基于粗糙模糊聚类的脑MR图像分割技术(2)
4.3.1 模糊集的构造 12
4.3.2 隶属度矩阵 13
4.3.3 近似集合权重的估计 13
4.3.4 聚类中心的更新 13
4.3.5 偏移场估计 14
4.4 算法流程图 15
4.5 实验结果以及分析 16
4.5.1 对于含有相同偏移场噪声的图像迭代对比 16
4.5.2 对于不含噪声只含有偏移场的图像分割对比 16
4.5.3 横向比较实验 17
结论 19
致谢 20
参考文献 21
1 绪论
1.1 研究背景
近年来，脑部疾病以其突发性、复杂性及难以估测等特点成为威胁人类健康的重要因素。据报道，每年我国有多于200多万人患脑疾相关疾病，其中我国每年死于脑疾病患者约有100万以上，脑疾病病死率约为45%。因此，对于脑部图像的获取和处理在医学领域这一问题尤为迫切。如今，随着信息化时代的到来，计算机硬件设施和计算机算法在图像处理的应用，各种不同的成像方式出现且在被不断完善。不同的医学任务对应不同的医学仪器。目前医学上的成像技术主要有：X线成像，计算机断层成像(ComputerTomography，CT)，磁共振成像(MagneticResonance Imaging，MRI)以及各种超声成像技术。其中磁共振成像技术的应用最为广泛[1]。1944年，美国科学家Rabi因其对气态原子核磁共振现象研究的杰出贡献而获得了当年的诺贝尔奖。这是人类首次发现磁共振(MagneticResonance，MR)现象，它是磁共振成像(MRt)技术的基础。1978年，德国的西门子研究基地成功地研制出了世界上第一台磁共振成像设备。磁共振成像可以达到较高的图像分辨率，并且人体的软组织在磁共振图像上的对比度较高，便于医生对软组织疾病进行诊断与治疗。
医学影像技术，它是借助某种看不见的物质特性，使得不能触及的人体组织或器官的构造、状态、以及某些生理功能等基本信息呈现出来。图像分割是指把一幅给定的图像，依据一定模式，划分图像为若干不同区域，提取特定目标从而而为医生诊断提供数字化信息，对于医疗行业的准确性、提高疑难杂症的治愈率有重要意义。
对于脑疾病而言，对于任何专家都是极大难题，由于大脑结构极其复杂，神经网络层层叠叠，一幅脑部图像的呈现，本身就是难题，对于这个难题的解答，也就是对于脑部图像的解答，正确解读图像，它是脑部组织分析量化的前提。然而，人工分割必然导致存在人为的差异，所以应用可靠性有所欠缺。现如今，随着计算机技术和数字化图像在整个社会所发挥的作用愈来愈大，传统的屏片摄影必将会淘汰。其中，磁共振成像（ Magnetic Resonance Imaging，MRI）技术以其非损伤性、非介入性、很少受目标物体运动影响等特点，成为脑疾病临床诊断的重要辅助手段。
1.2 脑MR分割难点
在医学实践使用中，对于脑MR图像分割存在的问题：灰度不均匀性（偏移场）、噪声、脑组织的部分容积效应以及低对比度：
（1）灰度不均匀性现象，即偏移场(bias field)。因为MRI设施自身、个体差异以及以外的因素，使得图像灰度不均匀。在一般情况下，每张图像都会存在偏移场，或者强，或者弱，甚至对图像灰度的增幅高达30%，从而导致图像分析错误。
（2）图像噪声。由于人体结构自身不规则性外加许多其他因素，成像质量不高，图像中会含有较多的噪声。噪声是不可人为避免的，对图像的质量、清晰度有一定影响。
上一篇：基于日志的事件摘要模块设计与实现
下一篇：汽车虚拟中控平台的仿真与软件实现