磁共振成像(Magnetic Resonance Imaging,MRI)技術適用于腦成像,精確的MRI腦組織分割對臨床腦部疾病的研究與治療具有重要的醫學意義。高斯混合模型(Guassian Mixture Model,GMM)能有效描述MR圖像中腦組織灰度分布的緩慢變化特性,是MRI腦組織分割中最常用的統計模型,但是GMM分割模型本身沒有考慮空間信息,僅適用分割低噪聲級別的清晰圖像,實際應用中往往并非這種理想情況。通常在GMM分割模型中引入空間信息;或者擺脫GMM,直接對體素的空間關系建模來進行改進。隱Markov模型(Hidden Markov Model,HMM)考慮了鄰域體素的空間相關性,可以同時對圖像的統計特性和空間特性建模。但是目前基于HMM的分割算法大都使用全局固定參數,無法同時在抗噪聲和細節保留上進行合理的選取。因此,本文的主要研究內容是針對GMM分割模型和HMM分割模型進行的改進,將空間信息引入到GMM分割模型;改進HMM分割模型的參數估計策略,具體研究內容如下:1、GMM分割模型中引入空間信息的方式主要有兩種:組織概率圖譜和空間鄰域關系,本文首先重點分析了這兩種方式...

【文章頁數】：85 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 選題背景與研究意義
    1.2 研究現狀
    1.3 主要研究內容與創新點
    1.4 論文結構安排
第二章 基于高斯混合模型的腦組織分割算法改進
    2.1 基于高斯混合模型的腦組織分割方法
        2.1.1 GMM分割模型
        2.1.2 預處理與分割算法評價標準
        2.1.3 GMM分割方法的優勢與不足
    2.2 現有GMM分割算法分析
        2.2.1 模型中引入組織概率圖譜
        2.2.2 模型中引入鄰域空間關系
        2.2.3 優勢與不足
    2.3 一種結合組織概率圖譜和鄰域空間關系的腦組織分割算法
        2.3.1 算法設計思想
        2.3.2 參數優化
        2.3.3 算法流程
    2.4 實驗結果與分析
    2.5 本章小結
第三章 基于Markov隨機場的腦組織分割算法改進
    3.1 Markov隨機場理論
        3.1.1 鄰域系統與勢團
        3.1.2 Hammersley-Clifford定理
        3.1.3 常用能量函數
    3.2 基于隱Markov隨機場的腦組織分割方法
    3.3 HMRF分割模型參數估計
    3.4 一種參數自適應調節的HMRF腦組織分割算法
        3.4.1 算法設計思想
        3.4.2 算法流程
    3.5 實驗結果與分析
    3.6 本章小節
第四章 腦組織三維可視化
    4.1 三維可視化流程
    4.2 本文算法分割結果可視化分析
    4.3 腦組織和腦血管三維融合顯示
    4.4 本章小結
第五章 全文總結與展望
    5.1 全文總結
    5.2 后續工作展望
致謝
參考文獻
攻讀碩士學位期間取得的成果



本文編號：3991862