基于统计学习的MR脑部图像分割算法研究.docVIP

　　基于统计学习的MR脑部图像分割算法研究 第 1 章 绪论 1.1课题研究目的和意义 大脑人体最重要的部位之一，它控制着人类的一切思维活动。然而，人类时刻面临着心理与外界的多种问题，尤其是近年来，由于生活压力大、节奏快、思想情绪极度紧张、意外事故频发以及人口老龄化严重等因素的综合作用[7]，脑肿瘤、脑损伤、脑瘫等大脑疾病的发病率有明显增高趋势[8]-[10]，不断威胁人类身体健康。美国疾病控制与预防中心报告，如果脑部疾病能够得到及时有效的治疗，那么患者的平均寿命预计将会延长 10 年以上[7]。因此，如何分析脑部组织结构、诊断脑部疾病成为当今医学界的一个热点研究课题[7]-[13]。人的脑组织结构异常复杂，能够划分成若干个不同区域，每个区域都有特定的功能[11]，破坏或误判某个组织的区域都将对大脑的分析造成严重错误，这这就需要寻求一种有效的技术对脑组织进行研究。随着现代医学成像技术的不断升级，越来越多的医生和科学研究者们借助图像来探索脑组织的形态、特征[12]-[14]，分析脑组织结构、功能，辅助诊断脑部疾病，在临床医学上发挥着相当重要的作用。他们的研究内容主要包括：图像去噪、图像增强、图像分割、图像配准、图像融合和图像纹理分析等[17][18]。在这些研究方向中，作为医学图像分析关键步骤的图像分割是人们重点研究的对象之一，对其他图像处理技术都有一定指导作用。其本质就是根据某些属性的差异性，将图像数据集划分成若干个区域，进而对感兴趣区域进行提取的过程[13]。 .. 1.2课题的研究现状 磁共振成像[12]（Magic Resonance Imaging，MRI）技术起源于 20 世纪纪 40 年代，由美国著名学者 Bloch 和 Purcell 共同发现[13]，是目前比较成熟的成像技术之一，广泛应用于医学图像处理领域[10]。该技术在成像过程中对大脑无电离辐射损伤，能够实现多角度的三维断层扫描成像，对大脑软组织结构，如：脑白质（atter, ）、脑灰质（Gray Matter，GM）、脑脊髓液（Cerebro-Spinal Fluid，CSF）等有较清晰的分辨率[7][9]。临床医学上，MRI 主要有四种不同的成像模式或成像序列。每种 MR 成像序列（也称模态）对脑部图像分割的作用也各不相同，并且，一种序列中还包括三个成像体位，分别是：横断面方位成像，矢状面方位成像，以及冠状面方位成像。横断面 MR 脑部图像见图 1.1。 1) T1 加权（简称：T1）图像。T1 图像是常见的脑部成像序列，能清晰呈现正常组织结构，运用最为广泛[11]。正因于此，MR 脑部正常组织分割割通常利用 T1 图像来实现。 2) 对比度增强加权（简称：T1C）图像。T1C 图像可以很容易描绘出脑肿瘤的边界，尤其是脑肿瘤坏死部位[23]。 3) T2 加权（简称：T2）图像。T2 图像对脑肿瘤区域以及区域周围的组织水肿有很好的成像效果[21]。 4) 液体衰减反转恢复（简称：FLAIR）图像。FLAIR 是一种特殊的图像序列，由于细胞内自由水对信号的抑制作用，因此，该图像序列有助于分离出 CSF 中的脑水肿区域[11]。 这些图像统称为磁共振（MR）图像。正是由于这些优点使得 MR 图像为图像分割提供了比较详细的脑组织解剖学信息，成为脑部图像分割技术研究的重要工具，本文也基于 MR 脑部图像分割进行深入探讨。 . 第 2 章 MR图像分割 2.1 图像分割原理 依照特定属性，将图像划分成若干个互不重叠的区域，使得区域内部有一致性，区域之间有独立性，再提取出感兴趣区域（Region of Interest，ROI）的过程，就称为图像分割[1][13]。能够利用的属性包括：像素灰度、区域信息、边、边缘信息、颜色变化、纹理特征等。对于图像分割而言，约束 1) 表示原图像 X 可以划分为 K 个子区域的和；约束 2) 表示子区域不存在重叠现象；约束 3) 表示相同属性元素存在于同一区域内；约束 4) 表示不同属性的元素所属区域不同；约束 5) 表示每个子区域内部的所有元素必须是连通的。如果取消 3) 和 4) 的约束，那么对于集合 X 的划分就称作分类，而每个子集iX 就称作类，在本文中将图像分割和图像中所有像素集合的分类统称作分割。 2.2 MR 图像分割方法概述 MR 图像分割方法的种类繁多。概括起来，可以归为如下几类：基于阈值的方法；基于边缘的方法；基于区域的方法；结合区域与边缘的方法；基于图谱引导的方法；基于图理论的方法；基于统计学习的方法；以及其他方法。阈值分割法简单、快速。指的是基于像素点（三维图像中称体素）灰度差异，计算若干个阈值门限。然后，将每个像素点的灰度值和阈值门限对比，再用闭合、连通的边界把图像划分为若干个互不交叠的区域，使得同一区域