阿尔茨海默病患者MR图像偏差场修正和脑组织分割的研究

目的探索适用于阿尔茨海默病（Alzheimer’s disease,AD）患者MR图像脑组织的分割的方法。方法结合阿尔茨海默病患者MR图像中组织区域和边缘的特性对传统水平集进行改进,利用同态滤波对图像进行偏差场修正,增加了UNSHARP MASK处理方法,有效避免了水平集边界泄漏问题。结果标准体膜和真实数据实验证实,该改进算法分割结果优于SPM5。结论利用修正偏差场和添加UNSHARP MASK方法有可能提高AD患者MR图像脑组织分割的准确性和鲁棒性,本研究为MR图像脑组织的精确分割和进一步准确测量作了有益探索。     

改进的遗传模糊聚类算法及其在MR脑组织分割中的应用

为提高MR图像中脑组织分割的精度,针对目前遗传模糊聚类算法存在的问题,提出了改进的遗传模糊聚类算法。首先,通过完全改变遗传算法的编码方式、变异方式和交叉方式,对现有遗传算法进行改进,从而使遗传算法能获得最小的适应度函数值;然后,结合模糊聚类算法,最终得到改进的遗传模糊聚类算法。将改进的遗传模糊聚类算法应用于MR脑图像的分割,结果表明,改进的遗传模糊聚类算法的分割质量高于现有的遗传模糊聚类算法和快速模糊聚类算法。改进的遗传模糊聚类算法可以做为一种快速、全自动的MR脑图像分割工具。     

结合水平集和区域生长的脑MR图像分割

本文提出了结合改进的水平集和区域生长方法实现脑MR图像分割,并根据不同组织成像特征和组织结构特点采用不同算法分割进行了探索.主要步骤:首先用改进的水平集算法实现图像中骨组织和脑脊液(CSF)的提取;然后,依据直方图确定脑灰质(GM)、脑白质(WM)的近似灰度值,自动定位种子点后进行区域生长,实现脑灰质和脑白质的分离.实验结果表明,该方法充分利用了脑MR图像中的区域信息和边界信息,与传统单一算法分割脑MR图像相比,具有更强的鲁棒性和准确性.     

基于边界跟踪算法的脑磁共振图像分割

目的：脑磁共振图像的自动分割是近几年研究的一大热点,本文在通过分析比较当前各种图像分割算法后,介绍了一种基于边界跟踪的脑磁共振图像（MRI）分割算法,在MRI中提取出脑组织部分。方法：应用迭代法对脑磁共振图像进行二值化处理;扫描二值化图像,根据脑组织的形态,确定一点作为脑组织边界的起点;根据边界点的像素特征,对传统的边界跟踪算法进行改进,计算出MRI脑组织的边界,最后应用区域生长法在原始MRI中提取脑组织图像,实现MRI分割。结果：实验结果表明,改进后的边界跟踪算法在提取脑组织边界时,细节处理能力强,不易陷入死循环,具有较高的运算速度。提取的真实脑磁共振图像的脑组织区域,能满足临床的实际需要。结论：对图像二值化处理,对图像有微弱的损害,但是极大地提高了计算速度。与传统的边界跟踪算法相比,改进后的边界跟踪算法分割效率高,更易实现MRI的自动分割。获得的边界曲线在细节上更接近于脑组织的实际边界。     

基于Gibbs随机场的有限混合模型改进与脑部MR图像的稳健分割

有限混合(FM)模型已经广泛地应用于图像分割，但是由于没有考虑空间信息，导致分割的结果对噪声很敏感，分割出的区域存在很多杂散的孤立点。本文Gibbs随机场理论的指导下，将空间信息引入FM模型，提出了改进的脑部MR图像分割算法。此外，由树形K平均聚类来估计初始参数，实现了全自动的图像分割。本研究进行了仿真MR图像和真实MR图像的分割实验，定量的数据分析表明，我们所提的改进算法对噪声不敏感，可以更精确地将脑部MR图像标记为灰质、白质与脑脊液三种组织类型。     

改进模糊C-均值分割算法在多发性硬化症MR脑部图像中的应用

背景：脑部MR图像是一种无纹理的图像,未被噪声污染的脑部MR图像的灰度值具有分片为常数的特点。因此,在聚类过程中灰度值有趋向于在同一个分割区域中相对接近的性质。 目的：寻找一个能够自动分割多发性硬化症病灶的模糊C-均值改进方法,为临床对于多发性硬化症的判断提供更方便的工具。 方法：考虑到脑部MR图像相邻象素属于同一分类的概率相近的特性,在迭代过程中对8邻域数据集进行滤波以降低噪声对聚类精度的影响,提出了一种改进的模糊C-均值聚类算法。就是将模糊C-均值聚类算法迭代过程中得到的灰度值看作一个数据集,用每个象素邻域象素的灰度值修正该象素的模糊隶属度取值,从而达到利用空间信息抑制噪声的目的。 结果与结论：选取了10个多发性硬化症患者的脑部MRI图像进行试验。通过对多发性硬化症患者MR T1脑部图像和T2液体衰减反转回复脑部图像的分割实验,结果显示该算法能够有效分割多发性硬化症病灶,与其他方法所做的多发性硬化症病灶分割相比,本算法更易于实现,运算时间短,同时结果与临床医生的勾画比较重叠率较高,对其临床辅助诊断具有重要作用。     

脑梗塞患者MR图像纹理特征的研究

目的：本文基于灰度共生矩阵和游程长矩阵方法研究脑梗塞患者MR图像的纹理特征,目的在于揭示脑梗塞患者与健康对照组MR图像纹理是否存在显著性差异,从而借助这一微观改变实现脑梗塞患者的早期诊断。方法：提取患病组和健康对照组纹理特征参量,利用fisher系数进行有效纹理特征参量的筛选,构建分类器。结果：LDA分类器识别率为88．31％。说明脑梗塞患者和对照组MR图像纹理特征存在差异。结论：利用基于统计学的纹理分析方法可以有效的揭示脑梗塞患者脑组织纹理的细微改变,进而实现对脑梗塞疾病的早期诊断。     

基于深度监督全卷积神经网络的MRI脑图像语义分割算法

目的 依据临床诊断对MRI脑图像自动分割算法的需求,基于卷积神经网络(convolutional neural networks,CNN)设计了一种端到端的深度监督全卷积网络(deeply supervised fully convolutional network,DS-FCN)以解决脑图像中脑组织的自动分割问题。方法 针对三维MRI脑图像,先将体数据切割成二维图像切片,在FCN网络结构的基础上,加入了深度监督机制,即在特征提取的多层级结构中提前得到损失值反馈。结果 以三维MRI脑图像公开数据集LPBA-40为实验数据,56类脑组织的准确率(precision rate)、召回率(recall rate)、F1评估值分别为74. 40%、74. 82%、73. 75%,测试速率为152 ms。结论 通过引入深度监督结构,改进后的DS-FCN在MRI脑组织分割任务中得到了更精准的分割效果。     

基于FCM聚类算法的MRI脑组织图像分割方法比较研究

目的磁共振成像(magnetic resonance imaging,MRI)对脑组织有较好的成像效果,但噪声、偏移场和部分容积效应(partial volume effect,PVE)的存在,使得全自动分割MRI图像面临一定的困难。模糊C均值(fuzzy C-means,FCM)聚类算法在脑组织分割中得到较广泛研究。本文以存在噪声和偏移场影响的脑MRI图像分割为应用背景,研究了大量相关方法,探讨FCM算法分割脑部图像的改进思想。方法本文主要研究了9种FCM算法的理论基础,并通过脑组织分割实验对各种算法进行了分析。结果比较了不同算法的优劣,给出各类算法直观及定量评价结果。结论偏移场和噪声对脑磁共振图像组织分类质量有明显影响。其中几种方法可以减弱这些不利影响,但由于难以选择合适的参数,其分类效果并不理想。如何合理利用空间信息在未来仍有较大研究价值。     

基于模糊连接度的多发性硬化症MR图像自动分割算法

多发性硬化症(MS)是一种严重威胁中枢神经功能的疾病,利用磁共振成像技术能够无损伤地检出其病灶。为了自动地对多发性硬化症病灶进行分割,提出了基于模糊连接度的分割算法,实现了种子点的自动选取。作为多发性硬化症分割的预处理,针对脑部MR FLAIR图像的特征,基于区域增长方法,还提出了脑部组织提取算法。通过对临床患者MR图像的分割实验,表明该分割算法能够比较准确地分割多发性硬化症病灶,其分割效果明显好于模糊C-均值聚类算法和基于马尔可夫场模型的分割算法。该算法还具有无监督、运算速度快、稳健性好等优点,能够应用于多发性硬化症的临床辅助诊断。