首页> 中文学位 >基于机器学习和图集的婴幼儿脑MR图像分割算法
【6h】

基于机器学习和图集的婴幼儿脑MR图像分割算法

代理获取

目录

声明

摘要

第1章绪论

1.1课题背景和意义

1.2研究现状

1.3本文的研究内容及创新点

1.4本文的结构安排

第2章婴幼儿脑MRI常用分割策略综述

2.1基于图集的算法

2.1.1基于手动导出的图集和组织图谱的算法

2.1.2基于概率图谱和空间先验的算法

2.1.3其他的基于图集的算法

2.2基于扩展图集的算法

2.2.1使用纵向数据的分割方法

2.2.2块驱动的水平集分割方法

2.3不使用图集的算法

2.4本章小结

第3章基于由粗到精策略SVM的婴幼儿脑图像分割算法

3.1图像的获取和预处理

3.2基于SVM的图像分割策略

3.2.1第一阶段:提取组织概率图谱和不确定区域

3.2.2第二阶段:获取较精准的概率图谱和标签

3.2.3第三阶段:得到最终的分割结果

3.3实验结果及分析

3.4本章小结

第4章基于少量图集和标签融合技术的婴幼儿脑图像分割算法

4.1标签融合理论基础

4.1.1生成模型

4.1.2模型实例化

4.2针对少量图集标签的处理

4.3实验结果及分析

4.4本章小结

第5章基于非对称多尺度图像块和稀疏表达的婴幼儿脑图像分割算法

5.1脑图像分割中的稀疏表达

5.2从初始分割得到二次分割的区域

5.3非对称多尺度图像块的稀疏表达

5.4实验结果及分析

5.5本章小结

第6章总结与展望

6.1本文工作总结

6.2未来工作展望

参考文献

致谢

展开▼

摘要

随着现代医学影像技术中,核磁共振成像(MRI)成为辅助医生诊断脑部疾病的重要手段,与之相配的良好的计算机辅助诊断系统能够极大的减轻医生的工作负荷,使诊断更加及时,诊断结果更加精确。相对于成人的脑MR图像的处理,婴幼儿脑图像的预处理、分割等操作上的难度更加巨大。其主要原因为:婴幼儿脑图像容量较小,导致成像分辨率低,脑发育过程中的灰白质逆转问题和较大的噪声、容积效应使针对于成人脑图像的分割算法不能够应用于婴幼儿脑图像上。目前,依旧没有完美的算法对婴幼儿脑图像做出高精度的组织分割或病灶区域分割。因此,本文针对婴幼儿脑图像的特点,构造两种针对于婴幼儿脑图像的分割方法:1.使用SVM进行二维脑图像的分割方法流程;2.提出,使用非对称多尺度图像块,结合稀疏表达的婴幼儿脑图像分割方法流程。 本文的主要工作和研究成果有: (1)研究和使用基于SVM的婴幼儿脑图像分割方法。根据婴幼儿二维脑图像的固有特点,构造图像的灰度、空间、概率特征,通过三个阶段的模型训练,不断提高训练数据的针对性,提高图像的分割精度,得到最终精确的二维分割结果。 (2)研究通用概率模型下的标签融合策略,针对训练图集少的特点,提出了基于非局部图像块的改进算法,减轻算法对图集数量和配准质量的依赖。使算法在较少图集数量的情况下依旧能够得到较为满意的分割结果。 (3)提出基于非对称、多尺度图像块思想的相似集构建方法和稀疏表达策略。使用初始的分割结果,根据置信度度量,将低置信度区域提取出来,作为之后的精分割的目标区域。依据非对称、多尺度图像块的思想,来有针对性的构建相似集。使用同样的思想对目标图像块进行稀疏表达,得到最终的三维脑图像分割结果。 (4)对本文提出的分割策略进行实验。实验数据为7组婴幼儿脑MR图像,本文使用留一法交叉验证来检验算法的分割性能和鲁棒性,对实验结果进行分析评价。

著录项

  • 作者

    邹伟建;

  • 作者单位

    东北大学;

  • 授予单位 东北大学;
  • 学科 模式识别与智能系统
  • 授予学位 硕士
  • 导师姓名 魏颖;
  • 年度 2016
  • 页码
  • 总页数
  • 原文格式 PDF
  • 正文语种 中文
  • 中图分类
  • 关键词

    机器学习; 图集; 婴幼儿;

相似文献

  • 中文文献
  • 外文文献
  • 专利
代理获取

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号