MR图像分割算法

摘要随着计算机与影像技术的不断发展，图像分割被应用到各个领域并发挥着巨大的作用。

近年来，医学图像处理作为医学的一个重要辅助工具逐渐成为研究热点。

核磁共振图像具有软组织成像效果好，空间分辨率高的特点，因此被广泛应用于医学领域，给患者的诊断和治疗带来了很大的帮助。

脊柱核磁共振图像包含着脊柱的重要信息，对脊柱疾病的诊断有着十分重要的意义，这毫无疑问使得它成为重点的研究对象。

本文根据脊柱核磁共振图像的特点，充分利用在核磁共振图像中椎间盘与椎骨灰度的鲜明对比，提出了一种改进的标记符分水岭算法对椎间盘进行分割。

在分割出椎间盘之后，通过构造初始演化轮廓，然后利用水平集曲线演化理论完成了对椎骨的提取。

本文主要工作和研究内容如下：（1）首先分析了常用的图像处理算法，以及它们的优缺点。

然后研究了几种常用分割算法在脊柱磁共振图像上的应用情况，通过仿真结果表明这些算法的处理效果不是很理想。

最后结合脊柱磁共振图像成像特点，给出了本文算法选择方案，提出采用分水岭和水平集算法分别对椎间盘和椎骨进行分割提取。

（2）在分析分水岭算法的基础上，完成了基于控制标记符的分水岭算法。

针对形态学去噪效果不理想的情况，通过加入基于区域面积属性的限制条件，获取到更加精确的内部标记，成功提取出了椎间盘区域，克服了过分割的问题。

并与基于CLAHE的分水岭算法作对比，证明了本文方法的优越性。

（3）在分析水平集算法的基础上，引入距离正则化的水平集模型，并针对该模型中边缘检测函数对噪声敏感的问题，提出新的表达形式进行改进。

通过加入区域灰度信息，改善了噪声和弱边界影响，成功提取出了椎骨的轮廓。

并与基于GVF snake形变模型算法进行对比，证明了本文方法的精确性。

本文创新点如下：（1）在改进的控制标记符分水岭算法对椎间盘的分割中，通过计算区域面积并给定限制范围，获得了相对精确的内部标记。

（2）将距离规则化的无须初始化水平集模型应用于脊柱MRI图像的椎骨分割，并提出新的边缘检测函数改善噪声和弱边缘的影响。

摘要医学图像分割问题在医学图像应用中起着重要作用，然而它又是医学图像处理和分析中的经典难题。

尤其是脑组织核磁共振图像的分割。

脑组织核磁共振图像中各种脑组织（如白质，灰质和脑脊液等）混杂在一起，不同组织之间的界限模糊，同时图像的局部统计特性因偏移场的存在而发生改变，这些因素导致脑组织核磁共振图像的分割比其他医学图像分割困难得多。

根据偏移场具有平滑、变化缓慢的特性，本文采用局部聚类的思想来克服偏移场对分割造成的影响，综合利用了信息熵理论，模糊C均值，吸引力传播算法对核磁共振图像的局部进行分割。

有效的避免以往偏移校正算法中由于偏移估计和校正而造成的信息丢失。

因为熵可以作为评价同质性的标准，本文采用最小化局部熵的方法来优化图像的局部区域，确保所获得的聚类块内偏移场尽可能均匀。

由于脑组织结构的复杂性，采用熵优化后的局部区域可能并不满足局部图像模型中的假设：每个聚类块内都包含三种组织，且每种组织占有一定数量的像素。

基于这种情况，本文采用了吸引力传播方法对每个聚类块的灰度级进行分割，通过对相似矩阵对角线元素合理的赋值，将灰度级和像素数量信息结合起来，合理的调节迭代的聚类数目，有效的指导分割；而对每个聚类块的灰度级聚类，大大减少运算量和计算时间，得到了较理想的分割结果。

当聚类结果为两类时，从相邻块中寻找与其具有相似统计分布的聚类块，利用这个聚类块的聚类中心，将这两类划分的相应的组织中。

本文提出的方法在克服偏移影响的同时，实现了对脑组织磁共振图像的快速分割。

通过对大量模拟数据的实验，证明本文所提出方法的有效性和精确性。

关键词：分割；脑核磁共振图像；偏移场；吸引力传播算法；局部模型AbstractMedical image segmentation plays an important role in medical image application, but meanwhile it is a classical difficulty in medical image processing and analysis，especially the segmentation such as Magnetic resonance image(MRI). Different brain tissues hybrid together and the boundary between them are blurry, moreover intensity inhomogeneities in MR images cause the brightness distribution of different physiological organizations overlap, which make the segmentation of MRI be more difficulty than other image.For intensity inhomogeneities are smooth and vary slowly, we employ local clustering method to eliminate the adverse impact of intensity inhomogeneities in MRI. This method is based on the theory of Shannon entropy, fuzzy clustering algorithm, affinity propagation, which avoids information loss that caused by the estimation and correction procedures for intensity inhomogeneities.In order to find the local region with uniform intensity inhomogeneities as much as possible, we use the Shannon entropy as a homogeneity measurement to optimize the local region. Because of the complexity of brain tissue structure, the local region optimized by Shannon entropy could not satisfy the assumption of local image modal completely: within a context, the three classes (white matter, gray matter cerebrospinal fluid) of tissues exist together and there are considerable pixels in each tissue class. According to this case, we use affinity propagation algorithm to segment the gray level of each local region independently, which greatly reduced the calculation cost. Via combining the gray level information and the corresponding pixels number, the diagonal elements of similarity matrix are given value assignment appropriately, meanwhile the clustering number is adjusted in iterative procedure, which effectively guide segmentation. If the cluster result is two classes, we use the cluster center of adjacent context with similar statistic distribution to classify the two classes into corresponding tissues.The efficacy of the proposed algorithm is demonstrated by extensive segmentation experiments using simulated and by comparison with other published algorithm.Key words: Segmentation; MRI; Intensity inhomogeneity; Affinity propagation algorithm;Local image modal目录摘要 (I)Abstract (II)第一章脑核磁共振图像分割概述 (1)1.1MRI分割研究背景及意义 (1)1.2 MRI脑图像分割发展趋势 (2)1.3 论文研究内容和框架 (4)第二章脑核磁共振图像基础 (5)2.1核磁共振成像原理 (5)2.2脑核磁共振图像分割方法 (6)2.2.1 阈值分割方法 (6)2.2.2 基于边界和区域的分割方法 (7)2.2.3 模糊聚类分割方法 (8)2.2.4 统计学分割方法 (9)2.2.5 基于知识分割方法 (10)2.2.6 基于图谱的分割 (11)2.3脑核磁共振图像分割难点 (11)2.3.1 噪声 (11)2.3.2 偏移场 (12)2.3.3 部分体积效应 (13)2.4 分割算法评价标准 (13)第三章基于AP的分割方法 (15)3.1偏移场知识 (15)3.2 局部图像模型 (16)3.3 熵理论 (17)3.4 AP算法 (18)3.5 基于AP的分割方法 (20)3.5.1 分块方法 (21)3.5.2 AP分割 (23)第四章实验结果 (25)4.1 AP分割脑图像的适用性 (25)4.2分块方法的优化作用 (27)4.3实验结果分析与比较 (27)4.4算法通用性和可靠性 (28)4.5实验总结 (29)第五章总结与展望 (30)5.1 总结 (30)5.2 展望 (30)参考文献 (32)致谢 (34)在学期间公开发表论文及著作情况 (35)第一章脑核磁共振图像分割概述1.1MRI分割研究背景及意义1895年伦琴发现X射线不久，X射线便被用做人体透视检测，从而揭开了医学影像在医学领域中的应用新篇章，医学影像开始成为医疗诊断的重要依据。

基于FCM和SVM的脑MR图像分割算法研究的开题报告一、选题背景脑MR图像分割是医学影像分析领域的一个重要问题，它可以帮助医生精准地诊断和治疗脑部疾病。

常用的脑MR图像分割方法包括阈值法、区域生长法、边缘检测法、聚类法等。

这些方法都有一定的局限性，在处理一些脑MR图像时存在识别精度低、处理效率低等问题，无法满足临床实际需求。

基于此，本文将研究基于FCM和SVM的脑MR图像分割算法，旨在提高脑MR图像分割的准确性和效率，为医学影像分析领域提供更加可靠和实用的算法。

二、研究内容和目标本文研究内容主要包括以下几个方面：1.研究脑MR图像的特点和分割方法；2.分析FCM和SVM两种算法的原理和应用领域；3.结合FCM和SVM算法，提出一种基于聚类和分类的脑MR图像分割方法；4.仿真实验和实际应用验证该方法的效果。

研究目标是提出一种新的基于FCM和SVM的脑MR图像分割方法，实现更加准确和高效的脑MR图像分割，为医学影像分析领域提供更加可靠和实用的算法。

三、研究意义本研究的意义在于提高脑MR图像分割的准确性和效率，为医学影像分析领域提供更加可靠和实用的算法。

通过结合FCM和SVM两种算法，并根据脑MR图像的特点和分割方法，提出一种新的脑MR图像分割算法，实现更加准确和高效的脑MR图像分割。

该算法不仅能够提高医生的诊断和治疗效率，也能够为医疗机构节约医疗成本。

四、研究方法和步骤本文主要采用实验和分析相结合的研究方法，具体步骤如下：1.了解脑MR图像的特点和分割方法，包括阈值法、区域生长法、边缘检测法、聚类法等；2.研究FCM和SVM两种算法的原理和应用领域，了解两种算法的优缺点；3.结合脑MR图像的特点和分割方法，提出一种基于FCM和SVM的脑MR图像分割方法；4.通过仿真实验和实际应用验证该方法的准确性和效率；5.分析实验结果，总结出该方法的优点和不足，并提出改进措施。

五、预期成果预期成果包括以下方面：1.深入掌握脑MR图像的特点和分割方法；2.掌握FCM和SVM两种算法的原理和应用领域；3.提出一种新的基于FCM和SVM的脑MR图像分割方法；4.通过仿真实验和实际应用验证该方法的有效性；5.总结该方法的优缺点，并提出改进措施；6.撰写论文并发表在相关学术期刊上。

东南大学硕士学位论文脑磁共振图像的白质结构提取——分割算法及其评价姓名：周振宇申请学位级别：硕士专业：生物医学工程指导教师：韦钰;阮宗才20060101奎堕查兰堡主堂垡丝塞由于分水岭算法存在明显的过分割情况，如图４所示。

所有能否有效的合并相关区域成为我们提取脑组织结构的关键问题。

图４基本分水岭算法的过分割效果３．１．３基于灰度相似性的分水岭合并算法３．１．３．１闭合分水岭线的形成在基本的分水岭算法中，得到的分水岭线很可能不是封闭的，它不足以将不同的盆地分开。

我们先扫描所有的分水岭点，将每个分水岭点根据灰度相似性分配到其相邻的区域当中，以便将整幅图像“（Ｊ，ｙ）划分成不同的区域①Ｉ，中２，．．．，①。

使得“＠，ｙ）＝Ｕｍｆ，称之为玎划分图像‘”。

该过程是通过上述分水岭算法得到的输出图像Ｉｍ。

Ｏ，ｙ）和输入图像“（工，力来完成的。

在ＩＩＩｌ。

（工，ｙ）中．每个点的位置和原图像ｕ（ｘ，ｙ）中的象素是一一对应的，其数值为对应象素的标记值，设象素位置为０，Ｊ，），则有，岫∽２｛ｏ蹀篱盆地＠㈣即象素为分水岭时，标记为０；为盆地时，标记为大于Ｏ的数值，且属７：Ｉ司－－盆地的象素标记为相同的标号而不同的盆地其标号是不同的。

为形成ｎ划分图像，寻找分水岭象素，且该象素不是分水岭点，将标记图像中的分水岭象素的标号设置为此象素的标号。

这样处理后的标号图像中仅包含区域（或盆地）的标号，在以后的描述中称之为标记图像，记为ｕ№ｔ（ｘ，力。

为了获得图像区域的封闭轮廓线，可以通过上述得到的“ｍＭ（五Ｊ，）来进行。

由于“ｎＭ（工，ｙ）仅包含标识区域的标号，因此可以通过标号的差异来确定区域之间的分界线。

具体来说，从ｘ方向和ｙ方向对标记Ｉ刻像“ｋＭ（工，ｙ）进行扫描，设图像的当前象素Ｏ，ｙ），则其右边的邻接象素为（石，ｙ＋１），下边的邻接象素为（ｘ＋ｌ，Ｊ，），如果““纠（石，ｙ）≠“ｋ纠（五ｙ＋１）或““驯Ｏ，ｙ）≠ｕｔ，№ｔ（ｘ＋ｌ，Ｙ）。

使用马尔科夫随机场进行图像分割的技巧随着计算机视觉技术的不断发展，图像分割作为一种重要的图像处理技术，在许多领域都得到了广泛应用。

而在图像分割的方法中，马尔科夫随机场（MRF）技术因其良好的分割效果和稳定性而备受关注。

下面将介绍使用马尔科夫随机场进行图像分割的一些技巧。

1. 图像分割的基本概念图像分割是指将一幅图像分成若干个区域或者像素集合的过程。

图像分割的目的是将图像中的目标物体和背景进行有效的分离，以便进行进一步的分析和处理。

对于复杂的图像场景，传统的图像分割方法往往难以达到理想的效果。

因此，使用马尔科夫随机场进行图像分割成为了一种较为有效的方法。

2. 马尔科夫随机场的基本原理马尔科夫随机场是一种描述随机变量之间关联关系的概率图模型。

在图像分割中，将图像看作一个二维网格，每个像素点作为一个随机变量，其取值为图像中的灰度值。

这样，可以用马尔科夫随机场来描述图像中相邻像素之间的相关性。

通过构建合适的马尔科夫随机场模型，可以对图像进行分割并得到较好的结果。

3. 马尔科夫随机场的参数设置在使用马尔科夫随机场进行图像分割时，需要合理设置模型的参数，以获得理想的分割效果。

其中，最重要的参数之一是势函数的选择。

势函数用来描述每个像素点的灰度值与其邻域像素之间的关系，通常可以采用高斯势函数或者伊辛势函数。

另外，还需要设置马尔科夫随机场的邻域大小和迭代次数等参数，以保证分割算法能够充分收敛。

4. 马尔科夫随机场的优化算法针对马尔科夫随机场模型的参数优化，通常会采用迭代算法进行求解。

常见的优化算法包括迭代条件随机场（ICRF）、概率消息传递算法（PMP）等。

这些算法可以在保证全局最优的情况下，有效地对马尔科夫随机场模型进行参数估计和图像分割。

5. 马尔科夫随机场图像分割的应用马尔科夫随机场图像分割技术已被广泛应用于医学影像分割、自然场景分割、目标检测与跟踪等领域。

在医学影像分割中，马尔科夫随机场可以有效地提取出肿瘤等目标区域，为医生的诊断和治疗提供重要的辅助信息。

基于聚类算法的脑部MR图像分割宋国权;李金锋【期刊名称】《中国医疗设备》【年(卷),期】2017(032)001【摘要】目的：探讨改进的聚类分割算法，并将其应用于脑部MR图像的自动分割。

方法采用彩色编码将灰度图像转换到彩色空间，提高图像各解剖结构对比度；利用灰度直方图绘制概率密度曲线获得各类区域峰值点；将此峰值点作为聚类分割算法的初始聚类中心，达到图像自动分割的效果。

结果选用不同分割算法对脑部MR图像进行仿真实验。

定性分析表明基于本文分割算法的图像中灰质、白质和脑脊液部分容易辨别，且清晰度更高；定量评估结果显示基于本文分割算法能获得最优的Jaccard系数和最少的平均分割时间。

结论基于灰度直方图绘制的概率曲线有效地避免初始聚类中心选取的盲目性，使得分割结果更快速、更准确，在目标分析中具有较高的临床应用价值。

【总页数】4页(P26-29)【作者】宋国权;李金锋【作者单位】中国人民解放军总医院放射诊断科，北京 100853;中国人民解放军总医院放射诊断科，北京 100853【正文语种】中文【中图分类】TP391.41【相关文献】1.基于核聚类算法和模糊Markov随机场模型的脑部MR图像的分割 [J], 廖亮;林土胜2.点对称距离模糊C均值聚类算法在脑部MRI图像分割中的应用 [J], 邓羽;黄华3.基于先验知识和模糊C均值聚类算法的脑部磁共振图像分割研究 [J], ZHANG Yu-zhu;WANG Chuan-bing4.基于模糊C均值聚类算法的脑部CT图像分割 [J], 蒋文娟;李富芸;徐冬5.基于隐马尔可夫随机场和共轭梯度算法的脑部MRI图像分割算法研究 [J], 居敏;薛丽君;朱建新因版权原因，仅展示原文概要，查看原文内容请购买。

医学影像处理中的脑部MRI图像分割方法研究及性能比较分析脑部MRI图像分割是医学影像处理中一项关键的任务，它可以提取出脑部结构的特征信息，为疾病诊断和治疗提供重要依据。

本文将研究和比较几种常见的脑部MRI图像分割方法，分析它们的性能。

随着计算机技术和人工智能的迅猛发展，脑部MRI图像分割得到了广泛应用。

目前，常用的脑部MRI图像分割方法包括基于阈值分割、基于区域生长、基于边缘检测、基于图像聚类和基于深度学习等方法。

下面将对这几种方法进行详细介绍。

首先是基于阈值分割的方法，该方法基于像素灰度值，将图像上的像素分为不同的区域。

通过设置合适的阈值，可以将脑部组织与其他组织分离开来。

然而，该方法在处理存在不均匀灰度分布的图像时效果不佳。

其次是基于区域生长的方法，该方法从种子点开始，通过定义相似性准则，逐渐生长出脑部区域。

该方法对图像中的局部特征很敏感，适用于边缘清晰的图像。

但是，容易受到噪声和初始种子点选择的影响。

第三种方法是基于边缘检测的方法，该方法通过检测图像中的边缘来进行分割。

常用的边缘检测算法有Canny算法、Sobel算法等。

这些算法可以有效地提取出脑部的边缘信息，但对于存在强噪声和模糊边缘的图像，效果不佳。

接下来是基于图像聚类的方法，该方法将图像中的像素分为不同的簇。

常用的聚类算法有K-means算法、Mean-Shift算法等。

这些算法可以通过像素的颜色或灰度值来进行聚类，但需要提前确定聚类的数量和初始中心，不适用于复杂图像。

最后是基于深度学习的方法，近年来得到了广泛关注。

该方法通常采用卷积神经网络（CNN）进行脑部图像分割。

通过训练大量的样本数据，CNN可以自动学习脑部结构的特征，具有较高的准确性和鲁棒性。

然而，该方法需要大量的计算资源和数据集的支持。

针对以上方法，我们进行了性能比较分析。

我们选取了100个脑部MRI图像作为实验数据集，分别应用了以上方法进行分割，并评估了它们的准确性和鲁棒性。