基于支持向量機和水平集方法的核磁共振腦圖像分割.pdf

1、核磁共振(MRI)腦圖像的顱內(nèi)各組織邊界復(fù)雜且不規(guī)則，所以對其的分割是醫(yī)學(xué)圖像處理一個重要而困難的課題。支持向量機(SvM)是一種全新的模式識別技術(shù)，其思想是建立在統(tǒng)計學(xué)理論的VC維理論和結(jié)構(gòu)風(fēng)險最小化原理基礎(chǔ)上的，在小樣本，非線性及高維特征空間具有較好的推廣能力，將其應(yīng)用于醫(yī)學(xué)圖像分割中無論在實踐中還是實際應(yīng)用上都具有重大的意義。根據(jù)MRI腦圖像的特點，本文將支持向量機和水平集方法應(yīng)用到MRI腦圖像分割中，主要內(nèi)容如下：
　　(

2、1)基于最小二乘支持向量機的醫(yī)學(xué)圖像分割研究。本論文在對MRI腦圖像進行分割時首先提取圖像特征向量，采用主成分分析法(PCA)將圖像的特征向量降維處理之后，用最小二乘支持向量機(LS-SVM)來進行圖像分割。理論和實驗結(jié)果表明，利用PCA方法優(yōu)化特征空間之后，在保證了分類正確率的前提下，有利于提高支持向量機的分類速度。而利用LS-SVM對MRI腦圖像分類也表明其對目標(biāo)邊界模糊，目標(biāo)灰度不均勻及目標(biāo)不連續(xù)的醫(yī)學(xué)圖像分割具有良好的分類性能。