1、腦腫瘤分割在疾病的輔助診斷、治療方案規(guī)劃以及手術導航中扮演著重要的角色。部分患有惡性腦腫瘤的病人通常只有非常短的預期壽命，而制定合適的治療計劃是提高患者生活質(zhì)量的關鍵。由于磁共振成像具有高度的軟組織分辨率，因此在臨床上廣泛使用磁共振成像技術評估腫瘤。然而大量數(shù)據(jù)的出現(xiàn)，加上手動分割的經(jīng)驗誤差，因此越來越需要自動和可靠的腦腫瘤分割方法。
　　本文首先系統(tǒng)的介紹了腦腫瘤MRI圖像分割技術的發(fā)展和當前最新的研究現(xiàn)狀，以及腦腫瘤分割的難點

2、，然后詳細介紹并推導了實驗采用的稀疏編碼與字典學習理論。
　　針對磁共振圖像特征間的非線性相關性，本文采用三維FLAIR模態(tài)的MRI數(shù)據(jù)，提出了基于灰度特征和核稀疏編碼的全自動腦腫瘤分割方法。為了捕獲磁共振圖像中的非線性特征，采用核字典學習方法對腫瘤和非腫瘤區(qū)域分別建模學習出兩個字典，將最終結果分割為腫瘤區(qū)域和非腫瘤區(qū)域，并對分割結果進行了分析和評估。
　　為了研究不同特征對基于核稀疏編碼與字典學習的分割方法的影響，本文提出

3、一種基于高階統(tǒng)計特征和核稀疏編碼的全自動腦腫瘤分割方法。通過提取磁共振圖像目標像素點及周邊區(qū)域計算出一階和二階統(tǒng)計特征代替前邊采用灰度特征作為特征向量。
　　最后，為了滿足比賽的要求并與排行榜的最新方法對比，本文提出了基于多模態(tài)的腦腫瘤分割方法。多模態(tài)腦腫瘤分割大賽(BRATS)提供了多個模態(tài)的數(shù)據(jù)，多模態(tài)數(shù)據(jù)已經(jīng)經(jīng)過線性對準，空間分辨率為1mm。大賽所提供的標簽將腫瘤區(qū)域劃分為了5個類別，并且提供了三種分割結果的評估，即完整腫瘤

4、區(qū)域、腫瘤核心區(qū)域和增強型腫瘤區(qū)域。由于不同類型的腫瘤在不同模態(tài)下會有不同的表現(xiàn)，因此首先對預處理之后的多個模態(tài)磁共振圖像進行k均值聚類算法選擇出可能性的腫瘤區(qū)域，然后分別構建五個字典。為了評估分割性能，分割結果上傳到大賽的在線評估系統(tǒng)，Dice Score，PPV,Sensitivity and Kappa四個指標被用于評估分割結果。
　　MRI圖像中相鄰像素點及周邊區(qū)域存在著高度的相關性，利用局部圖像塊對腫瘤區(qū)域與非腫瘤區(qū)域進