论文部分内容阅读
磁共振成像(Magnetic Resonance Imaging,MRI)技术适用于脑成像,精确的MRI脑组织分割对临床脑部疾病的研究与治疗具有重要的医学意义。高斯混合模型(Guassian Mixture Model,GMM)能有效描述MR图像中脑组织灰度分布的缓慢变化特性,是MRI脑组织分割中最常用的统计模型,但是GMM分割模型本身没有考虑空间信息,仅适用分割低噪声级别的清晰图像,实际应用中往往并非这种理想情况。通常在GMM分割模型中引入空间信息;或者摆脱GMM,直接对体素的空间关系建模来进行改进。隐Markov模型(Hidden Markov Model,HMM)考虑了邻域体素的空间相关性,可以同时对图像的统计特性和空间特性建模。但是目前基于HMM的分割算法大都使用全局固定参数,无法同时在抗噪声和细节保留上进行合理的选取。因此,本文的主要研究内容是针对GMM分割模型和HMM分割模型进行的改进,将空间信息引入到GMM分割模型;改进HMM分割模型的参数估计策略,具体研究内容如下:1、GMM分割模型中引入空间信息的方式主要有两种:组织概率图谱和空间邻域关系,本文首先重点分析了这两种方式的优势和不足。前者可以避免EM算法陷入局部最优解,保留图像细节;但是没有考虑邻域体素大概率属于同一组织类别这一事实,因此组织边缘处的分割结果不够准确。后者能提高算法的抗噪声能力,但是存在分割结果过于平滑和组织边缘细节信息丢失的问题。2、为了进一步提高算法的分割精度,改善分割效果,本文提出了一种结合组织概率图谱和空间邻域关系的脑组织分割算法:TPM-SVGMM算法。在局部空间邻域关系中加入组织结构先验约束,充分发挥两种空间信息的优势,抑制噪声的同时,保留边缘细节信息,提高组织分割精度。3、相比于GMM模型,HMM模型是空间依赖的。目前HMM分割模型大都采用全局固定参数,过大的参数在局部会出现过平滑,造成图像细节信息的丢失,过小的参数又会降低算法的抗噪声能力。针对这个问题,本文提出了一种局部参数自适应调节的脑组织分割算法:PAHMRF算法。实验表明该算法适用于分割含有高噪声的脑部MR图像,且具有保留更多图像细节信息的优点。4、最后本文通过三维可视化的方式来分析提出的脑组织分割算法;将分割得到的同一实验者的脑血管信息和脑组织信息进行三维融合显示。