1、醫(yī)學(xué)圖像分割問題一直是圖像處理領(lǐng)域中的經(jīng)典難題。大腦組織具有特別復(fù)雜的結(jié)構(gòu)，為了得到腦部病變組織的尺寸、外觀的量化信息和實(shí)現(xiàn)腦部結(jié)構(gòu)的三維重構(gòu)，腦組織圖像分割顯得格外關(guān)鍵。 本文綜合運(yùn)用小波算法、分水嶺算法及基于區(qū)域的模糊C均值算法，提出了一種基于規(guī)則的二次分割方法實(shí)現(xiàn)對腦組織磁共振圖像的分割。首先，采用基于小波的濾波器去除圖像中的噪聲，然后以分水嶺算法實(shí)現(xiàn)對圖像的初始分割。通常，傳統(tǒng)分水嶺算法在對灰度尺度紋理圖像，尤其是組織圖

2、像分割中，常常出現(xiàn)過度分割的現(xiàn)象。為了解決分水嶺算法的過度分割問題，本文提出一種基于區(qū)域的模糊C均值(RFCM)聚類算法實(shí)現(xiàn)對過度分割區(qū)域的合并。盡管，分水嶺算法存在過度分割現(xiàn)象，仍有一些區(qū)域的分割并不完全，尤其是在腦脊液與灰質(zhì)，或灰質(zhì)與白質(zhì)的過渡區(qū)域。而且，在RFCM聚類中每一個區(qū)域被假定與它的領(lǐng)域區(qū)域無關(guān)，并未考慮鄰域區(qū)域間的空間關(guān)系。然而，對于圖像區(qū)域而言，領(lǐng)域區(qū)域間有著很強(qiáng)的相互關(guān)系。綜合上述問題，本文提出一種將局部區(qū)域連續(xù)性與

3、全局信息相結(jié)合的基于規(guī)則的多閾值分割方法，對分水嶺算法初始分割不完全的區(qū)域再次分割。文中多種方法巧妙地相互結(jié)合，實(shí)現(xiàn)了對腦組織磁共振圖像的分割，并通過對大量模擬數(shù)據(jù)和真實(shí)數(shù)據(jù)的分割實(shí)驗(yàn)證明所提出此方法的有效性和精確性。 同時，本文還提出了以多尺度的、具有空間自適應(yīng)性的模糊自組織特征映射網(wǎng)絡(luò)(MSFSOM)對腦組織磁共振圖像分割的新方法。 Kohonen自組織特征映射(SOM)是一種二層的前饋競爭型學(xué)習(xí)網(wǎng)絡(luò)，并且作為一種競

4、爭型學(xué)習(xí)聚類算法廣泛應(yīng)用于腦組織磁共振圖像分割中。然而，大多數(shù)的腦組織磁共振圖像在不同組織的過渡區(qū)域常常存在灰度值交疊現(xiàn)象，尤其在腦脊液和灰質(zhì)，灰質(zhì)和白質(zhì)的過渡區(qū)域。因此，本文將模糊的方法和自組織特征映射相結(jié)合來克服這個問題。對于圖像數(shù)據(jù)而言，領(lǐng)域像素間存在著較強(qiáng)的相關(guān)性。為了獲得更加有意義的圖像分割，本文提出了多尺度的、具有空間自適應(yīng)性的模糊自組織特征映射網(wǎng)絡(luò)(MSFSOM)對腦組織磁共振圖像進(jìn)行分割，此方法考慮了像素間的空間關(guān)系，并