基于MRI的脑组织分割方法概述.pdf

"基于MRI的脑组织分割方法概述" 本文概述了基于MRI的脑组织分割方法，介绍了经典的阈值法、区域生长法、统计学方法三种方法，并对每种方法进行了详细的分析和比较。 阈值法 阈值法是最基本的MRI脑组织分割方法。根据阈值，可以将图像分割为不同的区域。但是，阈值法存在一些缺陷，如对噪声和灰度不均匀敏感，且不考虑空间特征。为了克服这些缺陷，学者们提出了各种改进方法，如文献[1]中提出的最大类别方差法自动寻找阈值，文献[2]中提出的多分辨率边缘检测、区域选择和动态阈值相结合的方法等。 区域生长法 区域生长法是基于图像的空间信息，通过种子点开始，将与其性质相似的相邻像素合并到种子像素所在的类中。但是，区域生长法需要依赖先验知识选择种子点，且对噪声敏感，会造成孔状甚至不连续区域。为了克服这些缺陷，学者们提出了各种改进方法，如文献[4]中提出的改进的水平集法和区域生长法相结合的方法等。 统计学方法 统计学方法将图像中各个像素点的灰度值看作是具有一定概率分布的随机变量，找出最大概率的图像组合就可以正确分割图像。统计学方法包括分类器法和聚类法两类。分类器法需要为分割选择训练样本，根据训练样本对未分像素进行分类。聚类法不需要训练样本，是在没有先验知识的情况下，用数学方法分析各模式向量之间的距离及分布情况，按照样本的距离远近划分类别。 分类器法 分类器法是一种监督性算法，需要为分割选择训练样本，根据训练样本对未分像素进行分类。常用的分类器算法包括最大似然法、贝叶斯模型、K 近邻法等。但是，传统分类器算法存在一些缺陷，如泛化能力差，且对大样本空间进行分类时易产生误差。近年来，支持向量机（SVM）模型被看作是对传统分类器的升级，它建立在 VC 维理论和结构风险最小原理由上，在对特定训练样本的学习精度和无错误地识别任意样本能力之间寻求最佳折衷，以获得较好的泛化能力。 聚类法 聚类法与分类器法类似，但它不需要训练样本，是在没有先验知识的情况下，用数学方法分析各模式向量之间的距离及分布情况，按照样本的距离远近划分类别。常用的聚类算法有 K-均值聚类（K-mean clustering, KMC）算法、模糊 C-均值（Fuzzy C-Means, FCM）聚类法和期望最大值（Expectation maximum, EM）算法等。聚类法虽然存在一些缺陷，如需要预先设定初始参数、对灰度不均匀和噪声敏感、容易陷入局部极值等，但近年来，出现了克服灰度不均匀和抗噪能力强的改进聚类算法，并在脑组织图像分割中得到较好的发展。