论文部分内容阅读
随着医学影像技术的发展,计算机辅助诊断技术已经被广泛运用在临床研究中,伴随脑疾病的发病率不断增高,脑影像研究受到了高度关注,通过脑MRI图像检查,不仅防止手术检查介入对患者带来伤害,也可以辅助临床医生制定手术方案,因而对脑MRI图像的特征识别研究具有重要意义,而脑MRI图像的分割、特征提取以及特征识别是医学图像处理必不可少的步骤。本文用模糊C均值算法进行图像分割,用灰度共生矩阵对脑图像的特征进行提取,将得到的多特征向量用支持向量机对其分类,针对模糊C均值聚类和支持的向量机的缺点进行改进,以提高疾病的诊断率。本文研究内容有以下几部分:(1)研究分析模糊C均值聚类算法(FCM)在脑图像分割中存在对噪声敏感、初始聚类中心易陷入局部极值的问题。本文通过遗传算法和核函数对其进行改进和处理。用高斯核函数将输入样本映射到高维空间,并利用模拟退火遗传算法收敛全局最优的特点进行初始聚类,该算法取得更好的分割结果。(2)研究分析临床信息作为特征之一,用灰度共生矩阵提取的纹理特征具有多特征参量的优势,对精神疾病患者的脑MRI图像的纹理进行提取,然后将获取的能量、熵、惯性矩、相关性等特征量的平均值作为脑MRI图像纹理特征。(3)采用支持向量机对临床特征信息和纹理特征进行识别。由于单核支持向量机(SVM)泛化能力和鲁棒性都有局限性,本文提出用混合核支持向量机对提取的脑纹理特征进行识别,并利用多项式核函数的方法具有全局性核函数的泛化能力强,径向基核函数则具有局部性核函数学习能力好的优势,将两个核函数进行线性组合成为一个新的混合核函数,这种新的混合核函数可以同时具有泛化能力强和学习能力好的优点,从而能够更好地对脑的纹理特征进行识别。本文所使用的算法都曾在MATLAB平台上进行验证并取得较好的效果,因此不仅在脑MRI图像处理方面有较好的参考价值,还在脑神经疾病诊治预防方面具有重要的研究意义。