資源描述：
《腦MR圖像分割技術研究》由會員上傳分享，免費在線閱讀，更多相關內容在學術論文-天天文庫。
1、碩士論文碩士論文摘要隨著醫(yī)學上成像技術的發(fā)展(x．ray、CT、MRI)，僅僅依靠人工去分析成像結果已經不能滿足同益增長的需求，因此引入計算機輔助分析勢在必行。本文的目標是完成腦部MR(MagneticResonance)圖像分割，將其分割為白質、灰質、腦脊液和背景四個部分。MR圖像主要問題是MR成像過程中會產生偏移場(BiasFields)，其表現(xiàn)為各個組織間灰度值交叉重疊，會造成基于灰度一致的圖像分割方法的錯分、漏分。因此在使用基于灰度一致的分割方法，算法就必須先去除偏移場。本文所做主要工作如下
2、：1、去偏移場方法的研究。第三章重點闡述了基于多項式擬合去偏移場的方法，并附帶闡述了其所用的解法-ExpectationMaximization(EM)算法。原方法必須先將含偏移場的圖像與模板圖像用仿射多峰配準技術匹配，然后使用數字大腦圖譜所給的概率信息初始化。修改后的方法首先用KMEANS進行聚類，然后從聚類結果中得到初始化概率。由于多項式擬合處理對像是單個像素，處理后會造成分割結果邊界不光滑，而且該方法對噪聲較為敏感，文中將此問題留到后續(xù)的分割算法中處理。2、圖像分割方法的研究。第四章首先介紹了
3、Snake模型，詳細分析了Snake的能量方程和各種力，并對Snake的求解過程作了簡單介紹，然后介紹CV模型，分析其與MumfordShah(MS)模型的關系，以及它與水平集的關系，并分析了它的水平集求解方法，最后本章引入由ChunmingLi提出的水平集正則項(LevelSetRegularization(LSR)term)改善CV模型的分割效果。第五章利用CV模型能保持分割出邊界光滑的優(yōu)點來彌補由多項式擬合造成的分割結果不光滑的缺點。3、在上述兩種方法的基礎上，第五章提出了將兩種方法整合到一個
4、框架下，用4相位CV模型替代Leemput算法的分割部分的想法。改進方法首先將受偏移場影響的腦MR圖像用多項式擬合去除偏移場，然后用4相位CV模型對恢復的圖像進行分割，利用CV模型能保持邊界光滑性的優(yōu)點去彌補由多項式擬合造成的分割結果不光滑的缺點。在本文提出的框架中，用CV模型分割方法來彌補多項式去偏移場無法保持邊緣光滑的缺點，按分步的方式來完成。關鍵詞：去偏移場，腦MRI，水平集，CV，多相位CV，分割ABSTRACTMedicineplaysallimportantroleinhumanhist
5、ory．Withthedevelopmentofmeidicalimaging。likeCT,X—ray,MRI，itturnouttobeimpossiblethatpeopleanalyzeallthegrowingmedicalimages．Soitcallforcomputertotakethetask．TheaimofthispaperistosegmentbrainMRI，andbreakitintograymatter,whitema：tter．CerebrospinalFluid(C
6、SF)，andbackground．MRIisalwayscorruptedbyintensityinhomogeneityorbiasfield，whichiscausedbyequipmentlimitationsandpatient-inducedelectrody，namicinteractionsandisinherenttoMRI．Biasfieldvarysmoothlyandspatially．Soitbecomeimpossibleforintensity-basedmethods
7、tosegmentMRIcorrectly．Theworkinthispaperisasfollows：1．ResearChonmethodstoremovebiasfield．Chapterthreefocusesonpolynomialfittingmetllodtorenlolvebiasfield，andexplainingExpectationMaximization(EM)algorithm·Leerr巾utusedigitalbrainatlasforinitialization,wh
8、ichismiscellaneous，includingaffinetrailsfo咖ation．Thispaperuseanotherwaythatusingkmeanstogetinitialpriorestimateoftlleclassesprobabilities．However，polynomialfittingdealswithasinglepixel，resultinginnon．smoothsegmentedboundaryresultS．Thisp
