醫(yī)學(xué)圖像分割中分類(lèi)器的研究.pdf

1、醫(yī)學(xué)圖像分割是提取影像圖像中特殊部位的定量信息所不可或缺的手段，也是醫(yī)學(xué)圖像可視化的必要條件。分割后的圖像被廣泛地應(yīng)用于解剖結(jié)構(gòu)的學(xué)習(xí)，病變組織的定位以及診斷分析，計(jì)算機(jī)手術(shù)指導(dǎo)等方面。腦部組織的自動(dòng)而有效的分割對(duì)診斷、治療、病理研究、放療計(jì)劃的制定、手術(shù)導(dǎo)航、計(jì)算機(jī)輔助診斷等各方面均有著極其重要的意義。本文完成了頭部MR圖像的腦組織分割。
　　本課題根據(jù)從醫(yī)學(xué)圖像中提取的灰度特征和紋理特征的數(shù)據(jù)，利用基于支持向量機(jī)（Suppor

2、tVectorMachine,SVM）和條件隨機(jī)場(chǎng)（ConditionalRandomField,CRF）的圖像分割技術(shù)對(duì)特征向量進(jìn)行分割，探索其在醫(yī)學(xué)圖像分割中的實(shí)踐研究。以醫(yī)學(xué)圖像中MR（MagneticResonance）圖像組織分割為重點(diǎn)研究?jī)?nèi)容開(kāi)展系統(tǒng)研究，探索基于支持向量機(jī)、基于條件隨機(jī)場(chǎng)以及基于支持向量機(jī)條件隨機(jī)場(chǎng)模型在解決醫(yī)學(xué)圖像分割中的應(yīng)用問(wèn)題。
　　因?yàn)橹С窒蛄繖C(jī)具有學(xué)習(xí)精度高、泛化能力強(qiáng)、所需學(xué)習(xí)樣本小等特點(diǎn)

3、而被廣泛應(yīng)用，但是有它有一個(gè)缺點(diǎn)：支持向量機(jī)假設(shè)數(shù)據(jù)是相互獨(dú)立的。然而，醫(yī)學(xué)圖像包含有大量復(fù)雜的灰度特征和紋理特征，醫(yī)學(xué)圖像的像素信息在類(lèi)別上有著很強(qiáng)的相關(guān)性，不滿足相互獨(dú)立的假設(shè)。相反，如果能有效利用這些依賴關(guān)系，可以有效地提高分類(lèi)精度。條件隨機(jī)場(chǎng)是一種直接根據(jù)后驗(yàn)概率建模的概率模型，可以有效地學(xué)習(xí)數(shù)據(jù)之間的相關(guān)性。但是，傳統(tǒng)CRF模型定義的簡(jiǎn)單一階勢(shì)能項(xiàng)（特征的簡(jiǎn)單線性組合），不能完全適合醫(yī)學(xué)圖像數(shù)據(jù)分類(lèi)。首先，由于醫(yī)學(xué)圖像數(shù)據(jù)樣本

4、有限而且維度很高，傳統(tǒng)CRF模型對(duì)“維度災(zāi)難”問(wèn)題敏感。此外，醫(yī)學(xué)圖像數(shù)據(jù)一般線性不可分而且數(shù)據(jù)特征空間非常復(fù)雜，通過(guò)簡(jiǎn)單的一階勢(shì)能項(xiàng)不能得到理想的分類(lèi)結(jié)果。針對(duì)這些問(wèn)題，本課題根據(jù)SVM和CRF算法的理論特點(diǎn)將兩種分割方法相結(jié)合，得到一種改進(jìn)的適用于醫(yī)學(xué)圖像分割的新的模型，即用于多分類(lèi)的支持向量機(jī)條件隨機(jī)場(chǎng)模型（SupportVectorMachineConditionalRandomField,SVM-CRF）。
　　本課題分