基于改進馬爾可夫隨機場模型的醫(yī)學(xué)圖像分割算法研究.pdf

1、醫(yī)學(xué)圖像分割是其他醫(yī)學(xué)圖像后處理（如三維可視化、手術(shù)導(dǎo)航等）的基礎(chǔ)，為了準確地分辨醫(yī)學(xué)圖像中的正常組織結(jié)構(gòu)和異常病變，需要對醫(yī)學(xué)圖像進行分割，它是當(dāng)前醫(yī)學(xué)圖像處理與分析領(lǐng)域的一個熱點和難點。
　　首先，本文對目前國內(nèi)外研究的多種圖像分割方法進行了綜述，并將研究目標定位在基于馬爾可夫隨機場(Markov Random Field，MRF)模型的醫(yī)學(xué)圖像分割算法研究上，系統(tǒng)研究了MRF模型的基本理論及其在圖像分割領(lǐng)域中的應(yīng)用。

2、　　其次，由于醫(yī)學(xué)圖像自身的復(fù)雜性，單純結(jié)合一種圖像信息對醫(yī)學(xué)圖像進行分割，傳統(tǒng)MRF模型往往得不到較好的分割效果。在MRF模型的框架下，本文提出了一種綜合圖像先驗信息和邊界信息的混合MRF模型，構(gòu)造了一種在鄰域系統(tǒng)內(nèi)能同時利用圖像邊界信息和灰度信息的先驗?zāi)芰亢瘮?shù)，從而取得更加細膩和準確的邊界分割效果。此方法對醫(yī)學(xué)圖像的弱邊界和區(qū)域凹陷等特點，具有較高的分割可靠性。在基于混合MRF模型的分割方法的實現(xiàn)上，為了提高分割效率，本文又提出一種

3、加入概率表的模擬退火(Simulated Annealing with Probability Table，SAP)算法。該算法以概率表為依據(jù)，對邊界場和標號場進行更新，并成功應(yīng)用到醫(yī)學(xué)圖像分割中。仿真實驗結(jié)果和差異實驗評估方法證明了所提出算法的有效性和準確性。
　　再次，考慮到傳統(tǒng)MRF模型和提出的混合MRF模型只在確定類上有定義，在醫(yī)學(xué)圖像分割中仍難以處理灰度重疊、模糊、部分容積效應(yīng)等問題，將軟分割理論引入到了MRF模型中，提