论文部分内容阅读
磁共振成像（MRI）是利用人体内含有的大量氢离子在磁场内发生共振所产生的信号经检测和处理最终重建出图像的一种成像技术。MRI成像因其无创伤、无痛苦、很少受目标物体运动影响等特点而被应用于全身各系统疾病的诊断。与CT成像相比，MRI对于软组织有极好的分辨力，从而被广泛应用于脑疾病的诊断。如何利用MRI断层序列图像数据进行感兴趣区域（ROI）分割，是一个融合医学和计算机科学的综合性研究课题，也是进行定性、定量分析的一个至关重要的环节。临床上，对MR脑序列图像的分析中，主要还是依赖医生的临床经验以及对图像的手动分割，随着MR医学成像技术在临床中越来越广泛的应用，对解剖结构或感兴趣区域进行半自动或者自动分割，辅助医生提高医疗诊断和治疗规划的准确性与科学性，已经成为近年来一个重要的研究领域。
本文在分析了MR脑序列图像的固有特点基础之上，结合图像分割理论以及感兴趣的解剖结构来研究有效的MR脑序列分割算法，主要工作与创新点如下：
(1)研究了形态学重建经典算法，提出了一种改进的快速重建算法：针对MR脑图像医学特点，引入区域最大值概念来修改Downhill滤波算法的初始条件，将改进的快速重建算法用于MR脑图像简化。实验结果表明改进的算法比快速混合重建算法的时间效率减少了75.65％，简化后的图像用于MR脑图像边界抽取可以得到很好的结果。
(2)研究了分水岭变换算法中过分割问题产生的原因，提出了一种改进的克服分水岭变换过分割问题的方法：即采用多尺度形态学交替重建滤波方法和极小值标记抽取方法来克服过分割问题，将该改进的方法应用于MR脑图像分割。实验结果表明，和基于标记控制的分水岭变换方法相比，最小值区域数的平均减少率达到68.26％。改进后的方法可以有效地克服分水岭变换的缺陷，分割效果理想。
(3)研究了脑序列图像的相似性特点，提出了基于支持向量机(SVM)的MR脑序列图像自动分割方法：SVM采用基于灰度和纹理统计特征融合的特征向量，核函数采用高斯径向基核函数，模型参数用交叉验证方法优选；自动分割过程可以根据相似测度和最大训练允许分割次数来控制分割精度；最后采用形态学区域填充方法对分割结果进行修正。实验结果表明，该方法能够初步实现序列图像的自动分割，能较为准确地得到序列图像的封闭边界，达到较理想的分割效果，具有一定的实用价值。