模式识别报告-基于cv-svm的医学图像分割

《模式识别报告-基于cv-svm的医学图像分割》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于CV-SVM的医学图像分割摘要：随着计算机成像技术的不断完善，医学图像在疾病判别中发挥着越来越重耍的作用。近年来，针对医学图像尤其是脑部医学图像的研究，成为一门新兴学科。核磁共振脑图像屮的肿瘤识别及提取是医学图像处理屮的难点，本文主要使用改进的支持向量机方法研究肿瘤化组织的G动检测和提取，以提高工作效率和疾病诊断的准确率。受脑图像复杂程度的限制，单独应用支持向量机和cv模型水平集方法都无法准确有效的将脑肿瘤分割出来，木文提出了一种cv模型和支持h'd量机结合的CV-SVM方法。该方法在脑部图像四分类(背景、

2、脑脊液、白质和灰质)中具冇良好的分割效果，能够在相似灰度区域中提取出肿瘤化组织图像特征，便于进行脑瘤医学诊断，具宥应用价值。关键字：支持向量机、CV、医学图像分割Abstract:ThisworkispresentKeywords:SVM、CV、medicalimagesegmentation1.研究背景与目的近20年来，医学影像已成为医学技术中发展最快的领域之一，其结果使临床医生对人体内部病变部位的观察更直接、更清晰，确诊率也更高。20世纪70年代初，X-CT的发明曾引发了医学影像领域的一场革命，与此同吋，核

3、磁共振成像(MRLMagneticResonanceImaging)＞超声成像、数字射线照相术、发射型计算机成像和核素成像等也逐步发展。计算机和医学图像处理技术作为这些成像技术的发展基础，带动着现代医学诊断正产生着深刻的变革。各种新的医学成像方法的临床应用，使医学诊断和治疗技术取得了很人的进展，同时将各种成像技术得到的信息进行互补，也为临床诊断及生物医学研究提供了有力的科学依据。在目前的影像医疗诊断屮，主要是通过观察一组二维切片图象去发现病变体，往往需要借助医生的经验来判定。至于准确地确定病变体的空间位置、大小

4、、儿何形状及与周围生物组织的空间关系，仅通过观察二维切片图象是很难实现的。因此，利用计算机图象处理技术对二维切片图象进行分析和处理，实现对人体器官、软组织和病变体的分割提取、三维重建和三维显示，可以辅助医生对病变体及Jt•它感兴趣的区域进行定性甚至定量的分析，可以大大提高IK疗诊断的准确性和可靠性。此外，它在医疗教学、手术规划、手术仿真及各种医学研究中也能起重要的辅助作用。CT/MR超声等医卞影像=>图像格式转化=>二维滤波图像插值体绘制S准融合<=分荆归类三维滤波图1三维可视化大体步骤医学阁像的三维可视化的方

5、法很多，但基本步骤大体相同，如阁1。从CTM/R或超声等成像系统获得二维断层图像，然后需要将图像格式转化成计算机方便处理的格式。通过二维滤波，减少图像的噪声影响，提高信噪比和消除图像的尾迹。采取图像插值方法，对医学关键部位进行各性处理，获得体数据。经过三维滤波G，不同组织器官需要进行分割和归类，对同一部位的不同图像进行配准和融合，以利于进一步对某感兴趣部位的操作。根据不同的三维可视化要求和系统平台的能力，选择不同的方法进行三维体绘制，实现三维重构。最重要的环节便是医学图像分割。理想的图像分割技术能将医学图像屮各

6、个部位和组织完整的分离开来，使得医学影像的成像结果更加直观，也使病变部位的识别判断更加准确。现宥的图像分割技术，无论是单一的分割方法，还是基于单一的特征倍息进行分割的方法，在对分割精确度和效率要求较高的临床医学领域都难以取得令人满意的分割效果，因而人们开始寻找新的概念和方法并将其引入图像分割领域。近几年来提出了几种新方法，其屮基于多特征融合和多谱图像分析相结合的方法应用最为广泛，然而，这些方法多数是基于渐近假设理论发展而来的，且都默认样本数目趋于无穷大，但实际问题中样木数目往往是宥限的，所以它们在很多方而都出现

7、了问题，有些推广能力较差，冇些学习速度较慢，还有些难以收敛，在高维度特征和小样本学习方面都难以取得良好的效果，无法进行分割。力了解决上述问题，支持向量机(S叩portVectorMachine，SVM)方法应运而生。支持向量机理论最初就是基于样木线性可分时的最优分类超平面理论发展起来的，它的主耍目的是寻找一个规则能把Rii空间内的样本点分成两部分，这个规则就是能使阿类样本离超平面的距离最大化的最优分类超平面。最优分类面的口的就是能将两类样木正确分开且使分类间隔最大，这实际上也是对推广能力的控制，是SVM的核心思

8、想之一。SVM是以统计学＞』理论为基础发展起来的一种新的模式识别分类方法，依据Vapnic结构风险最小化原则和VC维理论在小样本、高维度、非线性和局部极小点数据空间中获得了良好的推广能力，被看作是对传统分类器的发展。尽管支持向量机在图像分割方面获符了较好的分类效果，但在图像屮提取的分类样本中含冇噪声或野值样本吋，可能在构造最优分类面吋出现偏差，得到的结果并不是真正的最优分类面，导致分类