论文部分内容阅读
目的:脑部疾病的预防和诊治是当前医学研究领域的重要方向之一,利用脑影像检查技术定性和定量的分析脑功能,对有效诊断脑疾病有重要的帮助。其中,核磁共振成像(Magnetic Resonance Imaging,MRI)以其无创、低成本的优势而获得广泛应用。然而,由于脑部结构自身复杂性以及MR成像局部边缘模糊、区域灰度不均匀等问题,使得脑MR图像分割一直是研究热点和难点问题。方法:模糊c-均值(Fuzzy C-Means,FCM)聚类算法由于其具有运算速度快,无监督且易实现等特点被广泛地应用于MR图像分割中。然而,该算法没有利用图像中的空间信息,因此我们首先选用基于核函数的概率c-均值(Kernelized Possibilistic C-Means,KPCM)聚类算法作为分割的算法,采用自适应中值滤波滤除图像中的噪声,降低噪声对分割的影响,再采用粒子群优化(Particle Swarm Optimization,PSO)和遗传算法(Genetic Algorithm,GA)相结合的联合优化算法确定图像的初始参数值,从而避免了算法陷入局部极值的危险,提升了算法的分割效率。结果:将优化后的算法应用到三组不同的实验中,分别为人工合成的不同灰度级图像、含有不同噪声等级的模拟人脑MR图像以及真实人脑MR图像。三组实验结果显示,不论是低噪声的图像还是噪声污染严重的图像,和传统模糊聚类算法相比较,论文提出的优化算法具有较好的鲁棒性以及更高的分割精度。结论:论文提出的优化算法能够对图像进行较高质量的分割,不仅对图像中的噪声具有较好的鲁棒性,而且可以使算法快速收敛。提高了算法分割精度的同时也提升了算法的分割效率,对于脑组织的自动分割具有一定的潜在价值。