论文部分内容阅读
为了准确地分辨医学影像中的正常组织结构和异常病变，需要对医学图像进行分割。由于医学图像对比度较低，组织特征的可变性、不同组织之间或者组织和病灶之间边界的模糊性以及微细结构(如血管、神经)分布的复杂性，使医学图像分割变成一个难点。医学图像分割的目的是把图像中具有特殊含义的不同区域分割开来，并使结果尽可能的接近解剖结构，从而为临床诊断和病理学研究提供可靠依据。如何在计算机辅助下，精确地、自动地分割以提取影像中包含的信息来满足医学图像处理的要求，是图像分析专家需要解决的关键问题。论文在分析国内外有关医学图像分割方法相关文献的基础上，基于强化学习和Agent技术，提出了基于MAS(Multi-Agent Systems)的医学图像分割算法。论文主要工作及创新点是：(1)对国内外主流医学图像分割方法进行了深入地分析探讨，较为全面地综述了图像分割技术的基本概念，基本理论，基本方法，并针对医学图像的特点，阐述了基于MAS的医学图像分割方法的可行性和必要性。(2)针对Edouard Duchesnay不规则金字塔算法中所存在的需要设定参数[Dn，Ds]值，需要人机交互，并且分割的结果直接跟参数值[Dn，Ds]相关，不能实现自动化分割等问题，用动态协作金字塔模型改进了Edouard Duchesnay的算法，在此基础上，提出基于MAS的医学图像分割方法。(3)基于MAS的医学图像分割算法的核心技术是动态协作金字塔模型(DCPM，Dynamic and Cooperative Pyramid Model)。该模型允许局部操作(区域／边界)的协作行为，金字塔的组织用来控制和规范Agent社会以达到整体约束。(4)利用基于MAS的医学图像分割算法对心脏左心室MR图像进行了分割实验，实验结果表明算法能实现自动分割，不需要初始轮廓，分割效果与领域专家的意见基本一致。