基于有限混合模型的醫(yī)學(xué)圖像分割算法應(yīng)用研究.pdf

1、圖像分割作為圖像處理領(lǐng)域中的重要分支，基本思想是利用圖像的紋理、灰度等特征信息，將圖像分割成幾個部分。本文首先詳細(xì)介紹了目前的一些醫(yī)學(xué)圖像分割算法，并深入分析了用有限混合模型進(jìn)行醫(yī)學(xué)圖像分割的原理以及用期望最大化(EM，ExpectationMaximization)算法進(jìn)行參數(shù)估計(jì)的過程，詳細(xì)闡述了應(yīng)用EM算法進(jìn)行參數(shù)估計(jì)存在的問題和一些解決方法。
　　高斯分布比較簡單，貼近實(shí)際數(shù)據(jù)集的分布形狀，是常用的建模工具。本文首先研究了

2、基于高斯混合模型(GMM，Gaussian Mixture Model)的醫(yī)學(xué)圖像分割。GMM是基于直方圖的統(tǒng)計(jì)方法，認(rèn)為圖像中像素是獨(dú)立無關(guān)的，沒有考慮相鄰像素很可能屬于同一類的先驗(yàn)知識，造成傳統(tǒng)的GMM在無噪聲腐蝕時能取得較好結(jié)果，但隨著噪聲的增加，分割效果越來越差?；谶@一缺點(diǎn)，本文提出了在GMM的先驗(yàn)概率和條件概率中添加自適應(yīng)均值濾波的方法，即自適應(yīng)均值濾波的高斯混合模型(GMM-AM，GMM with Adaptive Mea

3、n filter)。實(shí)驗(yàn)中采用誤分率和分割區(qū)域的Dice相似系數(shù)來定量評價分割算法的優(yōu)劣。實(shí)驗(yàn)結(jié)果表明GMM-AM既能保留圖像中的細(xì)節(jié)信息，又具有一定的容噪能力。
　　相比高斯分布，t分布有較重的尾部，能夠從根本上抑制非典型樣本，是一種更穩(wěn)健的分割方法。在GMM的基礎(chǔ)上，又對多元t混合模型(SMM，Student's-t Mixture Model)的醫(yī)學(xué)圖像分割算法進(jìn)行了研究。針對SMM用于圖像分割時，也沒有考慮圖像像素間的空間

4、關(guān)系，仿照GMM-AM的思想，提出了自適應(yīng)均值濾波的多元t混合模型(SMM-AM，SMM withAdaptive Mean Filter)，并通過實(shí)驗(yàn)驗(yàn)證了SMM-AM的分割結(jié)果在精度和魯棒性上優(yōu)于傳統(tǒng)的SMM。
　　隨著圖像處理技術(shù)的發(fā)展，人們已不滿足于二維圖像所提供的信息。為了對人體組織進(jìn)行立體化、多角度的分析，本文將二維分割算法擴(kuò)展到三維，既考慮同一切片中像素的空間關(guān)系，又考慮不同切片中像素的影響，在二維GMM-AM和二維