医学图像分割始终是医学图像处理中重要的也是非常困难的研究课题。传统的模式分类方法以经验风险最小化为归纳原则,只有当训练样本数趋于无穷时,其性能才能达到理论上的最优。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,对支持向量机方法及其在医学图像分割中的应用进行了深入地研究,主要工作包括: 1、针对在医学图像分割时,采用交互式方式得到的训练样本数通常是有限的,以致传统模式分类方法对渐进性的前提条件往往得不到满足。本文结合医学图像中目标具有分散的特点,借助支持向量机良好的分类性能,特别在小样本、非线性及高维特征空间中具有较好的推广能力,将支持向量机方法应用于医学图像分割。采用仿真MR 图像进行了脑组织分类,相对于神经网络与模糊 C 均值两种方法,支持向量机方法具有较小的时间代价,优良的分类性能。并将在不同训练样本数及不同的切片中进行了对比实验,进一步验证了支持向量机方法在小样本的情况下具有良好的分类性能。 2、结合磁共振图像中提取的图像特征可用高斯分布较好地近似描述的特点及高斯核函数在其它领域中成功的应用,本文在利用支持向量机方法对医学图像进行分割时,选择高斯径向基函数作为核函数。结合支持向量机方法的最优判别函数仅仅与支持向量有关,并且支持向量为高斯核中心的特点,提出了一种利用支持向量求取高斯核函数参数的有效方法,解决了高斯核函数参数在实际使用中不易确定的问题。 3、研究了纹理与灰度组合以及区域象素灰度两组图像特征。在提取纹理与灰度组合特征时,将由灰度共生矩阵提取的 6 种纹理统计特征(对比度、相关性、和均值、和方差、和熵、差熵)及 3 种灰度特征(象素灰度,象素灰度的中值滤波值及平均值)作为医学图像脑组织分类时纹理与灰度组合的图像特征。在提取区域象素的灰度特征时,除了象素本身的灰度,还提取了该象素邻域内所有象素的灰度。针对使用方形窗口区域的不足,结合医学图像中各种分割目标之间具有相对光滑的特点,提出了一种基于圆形区域象素灰度特征的提取方法,该组特征具有优良的分类性能,较小的计算代价。 4、针对传统支持向量机方法中存在对噪声或野值敏感的问题,依据特征空间中样本之间的紧密度,提出了一种基于紧密度的模糊支持向量机方法。在确定样本的隶 II<WP=5>属度时,不仅考虑了样本与类中心之间的关系,还考虑了各个样本之间的紧密度,并提出一种利用包围同一类中样本的最小球半径来度量样本之间紧密度的方法,对分布在半径内与外的样本分别采用两种不同的方式计算其各自样本的隶属度,有利于将野值或含噪声样本与有效样本进行区分。仿真图像的实验结果表明,与传统支持向量机方法及基于线性距离与基于 S 型函数的两种模糊支持向量机方法相比,基于紧密度的模糊支持向量机方法具有更好的抗噪性能及分类能力。 5、针对传统支持向量机方法不提供后验概率输出的问题,结合医学图像分类时不确定性的特点,提出一种对传统支持向量机方法进行输出概率建模的直接拟合方法。在该方法中,从信息熵的角度,提出了一种确定该拟合模型参数的最大熵拟合准则。在多类分类问题输出概率建模中,提出了加权近似方法与直接求解方法两种输出概率建模方法,在这两种方法中,在对多个两类支持向量机的概率输出进行组合时,充分考虑了各个两类支持向量机的差异,并分别提供了不同的权系数。仿真图像的实验结果表明,本文提出的直接求解方法与近似方法及 Pairwise Coupling 方法相比,不仅具有较好的分类性能,而且得到的后验概率具有较好的概率分布形态。 6、针对支持向量机在大规模样本学习时,学习速度慢,需要存储空间大等问题,提出了一种将支持向量机方法与 C 均值方法结合的 SVM-CM 方法。在该方法中,先采用 C 均值方法对训练样本集进行聚类,然后依据聚类域中样本的类型特点确定样本的约简方式。仿真图像数据实验结果表明,SVM-CM 方法提高了支持向量机的学习速度,同时支持向量机的分类精度几乎没有降低,表现出较好的样本约简性能。 7、采用基于紧密度的模糊支持向量机及输出概率建模方法对两个 MR 图像实例分别进行了正常脑组织分类及脑肿瘤组织的分类与提取。首先对 MR 实例图像进行剔除非脑组织处理,然后对正常脑组织或脑肿瘤组织进行分类与提取,并由医生对分类结果采用主观评估方法进行评价。在对脑肿瘤进行提取时,将由基于紧密度的模糊支持向量机及输出概率建模方法提取出的脑肿瘤区域与由医生参考对应切片的 T2 加权 MR图像,在原始切片上勾画的脑肿瘤区域进行对比,通过观察和对比,相对于模糊 C 均值及传统支持向量机方法,采用基于紧密度的模糊支持向量机及输出概率建模方法提取的脑肿瘤区域与专家手工勾画的脑肿瘤区域比较接近,获得了较好的结果。