基于馬爾科夫隨機(jī)場理論的腦部磁共振圖像分割算法研究.pdf

1、腦部磁共振圖像分割的目標(biāo)有三類：提取腦實(shí)質(zhì)；將腦實(shí)質(zhì)分割成白質(zhì)、灰質(zhì)和腦脊液三部分；腦部結(jié)構(gòu)描述。本文的研究目標(biāo)是將腦實(shí)質(zhì)分割為白質(zhì)、灰質(zhì)和腦脊液三部分。 K均值法、模糊C均值法和基于高斯混合模型的算法對于噪聲低的腦部磁共振圖像，都能得到良好的分割結(jié)果。但是隨著噪聲程度的增加，這些算法的分割準(zhǔn)確率也開始下降。因?yàn)镵均值法、模糊C均值法和基于高斯混合模型的算法在進(jìn)行聚類時沒有考慮到像素之間的空間信息，易將噪聲點(diǎn)作為正常的像素點(diǎn)進(jìn)行

2、分類。馬爾科夫隨機(jī)場理論能夠很好地描述相鄰的圖像像素或者相關(guān)特征之間的相互依賴關(guān)系，而且醫(yī)學(xué)圖像的大部分像素與其相鄰像素屬于同一類別，因此為了提高算法的抗噪聲能力，本文基于馬爾科夫隨機(jī)場理論對模糊C均值，基于高斯混合模型的算法進(jìn)行了改進(jìn)。 通過計(jì)算分割準(zhǔn)確度和均勻性等參數(shù)來定量評估這些算法對仿真磁共振圖像和真實(shí)磁共振圖像的分割結(jié)果，得出以下結(jié)論： 1、在噪聲低的情況下，K均值法、改進(jìn)前后的模糊C均值法和高斯混合模型算法，