医学影像技术的快速发展,使其成为临床医疗的主要辅助手段。核磁共振图像(MRI)作为医学图像分割技术的研究核心,其成像特点具有较高的软组织分辨能力,便于进行大脑组织结构的识别和医学影像的量化分析,广泛应用于检查脑部病变组织、神经解剖等的研究中。因此,脑部MR图像分割是业界研究关注的主要对象、也是医学图像处理的重点问题。但是,由于医学图像的成像容易受噪声、磁场等外界因素的干扰,造成了医学影像模糊和不均匀;同时,医学图像涉及人体组织,成分较自然图像更复杂,对其分割的阈值差异要求更精细。以上这些都给医学图像分割研究的发展带来了极大的困难。对许多医学图像处理任务来说,超像素分割经常被作为预处理工作,是一种重要的过分割技术(Over-segmentation)。例如,将超像素(Superpixel)应用到脑部MR 图像的组织分割中,可以显著减少后处理步骤的工作量。然而,由于不—同脑部组织的灰度分布区间有重叠,不同组织之间的差别并不明显,大多数现有的超像素分割算法无法实现对弱边界情况的精确分割。本文从脑部MR图像的特点出发,充分利用脑部MR图像表达先验知识,在给定的脑部MR图像中观察脑组织的一般结构,通过定义每个像素属于其中一个类别的概率来克服困难,而不仅仅依赖于灰度信息,从而提出了一种基于概率密度加权测地距离的脑部MR图像分割算法,应用模糊C均值聚类算法作为后续处理,以获得脑部图像的组织分类。该算法创造性地融入概率密度函数,设计了一种更有效的梯度计算方法,使脑部不同组织之间的对比更加明显、每一个难于区分的细小边界都可以被检测到。本文的主要工作和创新点有以下几个方面:1.采用直方图统计预处理,将得到的样本值作为先验值进行概率密度估计。由于脑部图像灰质、白质、脑脊液不同组织的像素灰度值之间有重合的地方,因此很难检测到不同脑部组织确切的划分边界,导致每个像素点所属的类别都具有一个模糊度,难以直接对其分割。所以,本文首先进行直方图统计,将得到的样本值作为先验知识,用来在下一步中对图像上的每一个像素点进行概率密度估计。2.设计新的权重影响因子来定义测地距离,新的权重被定义为概率密度估计的梯度值,一种新的梯度计算的方法,称为基于概率密度的种子点敏感梯度。融入了概率密度函数,使脑部不同组织之间对比更加明显,梯度计算更加合理。新定义的测地距离称为基于概率密度加权测地距离并以此作为像素点的相似度度量标准,进行超像素初步分割。3.增加局部分割后处理过程,对超像素进行局部分裂,将像素点更准确地归类,进一步提高了超像素分割的准确度,用最简单最传统的FCM(模糊C均值聚类)模型进行最后的聚类,仍然可以取得理想的分类结果。最后,将基于概率密度加权测地距离的超像素分割技术、FCM等方法联系起来,在超像素的基础上得到脑部组织分割结果。实验结果表明,与现有技术相比,该算法产生的超像素具有更准确的分割边界,能够准确的区分出各个脑部组织,进一步提高了图像分割准确度。将本文所研究的医学图像分割即脑部MR图像分割技术应用于医学项目:颅脑MR图像三维可视化系统中,进行颅脑组织分割,并在分割的基础上进行重建,构造颅脑三维几何模型,重建后的三维图像能够逼真的显示颅脑的三维结构视图,有助于医生确诊、理解脑部回路构造、分析神经环路和病变组织等。