基于非局部FCM腦核磁共振圖像分割.pdf

1、隨著中國老年化程度的加重，腦疾病病發(fā)程度日益加重。因此，借助醫(yī)學影像技術對疾病進行臨床輔助診斷具有重要意義。核磁共振成像（MRI）因其對人體沒有任何電離輻射傷害，對軟組織有較高的分辨率，成像參數(shù)多，包含信息量大等優(yōu)點，已被廣泛運用于醫(yī)療圖像診斷。
　　模糊C均值(FCM)算法是一種比較經(jīng)典的聚類方法，具有無監(jiān)督、實現(xiàn)簡單、運算速度快等優(yōu)點，常被用于腦MR圖像分割。然而，由于噪聲和灰度不均勻的影響，使得采用傳統(tǒng)的FCM算法很難得到理

2、想分割的結果。為此，本文針對腦MR圖像分割問題，通過考察圖像的空間結構信息，對傳統(tǒng)算法中目標函數(shù)的距離項進行了改進，并將偏移場參數(shù)化且耦合到FCM框架下，使其不僅能夠降低噪聲的影響，還能夠較好地恢復偏移場。本文的研究工作包括如下幾個方面:
　　(1)針對噪聲和偏移場的影響，提出一種改進的非局部FCM腦MR圖像分割與偏移場恢復耦合模型。該模型考慮了圖像的非局部信息，通過空間圖像塊之間的相似性構造權重函數(shù)，并且將偏移場也納入FCM模型

3、中，可以有效地降低噪聲和偏移場對分割結果的影響，并且能夠保留更多的結構信息。
　　(2)針對傳統(tǒng)模型魯棒性不足、分割精度不夠高的問題，提出一種結合非局部信息的模糊聚類腦MR圖像分割模型。該模型首先引入非局部信息，克服傳統(tǒng)的空間信息僅依賴鄰域灰度信息從而導致精度不高的缺點，使其在降低噪聲影響的同時還能保持細長拓撲結構區(qū)域信息;其次，利用多元高斯分布模型對圖像灰度分布進行擬合以構造距離函數(shù)，從而降低傳統(tǒng)歐式距離導致魯棒性不足的影響;最