脑核磁共振图像与虚拟人脑图像分割技术教程.doc

分类号 密级 UDC注1 学 位 论 文 脑核磁共振图像与虚拟人脑图像 分割技术研究 （题名和副题名） 陈允杰 （作者姓名） 指导教师姓名 夏德深 教授 申请学位级别 博士 专业名称 模式识别与智能系统 论文提交日期 论文答辩日期 学位授予单位和日期 南京理工大学 答辩委员会主席 评阅人 年 月 日 注1：注明《国际十进分类法UDC》的类号。  中华人民共和国工学博士论文 脑核磁共振图像与虚拟人脑图像 分割技术研究 导师：夏德深　教授 南　京　理　工　大　学 二00八 年 六 月  Ph. D. Dissertation Study on Brain MR Images and Chinese Visual Human Brain Images Segmentation By Chen Yunjie Supervisor：Prof. Xia Deshen Nanjing University of Science and Technology  声 明 本学位论文是我在导师的指导下取得的研究成果，尽我所知，在本学位论文中，除了加以标注和致谢的部分外，不包含其他人已经发表或公布过的研究成果，也不包含我为获得任何教育机构的学位或学历而使用过的材料。与我一同工作的同事对本学位论文做出的贡献均已在论文中作了明确的说明。 研究生签名： 年 月 日 学位论文使用授权声明 南京理工大学有权保存本学位论文的电子和纸质文档，可以借阅或上网公布本学位论文的全部或部分内容，可以向有关部门或机构送交并授权其保存、借阅或上网公布本学位论文的全部或部分内容。对于保密论文，按保密的有关规定和程序处理。 研究生签名： 年 月 日 摘 要 核磁共振成像（agnetic Resonance Imaging, MRI）以其非介入性、非损伤性、很少受目标物体运动的影响等特点，已被广泛运用于医学图像拍摄在临床医学上起着越来越重要的作用。图像分割在生物医学研究和临床应用中具有重要的意义。图像分割可用于研究解剖结构、组织定量化测定、病灶确定、病疾诊断等。精确的分割是后继分析的关键和重要基础。 根据特定的医学图像分析任务的要求，分割的目的是将原始图像划分为一系列有意义的区域或提取图像中感兴趣的区域（egion of Interesting, ROI）几何活动轮廓模型分割图像时，必须设置适当的停止项以使演化曲线运动到目标的边界时停止。算法利用高斯混合模型可以较好描述整幅图像性质改进活动轮廓模型使改进的模型更适合MR图像的分割。高斯混合模型关键是参数估计，通常使用Expection-Maximization(EM)算法进行高斯混合模型的参数估计，但该算法是局部优化算法，且对初值依赖性强。将算法引入到高斯混合模型的参数估计中，利用算法良好的全局优化特性来提高参数估计精度并将高斯混合模型与传统的活动轮廓模型相结合，利用算法估计高斯混合模型的参数以获得图像的统计描述，并以此构造新的活动轮廓约束项，改善了活动轮廓的图像分割性能。利用图像多种信息构造新的信息场，使得由信息场构造的高斯混合模型C-V 模型仅能够分割单一目标，本文将传统的C-V 模型扩展到多水平集，使其同时可以分割多个目标；使用PCA理论将颜色空间投影到新的空间中，以扩大灰质与下层数据之间的颜色距离，减低下层数据的影响。同时使用局部信息校正颜色强度不均匀。将距离约束项引入到模型中，使模型能够无需重新初始化，提高了演化速度。实验结果表明改进的算法能较精确地得到分割结果。 提出一种各向异