高斯混合模型融合SSC的脑部MR图像分割.PDFVIP

第３２卷第７期　　　 计算机应用与软件 Ｖｏｌ３２Ｎｏ．７ ２０１５年７月　　 ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ Ｊｕｌ．２０１５ 高斯混合模型融合ＳＳＣ的脑部ＭＲ图像分割 黎 远 松 （四川理工学院计算机学院　四川自贡６４３０００） 摘　要　　针对脑补核磁共振图像分割问题，提出一种基于高斯混合模型融合半监督聚类方法。首先，从原始数据集随机选取ＭＲ 图像切片；然后，利用ｋ均值算法聚类；最后，利用统计学和所得聚类的类标签信息完成分类。实验结果表明，该方法加快了收敛速 度。相比两种有监督高斯混合模型，该方法取得了更好的分割结果，且无需标记训练数据集。 关键词　　半监督学习　ｋ均值聚类　高斯混合模型　磁共振脑部图像　统计学参数 中图分类号　ＴＰ３９１　　　　文献标识码　Ａ　　　　ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００３８６ｘ．２０１５．０７．０１６ ＢＲＡＩＮＭＲＩＭＡＧＥＳＥＧＭＥＮＴＡＴＩＯＮＢＡＳＥＤＯＮＦＵＳＩＯＮ ＯＦＧＡＵＳＳＩＡＮＭＩＸＥＤＭＯＤＥＬＡＮＤＳＳＣ ＬｉＹｕａｎｓｏｎｇ （ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，ＳｉｃｈｕａｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，Ｚｉｇｏｎｇ６４３０００，Ｓｉｃｈｕａｎ，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ　　Ｆｏｒｔｈｅｍａｇｎｅｔｉｃｒｅｓｏｎａｎｃｅｂｒａｉｎｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｐｒｏｂｌｅｍ，ｗｅｐｒｏｐｏｓｅｄａｍｅｔｈｏｄｗｈｉｃｈｉｓｂａｓｅｄｏｎｆｕｓｉｎｇＧａｕｓｓｉａｎｍｉｘｅｄ ｍｏｄｅｌａｎｄｓｅｍｉｓｕｐｅｒｖｉｓｅｄｃｌｕｓｔｅｒｉｎｇ（ＳＳＣ）．Ｆｉｒｓｔ，ｗｅｒａｎｄｏｍｌｙｓｅｌｅｃｔｅｄＭＲｉｍａｇｅｓｌｉｃｅｓｆｒｏｍｏｒｉｇｉｎａｌｄａｔａｓｅｔ．Ｔｈｅｎ，ｗｅｕｓｅｄｋｍｅａｎ ａｌｇｏｒｉｔｈｍｆｏｒｃｌｕｓｔｅｒｉｎｇ．Ｆｉｎａｌｌｙ，ｗｅｅｍｐｌｏｙｅｄｓｔａｔｉｓｔｉｃｓａｎｄｔｈｅｃｌａｓｓｌａｂｅｌｉｎｆｏｒｍａｔｉｏｎｏｆｔｈｅｄｅｒｉｖｅｄｃｌｕｓｔｅｒｓｔｏｃｏｍｐｌｅｔｅｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎ． Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｓｐｅｅｄｅｄｕｐｔｈｅｃｏｎｖｅｒｇｅｎｃｅ．ＣｏｍｐａｒｅｄｗｉｔｈｔｗｏｓｕｐｅｒｖｉｓｅｄＧａｕｓｓｉａｎｍｉｘｅｄｍｏｄｅｌｓ， ｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄａｃｈｉｅｖｅｄｂｅｔｔｅｒｓｅｇｍｅｎｔａｔｉｏｎｒｅｓｕｌｔｓａｎｄｄｉｄｎｏｔｎｅｅｄｌａｂｅｌｌｅｄｔｒａｉｎｉｎｇｄａｔａｓｅｔ． Ｋｅｙｗｏｒｄｓ　　Ｓｅｍｉｓｕｐｅｒｖｉｓｅｄｌｅａｒｎｉｎｇ　ｋｍｅａｎｃｌｕｓｔｅｒｉｎｇ　Ｇａｕｓｓｉａｎｍｉｘｅｄｍｏｄｅｌ　Ｍａｇｎｅｔｉｃｒｅｓｏｎａｎｃｅｂｒａｉｎｉｍａｇｅ　Ｓｔａｔｉｓｔｉｃｓｐａｒａｍｅ ｔｅｒｓ 步骤，例如脑部注册和基于体素的形态。因此，脑部图像的精确 ０　引　言 分割变成ＭＲＩ应用中最重要的组织之一，分割基于图像体素属 性、邻域信息或几何特性，获得精确图像分割的困难因噪声、不 ［１］ 均匀性、局部体积影响和皮层的高复杂度几何形状而增大［５］。 目前，磁共振图像ＭＲＩ（ＭａｇｎｅｔｉｃＲｅｓｏｎａｎｃｅＩｍａｇｅ） 广泛 用于神经疾病的诊断，可用程序确保安全、无痛和非侵入性研究 依赖训练样本标记可用性，图像分割要么有监督要么无监 人体，它经常在病症出现很久之前和出现期