支持向量機(jī)在腦部MRI圖像微小多目標(biāo)分割的應(yīng)用.pdf

1、在大腦磁共振成像(Magnetic Resonance Imaging,MRI)圖像中,腦組織的輪廓非常復(fù)雜和不規(guī)則,且樣本數(shù)目有限,不適合使用傳統(tǒng)的基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化的分割方法。而支持向量機(jī)(Support Vector Machines,SVM)是基于統(tǒng)計(jì)學(xué)習(xí)理論發(fā)展起來(lái)的一種有監(jiān)督的分類(lèi)方法,它根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則,在解決小樣本、非線性及高維模式識(shí)別問(wèn)題中表現(xiàn)出許多特有的優(yōu)勢(shì)。因此,本文開(kāi)展利用支持向量機(jī)對(duì)磁共振圖像腦部基底節(jié)區(qū)

2、內(nèi)的尾狀核(caudatum)、殼核(putamen)和蒼白球(pallidum)進(jìn)行分割研究。
　　 支持向量機(jī)最初用于二分類(lèi)問(wèn)題,在此采用有向非循環(huán)圖的方法將若干個(gè)兩類(lèi)分類(lèi)器組合成多類(lèi)分類(lèi)器。這樣所得到的多分類(lèi)支持向量機(jī)的方法可以很好地實(shí)現(xiàn)對(duì)MRI圖像中的尾狀核、殼核、蒼白球及其背景區(qū)域的分割。
　　 最終分類(lèi)的效果除了與設(shè)計(jì)的分類(lèi)器有關(guān)外,還與從磁共振圖像中提取的特征向量有關(guān)。結(jié)合磁共振圖像的特點(diǎn),采用紋理特征提取

3、和灰度特征提取的方法,紋理提取方法利用灰度共生矩陣來(lái)提取圖像的局部統(tǒng)計(jì)特征。每一個(gè)樣本點(diǎn)共提取58維特征向量。
　　 由于高維的圖像特征向量嚴(yán)重影響計(jì)算速度,降低分割速度,所以在本文中分別采取主成分分析(Principal Component Analysis,PCA)和粗糙集(Rough Sets,RS)的方法來(lái)進(jìn)行降維處理,大大提高了分割速度。實(shí)驗(yàn)結(jié)果表明,在分割MRI腦部多目標(biāo)組織時(shí),無(wú)論是分割速度還是分類(lèi)準(zhǔn)確率,粗糙集方

4、法均優(yōu)于主成分分析算法。
　　 為了分析和驗(yàn)證所提出的支持向量機(jī)分割算法的實(shí)際效果,同時(shí)采用K-均值聚類(lèi)(K-Means Clustering)算法、模糊C-均值聚類(lèi)(Fuzzy C-Mean,FCM)、K-最近鄰(K-Nearest Neighbor,KNN)算法、貝葉斯分類(lèi)器(Bayes Classifier,BC)算法和徑向基神經(jīng)網(wǎng)絡(luò)(Radial Basis Function Neural Network,RBFNN)算