基于t混合模型的脑部核磁共振图像分割方法研究

《基于t混合模型的脑部核磁共振图像分割方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学校代码：10385分类号：研究生学号：1400214003密级：基于t混合模型的脑部核磁共振图像分割方法研究ResearchonBrainMagneticResonanceImageSegmentationBasedonStudent’stMixtureModel作者姓名：李璐指导教师：杜吉祥教授合作教师：范文涛副教授学科：控制科学与工程研究方向：模式识别与图像处理所在学院：计算机科学与技术学院论文提交日期：二〇一七年三月十三日万方数据万方数据摘要摘要近几十年，医学影像技术飞速发展，特别是核磁共振成像技术（MagneticResonanceImaging，MRI）。该技术可以

2、检测人体各个部位的疾病，应用极其广泛。医学图像分析为医生提供有效的参考信息，而医学图像分割是医学图像分析的基础工作。大脑对于人体至关重要，它直接控制着人体的运动、感觉以及实现人体的很多高级功能。因此，脑MR图像分割在医学领域尤为重要。而脑MR图像的高噪声、灰度不均匀、边缘模糊等特点为其分割带来了挑战。另外，专家参与图像分割的方式消耗时间长，而图像数量巨大，因此急需实现脑MR图像分割的自动化。基于混合模型的图像分割方法借助图像的灰度直方图，将图像中像素的灰度值拟合成某些特定的分布。其中，高斯混合模型（GaussianMixtureModel，GMM）具有直观、实现简便、符合很多数

3、据的分布等特点，因而得到了广泛应用。而尾部较高的学生t分布代替高斯分布后，混合模型在图像分割过程中对噪声更鲁棒，因此t混合模型（Student’stMixtureModel，SMM）又引起了许多学者的关注。为了应对以上脑MR图像分割中的面对的挑战，本文在SMM的基础上做出了两点改进，并将改进后的模型用于脑MR图像分割：1）基于一种新的马尔可夫随机场（MarkovRandomField，MRF）的表示方法，设计并实现了一种结合MRF和SMM的脑MR图像分割方法。该方法利用MRF将图像中像素的空间关系信息引入混合模型，因此得到的分割结果对噪声更鲁棒。而且本文推导出该模型求解的期望最

4、大化算法（ExpectationMaximizationAlgorithm，EM算法），该算法能直接得到模型中参数的封闭解，避免了复杂的计算操作。实验表明该方法的表现优于其它流行的脑MR图像分割方法及其它同样基于MRF的混合模型方法。2）针对传统的SMM用于图像分割时需要人为设定分割数目的缺点，本文提出一种基于截断狄利克雷过程的无限t混合模型（TruncatedDirichletProcessStudent’stMixtureModel，tDPSMM）的脑MR图像分割方法。该方法用截断狄利克雷过程作为模型的先验信息，达到了使模型自动确定分割数目的目标，I万方数据华侨大学硕士学位

5、论文而且保证了该无限混合模型推理、计算的简便性。本文也推导出该模型下的EM算法，最终利用贝叶斯最大后验概率准则将模型应用于脑MR图像分割。与其它无限混合模型方法及经典的脑MR图像分割方法进行对比实验后，我们发现该方法能更快速准确地实现脑MR图像分割。关键词：脑MR图像分割SMMMRF狄利克雷过程EM算法II万方数据摘要AbstractMedicalimagingtechnologiesareincreasinglymatureinrecentyears,especiallythemagneticresonanceimaging(MRI).MRIispopularandcanco

6、verthewholebody.Medicalimageanalysisprovideseffectivereferencesfordoctorsandimagesegmentationisthebasisofmedicalimageanalysis.Brainplaysakeyroleforhuman.Itcontrolsthemovementandfeelingofhumandirectly.Alotofadvancedfunctionsofhumanarealsorealizedbybrain.Therefore,brainMRimagesegmentationisvit

7、alinmedicalfield.However,highnoises,uniformgrayvaluesandfuzzyedgesinbrainMRimagesbringchallengestothesegmentation.Inaddition,imagesegmentationparticipatedbyexpertstakesalongtime.Andthenumberofimagesgrowsmoreandmore,sotheautomaticsegmentationofbrain