论文部分内容阅读
传统诊断脑肿瘤的方法无非是通过医生人工的诊断,然而这会受到医生的主观影响。脑肿瘤MR图像的自动分类需要更高的准确率,因为这会影响到肿瘤治疗方法的选择以及最佳的治疗时间。随着CAD技术的进步,脑肿瘤自动分割与分类技术得到很好的运用与发展。本文的主要目的是研究脑肿瘤的准确分割及其准确的模式分类方法,建立用于处理脑肿瘤MR图像的计算机辅助诊断系统。本文首先介绍了脑部MR图像的脑组织提取。运用非线性参数估计方法拟合灰度直方图,确定背景及颅骨的阈值大小,分离颅骨与脑组织,得到初始分割图像。结合形态学原理及凸包知识,将初始分割的上半部分做凸包,再与初始分割图像做匹配,从而去除了包括脑颅骨及背景的非脑组织部分,为下一步进行的脑肿瘤提取及特征分类奠定了基础。接着研究了脑肿瘤的提取算法,把FCM和水平集结合的方法运用到脑肿瘤的提取中。对FCM算法做出改进,加入了基于相位一致性原理的空间信息,有效克服脑肿瘤图像的噪声影响。对于恶性脑肿瘤,灰度信息分布复杂的情况,运用凸包思想,包含整个脑肿瘤区域,作为初始的分割结果。同时改进水平集算法,根据FCM的聚类结果,自动确定水平集分割的各参数值和水平集的初始轮廓,从而避免了参数设定不当影响分割结果的影响,改进之后的水平集算法鲁棒性更强。得到的脑肿瘤分割图像,为下一步特征提取及肿瘤分类做好了准备。最后,在分析脑肿瘤MR图像的ROI特征的基础上,研究了对ROI的特征提取,从灰度特征、纹理特征、形状特征等方面分析脑膜瘤和胶质母细胞瘤特征。为了满足特征评判标准,研究PCA算法,用于对提取出的特征数据进行降维处理,用降维之后的特征矩阵替换计算出的所有特征可以充分描述特征数据。分类器选择PSO参数优化的SVM模型,将自适应惯性权重的标准粒子群优化算法引入到SVM的核参数寻优中,研究了PSO-SVM算法在单一特征和多特征结合下对脑肿瘤图像的分类情况,并将其与其他算法作对比,实验结果表明本文算法的准确率更高,分类效果更好。