论文部分内容阅读
医学图像分割是提取影像图像中特殊组织的定量信息所不可缺少的手段,同时也是图像三维重建和可视化的前提。分割后的图像被广泛地应用于各种场合,如病变组织的定位及诊断,解剖结构的学习,计算机指导手术和三维可视化等。本文作为三维头模型重建的前期工作,完成了头颅MRI图像的去噪和分割。由于MRI图像存在一定程度的噪声,我们有必要对原始MRI图像进行预处理,以便获得更好的像质,提高处理的精度,得到理想的分割效果。在图像的预处理的过程中,本文在传统算法基础上,结合适配模板滤波算法对头颅MRI医学断层图像的去噪进行了有益的探索,实现了适配模板滤波算法对MRI图像的去噪,较好地抑制了噪声。近年来,越来越多的新方法被引入图像分割领域,机器学习就是其中一个热点。但传统的机器学习方法是以经验风险最小化(Empirical Risk Minimization, ERM)为原则,在学习过程中无法控制模型的复杂性,容易出现欠学习和过学习的情况,从而降低学习机器的推广能力。特别是在有限样本的情况下更是如此。然而在医学图像分割中,训练样本通常是有限的,所以传统模式分类方法通常难以取得很好的结果。本文借助支持向量机(Support Vector Machines, SVMs)方法在小样本、非线性及高维特征空间中具有良好的分类性能,针对医学图像分割的特点,以支持向量机方法为基础进行了头颅MRI图像分割方法的研究,并且成功获取了目标边缘轮廓和体数据,为以后三维头模型的重建研究奠定了基础。对于MRI图像,仅仅依据像素的灰度进行分割是不够的,因此在提取图像的特征时,本文研究了纹理与灰度相结合的特征提取方法。并且为了消除特征数据中线性相关的冗余成分,采用主成分分析(Principal Component Analysis, PCA)方法将图像的特征向量进行了降维处理。PCA的目的就是把原图像中的有用信息集中到数据尽可能少的新的主成分图像中,并使各主成分相互独立。其结果可大大减少总的数据量,并使学习机器的设计更为容易,分类效果更好。