基于模糊与核聚类算法的脑磁共振图像分割方法研究

MR图像分割是当前医学图像分割中研究的热点和难点。由于成像条件的限制，MR图像都具有内在的不确定性或模糊性，这种不确定性给传统的医学图像分割算法带来困难，却给模糊模式识别分割技术提供了产生的必要条件。本项目在前期研究的基础上，针对模糊聚类及其核方法在脑部MR图像分割中的应用进行如下研究：在模糊聚类算法中结合图像的马尔科夫特性，同时考虑MR成像的非均匀性效应，提出一种基于图像马尔科夫特性的惩罚模糊聚类分割算法；将核学习的思想引入模糊与可能性聚类算法中，提出一种基于核的模糊可能混合聚类分割算法；借助支持向量机良好的分类性能，结合MR图像模糊性的特点，构建基于模糊支持向量机的MR图像分割模型；最后，研究一种有效的分割定量评价方法。项目的研究将为MR图像的分割提供新的研究思路和方法，其结果将能有效地提高MR图像的分割性能，对于MR图像在计算机辅助诊断、病理分析及计算机模拟手术等方面具有重要价值。

本项目通过对模糊聚类及其核方法的系统研究和问题分析，提出新的模糊图像分割算法，并将其成功地应用于脑部MR图像的分割；同时为了有效利用MR图像的多模态综合信息进行更为准确的分割，本项目研究了多模态医学图像融合。项目的主要创新工作包含：①在模糊聚类算法中结合图像的马尔科夫特性，同时考虑MR成像的非均匀性效应，提出一种基于图像马尔科夫特性的惩罚模糊聚类分割算法；②通过将传统的“硬”EM 算法推广到“软”EM 算法，利用模糊聚类技术和统计技术相结合，提出一种模糊期望最大值MR图像分割算法；③将核学习的思想引入模糊与可能性聚类算法中，提出一种基于核的模糊可能混合聚类分割算法；④借助支持向量机良好的分类性能，结合MR图像模糊性的特点，构建基于模糊支持向量机的MR图像分割模型；⑤基于对多模态医学图像之间的信息互补和冗余特性的分析，结合人眼的视觉感知特性和小波系数的物理特征，提出新的基于DWT的多模态医学图像融合方法。项目的研究为基于单模态和多模态的MR图像分割提供了新的研究思路和方法，研究成果对于MR图像在计算机辅助诊断、病理分析及计算机模拟手术等方面具有重要价值。就上述内容，本项目取得了一系列重要成果，共发表学术论文26篇，其中7篇被SCI收录，21篇被EI收录。