(xiàn)基于模糊C均值聚類(Fuzzy C-Means clustering，F(xiàn)CM)結(jié)合支持向量機(Support Vector machine，SVM)的分割方法具有諸多優(yōu)點且具有巨大的應用前景，因此，本文將目標集中在對基于FCM和SVM的腦MR圖像分割的研究上，主要的工作和研究成果如下：
　　首先根據(jù)FCM算法和SVM算法的優(yōu)勢和劣勢，建立一種將無監(jiān)督分類算法FCM結(jié)合到模糊支持向量機

3、(Fuzzy Support Vector Machine，F(xiàn)SVM)的模型，F(xiàn)CM算法為FSVM提供訓練樣本及模糊隸屬度，解決FSVM這類監(jiān)督算法需要手動選取樣本的缺點，并充分利用FSVM較好的泛化能力。
　　然后為了進一步減小不確定樣本的隸屬度，使不確定的樣本減小對FSVM分類函數(shù)的影響，本文采用與改進模糊分割相反思想的FCM算法解決，并在此基礎上添加了空間約束和偏移場估計，增強了抗噪聲和偏移場的能力，從而為下一步支持向量機的