一、新生儿大脑磁共振图像的特点
　　成年人的大脑是成熟的。在磁共振的T1图像上，可以比较明显看出几种物质，例如白质、灰质和脑脊液。然而，新生儿的大脑是不断变化的，其形态不同于成人。并且新生儿的大脑正处在快速发育的过程中，大脑中还没有形成完整的神经网络和区域，神经物质还没有发育完全，这些原因就使得新生儿大脑MR图像的分辨率非常低，而且在灰质和脑脊液的交界处的像素与白质的像素具有相同的灰度值。新生儿在刚出生的时候，没有什么自控能力，所以也使得产生的图像会有很大的误差。随着新生儿的不断发育，新生儿大脑中的白质会越来越亮，越来越明显，而灰质会越来越暗，与白质形成强烈的对比。由于这些因素的影响，新生儿大脑图像的分辨率会非常的低，也使得产生的部分容积效应变得越来越明显。
　　二、多模态FCM分割算法的基本原理和主要流程
　　聚类分割是一种基于聚类分析的大脑图像分割方法。它是一种不需要人为手动操作的分类方法，根据相似性的理念把像素和体素归类。根据图像的灰度差进行分割是不能满足我们的要求的，所以聚类分割将图像中的不同参数进行聚类分析。然后将像素灰度值映射到这些不同的聚类中，如果满足条件，该像素就是属于这个类的。模糊C均值算法（FCM）是最常见的聚类分割方法，也是我在新生儿大脑图像分割中运用的方法，FCM特别适用于大脑图像中存在的模糊性和不确定性的特征。FCM利用迭代计算，确定目标函数是隶属度矩阵，然后按照隶属度矩阵进行聚类。它的优点是不需要人们的干涉，可以把噪声处理得很干净，分割的过程是全自动的，受体积的影响导致图像的模糊。它的缺点是能够影响到初始值的情况，初始值不仅影响算法收敛的速度，更是影响到了分割的结果；FCM运算复杂度比较大，当数据较多时，速度明显下降。对于模糊分类来说，它的函数就是：
　　总体来说，FCM的算法本文分为以下几个步骤：
　　首先，确定了类别数为4，加权指数在0到1之间，迭代次数为40，隶属度矩阵U的指数为2，隶属度最小变化量为1e-5。然后，按照上面的公式进行计算。最后，对每一组特征值求出新的隶属度值，一直到结束。
　　多模态FCM分割算法的主要思想就是利用多种模态的MR图像，来提取新生儿大脑的主要成分。通过多模态FCM分割算法，我们可以通过不同的方式，对新生儿的大脑图形进行更全面的了解。
　　其主要流程如下流程图：
　　三、图像分割的结果
　　利用多模态图像分割技术，本文将一组75套两个月大的新生儿的MR大脑图像的数据集进行处理，得出了以下分割的结果（由于篇幅有限，这里仅列出图层6的分割结果）：
　　四、图像分割结果的分析讨论
　　从下图中，我们不难发现，神经质包括脑脊液的发育不是特别良好，灰质层比较厚实，白质层看上去比较混乱。在脑脊液中，我们看到了集中在中间的神经髓鞘组织，但是向周边扩散的神经髓鞘末梢没有很好地显示出来。而且脊髓液的连续性不是特别的好，说明了神经髓鞘的发育还是不完全的。而且，由于分割方法的不完善，导致在将很微小的神经髓鞘组织分割的时候，给去掉了。白质看上去比较混乱，相比于灰质来说，比较薄，而且还存在头皮组织。分析其原因，大脑的白质在新生儿前六个月时，亮度很低，导致分割时，没有能够很好将白质分辨出来。灰质相对来说还算比较好，可是灰质层比较厚，有可能将白质或者脑脊液的部分组织也分到了灰质当中。总体看来，新生儿大脑的图像和成年人大脑的图像有很大的差别。
　　本次实验对新生儿大脑MR图像分割有一个新的认识，对新生儿大脑分割做了初步的探索和研究，提出了一种利用多模态图像和FCM分割新生儿大脑的方法，取得了比较满意的分割结果。
　　参考文献：
　　[1]陈允杰，张建伟，韦志辉，等.同时配准-分割脑MR图像的耦合变分模型[J].计算机辅助设计与图形图像学报，2007（5）：215-220.
　　[2]陈志彬，邱天爽，Ruan S.一种基于FCM和Level Set的Mm医学图像分割方法[J].電子学报，2008（9）：1733-1736.