基于ITK的MR腦組織圖像分割方法的研究.pdf

1、目的: 利用ITK對顱腦MR圖像進行半自動及自動分割，并對分割所得的腦組織結(jié)構(gòu)（白質(zhì)、灰質(zhì)、腦室）圖像進行觀察、研究，分析優(yōu)缺點，為顱腦MR圖像腦組織結(jié)構(gòu)的三維顯示及手術(shù)導(dǎo)航做準備。 材料與方法: 利用ITK編程讀取DICOM格式的MR腦圖像，半自動分割采用連續(xù)閾值區(qū)域生長算法、自動分割采用K-Means聚類算法對41幅圖像進行分割，得到白質(zhì)、灰質(zhì)、腦室等腦組織結(jié)構(gòu)。 結(jié)果: 連續(xù)閾值區(qū)域生長算法

2、及K-Means聚類算法都很好的分割出了各部分腦組織結(jié)構(gòu)。連續(xù)閾值區(qū)域生長算法綜合分割速度慢，受不同層上不同腦組織像素間連通性的影響，將MR腦圖像上的各腦組織結(jié)構(gòu)分次單幅顯示出來了，較K-Means對不包含腦室的圖像進行4分類時的分割精度高、細節(jié)多。K-Means聚類算法分割的綜合速度比區(qū)域生長分割方法分割的快，受初始聚類中心、聚類準則函數(shù)、相似度度量方法的影響，可以一次性將白質(zhì)、灰質(zhì)及腦室等結(jié)構(gòu)在一幅圖像上分割后顯示出來，對包含腦室結(jié)

3、構(gòu)的圖像進行五分類時的分割效果明顯優(yōu)于連續(xù)閾值區(qū)域生長的分割效果，而且這樣一次性將各腦組織結(jié)構(gòu)在一幅圖像上分割出來的快速、高效的分割思想及模式是今后圖像分割的方向。 結(jié)論: 不同分割方法的優(yōu)缺點、側(cè)重點不一樣，加上醫(yī)學(xué)圖像的各異性、復(fù)雜性、多模態(tài)性，以及圖像分割的目的及要求的多樣性、具體性、特殊性，使得具體問題需具體研究、分析。連續(xù)閾值區(qū)域生長算法及K-Means聚類算法的分割各有特點，都很好的分割出了各部分腦組織結(jié)構(gòu)，