论文部分内容阅读
磁共振图像(MRI)被广泛应用于医学临床,辅助诊断多种疾病。利用计算机视觉和模式识别技术对MR图像进行自动分析和诊断,有助于减轻医生的疲劳,提高工作效率和诊断的正确性,是生物医学工程领域的一项重要课题。由于磁共振成像设备不完善以及对象自身的特异性,磁共振图像总是不可避免的存在一定程度的亮度不均匀场,它的存在会造成同一组织的灰度发生变化,给磁共振图像后续处理带来了很大障碍,严重影响了图像分割和配准等处理的精确性,进而影响计算机辅助诊断的效果。
灰度不均匀是指相同组织的不同局部区域的均值、方差有较大的偏差。灰度不均匀的校正可以提高分割的准确率,减少人工参与需要花费的时间和精力,减少人工误操作,最终达到提高自动化诊断的准确率的目的。MR图片中不均匀场具有平滑、渐变的特点。鉴于此,本文提出了两种不均匀场校正算法:基于模糊均值聚类的校正算法和基于熵最小化的自动校正算法。校正实验的结果表明,两种算法都可以取得很好的校正效果。
基于模糊均值聚类算法改进了基于灰度信息的模糊C均值(FCM)算法,将偏移场模型、代表图像空间信息的邻域控制信息和最小二乘曲面拟合方法有机结合,能同时实现图像的校正和聚类,适用于灰度不均匀脑部磁共振图像的校正。实验结果表明校正后的图像质量得到较大提高。
基于熵最小化的自动校正算法是一种新颖的自动校正算法,该算法以图像熵最小为目标,利用拟合曲面、粒子群算法实现对MR图像的亮度校正。该方法是一种全自动的无需先验知识的校正方法,在对BrainWeb数据库仿真MRI和真实MRI校正中,取得了令人满意的校正结果,达到了实际应用的要求。
本文提出的两种算法各有优点,基于模糊均值聚类的校正算法调整参数少,计算速度快,适用于组织较为简单的MR图像的校正;基于熵最小化的自动校正算法适用面较广,不仅适用于组织简单的MR图像,对具有复杂组织的MR图像的校正也同样适用。
本课题提出的两种校正方法都能很好地校正亮度偏差场,可以被应用在基于MR图像的自动分析和诊断系统的设计中。
本论文的工作得到了安徽省教委重点课题(2006KJ097A)和国家自然科学基金项目(60771007)的资助。