醫(yī)學圖像分割中分類器的研究.pdf

1、醫(yī)學圖像分割是提取影像圖像中特殊部位的定量信息所不可或缺的手段，也是醫(yī)學圖像可視化的必要條件。分割后的圖像被廣泛地應用于解剖結(jié)構(gòu)的學習，病變組織的定位以及診斷分析，計算機手術(shù)指導等方面。腦部組織的自動而有效的分割對診斷、治療、病理研究、放療計劃的制定、手術(shù)導航、計算機輔助診斷等各方面均有著極其重要的意義。本文完成了頭部MR圖像的腦組織分割。
　　本課題根據(jù)從醫(yī)學圖像中提取的灰度特征和紋理特征的數(shù)據(jù)，利用基于支持向量機（Suppor

2、tVectorMachine,SVM）和條件隨機場（ConditionalRandomField,CRF）的圖像分割技術(shù)對特征向量進行分割，探索其在醫(yī)學圖像分割中的實踐研究。以醫(yī)學圖像中MR（MagneticResonance）圖像組織分割為重點研究內(nèi)容開展系統(tǒng)研究，探索基于支持向量機、基于條件隨機場以及基于支持向量機條件隨機場模型在解決醫(yī)學圖像分割中的應用問題。
　　因為支持向量機具有學習精度高、泛化能力強、所需學習樣本小等特點

3、而被廣泛應用，但是有它有一個缺點：支持向量機假設數(shù)據(jù)是相互獨立的。然而，醫(yī)學圖像包含有大量復雜的灰度特征和紋理特征，醫(yī)學圖像的像素信息在類別上有著很強的相關(guān)性，不滿足相互獨立的假設。相反，如果能有效利用這些依賴關(guān)系，可以有效地提高分類精度。條件隨機場是一種直接根據(jù)后驗概率建模的概率模型，可以有效地學習數(shù)據(jù)之間的相關(guān)性。但是，傳統(tǒng)CRF模型定義的簡單一階勢能項（特征的簡單線性組合），不能完全適合醫(yī)學圖像數(shù)據(jù)分類。首先，由于醫(yī)學圖像數(shù)據(jù)樣本

4、有限而且維度很高，傳統(tǒng)CRF模型對“維度災難”問題敏感。此外，醫(yī)學圖像數(shù)據(jù)一般線性不可分而且數(shù)據(jù)特征空間非常復雜，通過簡單的一階勢能項不能得到理想的分類結(jié)果。針對這些問題，本課題根據(jù)SVM和CRF算法的理論特點將兩種分割方法相結(jié)合，得到一種改進的適用于醫(yī)學圖像分割的新的模型，即用于多分類的支持向量機條件隨機場模型（SupportVectorMachineConditionalRandomField,SVM-CRF）。
　　本課題分