基于改進(jìn)圖割算法的腦部MRI分割技術(shù)研究.pdf

1、圖像分割在圖像學(xué)中是比較底層的技術(shù)，它為計(jì)算機(jī)視覺研究、深層次的圖像分析打下基礎(chǔ)。近年來，隨著醫(yī)療領(lǐng)域的不斷擴(kuò)大和發(fā)展，各種各樣的醫(yī)療設(shè)備也不斷的出現(xiàn)，這為臨床醫(yī)學(xué)提供了大量的影像數(shù)據(jù)，很多學(xué)者將計(jì)算機(jī)視覺和臨床醫(yī)學(xué)結(jié)合在一起，利用圖像分割工具來輔助醫(yī)生定量分析醫(yī)學(xué)影像，從而進(jìn)行診斷和擬定完善診斷方案。其中大腦作為人體最主要的核心器官，很多精神疾病心理疾?。ň翊魷?、老年癡呆、多動(dòng)癥及妄想癥等等）都和大腦內(nèi)一些組織結(jié)構(gòu)息息相關(guān)，因此，研

2、發(fā)出一種能夠快速準(zhǔn)確的提取這些組織結(jié)構(gòu)的工具和技術(shù)顯得刻不容緩。
　　在過去的幾十年里，圖割優(yōu)化技術(shù)因其易擴(kuò)展，速度快，而受到廣大研究者的歡迎，將其應(yīng)用于圖像分割領(lǐng)域。由于腦部MRI具有組織結(jié)構(gòu)的復(fù)雜性，各組織之間的灰度的對(duì)比度不大，灰度分布也不勻等特殊性，應(yīng)用傳統(tǒng)的圖割算法進(jìn)行分割可能出現(xiàn)邊界萎縮及局部最優(yōu)的情況，因此為了達(dá)到更好的分割腦部組織結(jié)構(gòu)的目的，本文深入研究了圖割理論，在傳統(tǒng)圖割算法的基礎(chǔ)之上做出了一些改進(jìn)。
　

3、　為了克服原始圖割算法在操作者選擇較少像素種子點(diǎn)的情況下，目標(biāo)邊緣很容易發(fā)生錯(cuò)誤分割這一現(xiàn)象，本文提出了基于k-means和圖割(Graph Cut GC)算法相結(jié)合的KMGC算法，對(duì)腦部核磁共振成像（BrainNuclearMagnetic Resonance ImagingMRI）進(jìn)行交互式操作，該算法通過k-means聚類，對(duì)腦部MR圖像的灰度分布不均勻作了處理，在此基礎(chǔ)上，再使用圖割算法進(jìn)一步對(duì)腦部MR圖像進(jìn)行細(xì)化，從而達(dá)到有效

4、地分割腦白質(zhì)和腦灰質(zhì)的目的。本文不僅對(duì)腦白質(zhì)和腦灰質(zhì)進(jìn)行分割，還對(duì)腦灰質(zhì)中深層核團(tuán)-尾狀核組織進(jìn)行了分割，但由于尾狀核在灰質(zhì)中對(duì)比度很低，邊界模糊等特點(diǎn)，要想把它們從灰質(zhì)中分割出來，僅利用圖像灰度信息是不夠的，因此本文提出了基于自適應(yīng)模糊連接度和graph cut相結(jié)合的方法（adaptive fuzzy connectedness combined with graph cut AFCGC）對(duì)尾狀核進(jìn)行分割，并分別對(duì)本文第三章和第四章