论文部分内容阅读
近几十年,医学影像技术飞速发展,特别是核磁共振成像技术(Magnetic Resonance Imaging,MRI)。该技术可以检测人体各个部位的疾病,应用极其广泛。医学图像分析为医生提供有效的参考信息,而医学图像分割是医学图像分析的基础工作。大脑对于人体至关重要,它直接控制着人体的运动、感觉以及实现人体的很多高级功能。因此,脑MR图像分割在医学领域尤为重要。而脑MR图像的高噪声、灰度不均匀、边缘模糊等特点为其分割带来了挑战。另外,专家参与图像分割的方式消耗时间长,而图像数量巨大,因此急需实现脑MR图像分割的自动化。基于混合模型的图像分割方法借助图像的灰度直方图,将图像中像素的灰度值拟合成某些特定的分布。其中,高斯混合模型(Gaussian Mixture Model,GMM)具有直观、实现简便、符合很多数据的分布等特点,因而得到了广泛应用。而尾部较高的学生t分布代替高斯分布后,混合模型在图像分割过程中对噪声更鲁棒,因此t混合模型(Student’s t Mixture Model,SMM)又引起了许多学者的关注。为了应对以上脑MR图像分割中的面对的挑战,本文在SMM的基础上做出了两点改进,并将改进后的模型用于脑MR图像分割:1)基于一种新的马尔可夫随机场(Markov Random Field,MRF)的表示方法,设计并实现了一种结合MRF和SMM的脑MR图像分割方法。该方法利用MRF将图像中像素的空间关系信息引入混合模型,因此得到的分割结果对噪声更鲁棒。而且本文推导出该模型求解的期望最大化算法(Expectation Maximization Algorithm,EM算法),该算法能直接得到模型中参数的封闭解,避免了复杂的计算操作。实验表明该方法的表现优于其它流行的脑MR图像分割方法及其它同样基于MRF的混合模型方法。2)针对传统的SMM用于图像分割时需要人为设定分割数目的缺点,本文提出一种基于截断狄利克雷过程的无限t混合模型(Truncated Dirichlet Process Student’s t Mixture Model,tDPSMM)的脑MR图像分割方法。该方法用截断狄利克雷过程作为模型的先验信息,达到了使模型自动确定分割数目的目标,而且保证了该无限混合模型推理、计算的简便性。本文也推导出该模型下的EM算法,最终利用贝叶斯最大后验概率准则将模型应用于脑MR图像分割。与其它无限混合模型方法及经典的脑MR图像分割方法进行对比实验后,我们发现该方法能更快速准确地实现脑MR图像分割。