学位论文 > 优秀研究生学位论文题录展示

基于马尔科夫随机场D-S证据理论对人脑图像的分割研究

作　者: 郭斌
导　师: 管一弘
学　校: 昆明理工大学
专　业: 物理电子学
关键词: 医学图像分割马尔科夫随机场模糊聚类模糊C-均值算法 D-S证据理论直方图参数估计
分类号: TP391.41
类　型: 硕士论文
年　份: 2010年
下　载: 105次
引　用: 0次
阅　读: 论文下载

内容摘要

随着医疗系统的进步,医学影像学已经成为了一门新兴学科,而对医学图像进行分割已经在医学影像分析中扮演着越来越重要的角色,被广泛的应用于医学研究的各个领域。医学图像分割实质上就是对输入的各种医学图像中的各种体素进行分配类型的标记过程,标记后得到的图像就是分割结果,它是组织测量、三维重建、以及图像配准等的基础,同时对医学临床诊断具有一定的辅助治疗的作用。在医学影像研究中,针对人类大脑的研究成为了重点,因为大脑是人类生命与活动的中枢神经系统,但是由于大脑组织结构的复杂性和不规则性,以及成像过程中磁场不均性等的影响,大脑核磁共振图像本质是模糊的,因此针对大脑核磁共振图像的这些特点,通常引入马尔科夫随机场和模糊聚类理论以及Dempster-Shafer证据理论对图像进行分割研究。本文即是基于这三种理论对大脑核磁共振图像进行分割研究的,本文内容如下：1.对国内外医学图像分割的研究现状以及发展趋势进行了分析,阐述医学图像分割的难点及意义。对常用的医学图像分割方法进行了介绍,以大脑核磁共振图像为研究对象,使用常用的图像分割算法对其进行分割实验,比较结果。对医学影像学基础进行了简单的介绍,特别是计算机断层技术成像原理和核磁共振成像原理,并给出了成像的特点和临床应用。2.深入研究了马尔科夫随机场及吉布斯随机场在大脑核磁共振图像分割中的应用。在基于马尔科夫随机场原理的基础上,通过大脑核磁共振图像空间上下文的信息,在大脑核磁共振图像中建立马尔科夫后验能量场,然后结合模糊聚类的二维直方图方法对大脑核磁共振图像进行分割研究,提取出脑白质和脑灰质。最后讨论分割结果,分析方法的不足之处。3.马尔科夫随机场能够考虑到像素的邻域关系,利用图像的空间特性,因此使用其进行分割可以得到较好的分割结果。模糊聚类的二维直方图方法由于将聚类理论和领域像素相关性结合,因此可以得到较为理想的分割结果。但是这两种方法在分割同一幅大脑核磁共振图像的时候对于模糊区域内的争议像素点的归类会有不同的划分结果,由于Dempster-Shafer证据理论能够整合不同来源图像的信息,因此将这两种方法分割结果进行标号提取以及冗余图像提取,然后使用Dempster-Shafer证据理论对原始图像和标号场图像以及冗余图像按照Dempster-Shafer整合决策规则进行融合分割得到最终的结果,解决了争议像素点的归类问题。4.马尔科夫随机场在图像分割应用中最大的难点是如何选取合理的参数使得在图像中的建模和分割更加合理和准确,参数选取包括势函数形式、方向函数β的选取、似然函数的优化等,因此在本文中给出一些定义参数的方法,并提出了“分型”定义势函数和方向函数β的方法,通过标号差值和隶属度差值能够充分表达出图像局部细节相邻像素间的空间关系和局部相互作用,并将似然函数引入隶属度优化为模糊意义下的似然函数,以此实现了马尔科夫随机场的参数估计,使得分割结果类别之间有清晰的界限,更加符合实际情况。

全文目录

摘要  3-5
Abstract  5-7
目录  7-10
第一章绪论  10-17
  1.1 医学图像分割的研究意义  10-11
  1.2 国内外医学图像分割的研究现状  11-14
    1.2.1 马尔科夫随机场  12-13
    1.2.2 Dempste-Shafer证据理论  13-14
  1.3 论文选题的意义  14-15
  1.4 本文的主要研究工作  15-17
第二章医学图像分割方法  17-23
  2.1 图像分割简介  17-19
    2.1.1 图像分割的定义  17-18
    2.1.2 医学图像分割方法的分类  18-19
  2.2 主要分割算法介绍  19-23
    2.2.1 基于阈值的分割方法  19-20
    2.2.2 基于区域的分割方法  20-21
    2.2.3 结合特定理论工具的方法  21-23
第三章医学影像学基础  23-38
  3.1 总论  23-24
  3.2 计算机体层成像  24-28
    3.2.1 CT成像基本原理与设备  24-27
    3.2.2 CT图像特点  27
    3.2.3 CT诊断的临床应用  27-28
  3.3 磁共振成像  28-38
    3.3.1 MRI成像基本原理  28-34
    3.3.2 MRI设备  34-35
    3.3.3 MRI图像特点  35-37
    3.3.4 MRI诊断的临床应用  37-38
第四章马尔科夫随机场  38-47
  4.1 马尔科夫随机场的应用背景  38
  4.2 基于二维平面中的MRF的定义  38-40
  4.3 马尔科夫随机场与吉伯斯随机场的等价关系  40-41
  4.4 MRF-MAP框架下图像分割建模  41-42
  4.5 基于MRF的概率最大状态的求解方法  42-45
    4.5.1 ICM算法  42-44
    4.5.2 SA算法  44
    4.5.3 ICM和SA实验结果  44-45
  4.6 基于MRF的模型  45-47
    4.6.1 Ising模式  45-46
    4.6.2 Potts模型  46
    4.6.3 高斯马尔科夫模型  46-47
第五章基于MRF的模糊聚类二维直方图医学图像分割研究  47-64
  5.1 模糊理论  48-51
    5.1.1 模糊理论的描述与发展史  48-49
    5.1.2 模糊集基础  49-51
  5.2 聚类理论与聚类分析  51-52
  5.3 模糊C均值聚类算法(FCM)  52-54
  5.4 基于MRF的模糊聚类二维直方图医学图像分割  54-63
    5.4.1 提出方法思想  55
    5.4.2 MRF后验能量场重建  55-58
    5.4.3 抑制式模糊C均值算法  58-59
    5.4.4 二维直方图  59-61
    5.4.5 实验结果和分析  61-63
  5.5 结论  63-64
第六章 MRF与模糊聚类以及D-S理论用于人脑图像分割的研究  64-81
  6.1 概述  64
  6.2 信息融合理论  64-65
  6.3 D-S证据理论简介  65-72
    6.3.1 基本概念  67-69
    6.3.2 结合多源信息的Dempster  69-70
    6.3.3 基本概率赋值的获取  70-72
  6.4 MRF与模糊聚类以及D-S理论用于人脑图像分割  72-79
    6.4.1 研究的意义及方法思想  72-73
    6.4.2 分割流程图  73
    6.4.3 MRF恢复  73-75
    6.4.4 脑骨及脑核的提取  75-76
    6.4.5 MRF分割  76
    6.4.6 模糊聚类二维直方图分割  76-77
    6.4.7 D-S融合分割  77-79
    6.4.8 结果定量分析  79
  6.5 结论  79-81
第七章马尔科夫随机场参数估计的探讨  81-87
  7.1 期望值最大估计  81-83
  7.2 基团势函数的模糊相似性定义方法  83-84
  7.3 本文提出的改进基团势函数的模糊相似性定义方法  84-85
  7.4 实验结果与分析  85-87
第八章结束语  87-89
致谢  89-90
参考文献  90-94
攻读学位其间发表论文目录  94

基于马尔科夫随机场D-S证据理论对人脑图像的分割研究

内容摘要

全文目录

相似论文