论文部分内容阅读
随着医学影像成像技术的发展和脑科学的崛起,核磁共振成像因其成像的多角度、多平面、分辨力高以及对人体没有任何伤害等优点,在近年来的脑功能和脑疾病研究中有着越来越广泛的应用,通过脑组织分割来定位、研究和诊断大脑疾病则成为当前研究的热点问题。而如何克服MRI成像过程中因扫描设备自身和磁场均匀性等客观因素影响而存在的非均匀性伪影、噪声以及部分容积效应等图像假象产物,则是当今脑MRI图像分割研究的重点。基于MRF的分割方法具有抗噪性强、参数少等特点以及稳定可靠的结果,是使用最广泛的现有脑部MRI图像分割方法,吸引了越来越多的国内外科研工作者的深入研究。通过对MRI理论知识的学习,再结合MRI图像特点,本文将基于边缘检测的分割方法与基于MRF的分割方法相结合并进行必要改进,采用DARTEL配准方法,分割和配准MRI图像,并以阿尔茨海默病数据为例来验证本文方法的有效性。首先为了排除非组织成分对脑组织分割的影响,使用边缘检测方法对转化为NIFTI格式的数据进行非组织剔除,提取脑组织结构,而为了增加边缘检测的准确率,引入形态学因子对结果进一步优化；其次,针对提取后的脑组织结构,使用改进的MRF分割方法,将其分割为灰质、白质两种组织类型；最后,为了进行结果的分析对比,我们使用DARTEL配准算法将所有被试图像配准到统一的模板。为了验证本文方法的有效性,我们将本文方法的分割结果与目前在脑MRI图像领域应用率最大、准确度最好的VBM-SPM方法进行比较,通过基于统计学和基于机器学习分类的方法对比,发现本文方法不管是在对病灶区的定位还是分类结果准确率方面都有着更好的效果,说明本文方法能够有效的提高脑MRI的分割准确度,同时对MRI的非均匀性伪影、噪声以及部分容积效应等图像假象产物也不敏感,在分割结果方面拥有着良好的适应性和较高的准确率。