（模式识别与智能系统专业论文）支持向量机及其在医学图像分割中的应用.pdf

华 中 科 技 大 学 博 士 学 位 论 文 摘要 医学图 像分割始终是医学图 像处理中 重要的也是非常困 难的研究课题。 传统的模 式分类方法以经验风险最小化为归纳原则， 只有当训练样本数趋于无穷时， 其性能才 能达到理论上的最优。然而在医学图像分割中，训练样本通常是有限的， 所以传统模 式分类方法通常难以取得很好的结果。 本文借助支持向量机方法在小样本、 非线性及 高 维 特 征 空 间 中 具 有良 好的 分 类 性 能， 针 对 医 学 图 像 分 割 的 特 点 ， 对 支 持向 量 机 方 法 及其在医学图 像分割中的应用进行了 深入地研究， 主要工作包括: 1 、针对在医学图像分割时， 采用交互式方式得到的训练样本数通常是有限的， 以致传统模式分类方法对渐进性的前提条件往往得不到满足。 本文结合医学图像中目 标具有分散的特点， 借助支持向 量机良 好的分类性能， 特别在小样本、 非线性及高维 特征空间中具有较好的推广能力， 将支持向量机方法应用于医学图 像分割。 采用仿真 m r图像进行了 脑组织分类， 相对于神经网络与模糊c均值两种方法， 支持向量机方 法具有较小的时间代价， 优良的分类性能。 并将在不同训练样本数及不同的切片中进 行了对比实验，进一步验证了支持向量机方法在小样本的情况下具有良 好的分类性 育 旨 。 2 、结合磁共振图像中提取的图像特征可用高斯分布较好地近似描述的特点及高 斯核函数在其它领域中成功的应用， 本文在利用支持向量机方法对医学图像进行分割 时， 选择高斯径向基函数作为核函数。 结合支持向量机方法的最优判别函数仅仅与支 持向量有关， 并且支持向量为高斯核中心的特点， 提出了一种利用支持向量求取高斯 核函数参数的有效方法，解决了高斯核函数参数在实际使用中不易确定的问题。 3 、研究了纹理与灰度组合以及区域象素灰度两组图像特征。在提取纹理与灰度 组合特征时， 将由灰度共生矩阵提取的6 种纹理统计特征( 对比 度、 相关性、和均值、 和方差、 和嫡、差墒) 及3 种灰度特征 ( 象素灰度， 象素灰度的中值滤波值及平均值) 作为医学图像脑组织分类时纹理与灰度组合的图像特征。 在提取区域象素的灰度特征 时， 除了象素本身的灰度， 还提取了该象素邻域内 所有象素的灰度。 针对使用方形窗 口区域的不足， 结合医学图像中各种分割目 标之间具有相对光滑的特点， 提出了一种 基于圆形区域象素灰度特征的提取方法， 该组特征具有优良的分类性能， 较小的计算 代价。 4 、针对传统支持向量机方法中存在对噪声或野值敏感的问题，依据特征空间中 华 中 科 技 大 学 博 士 学 位 论 文 样本之间的紧密度， 提出了一种基于紧密度的模糊支持向量机方法。 在确定样本的隶 属度时，不仅考虑了样本与类中心之间的关系， 还考虑了各个样本之间的紧密度，并 提出 一种利用包围同一类中样本的 最小球半径来度量样本之间紧密度的方法， 对分布 在半径内与外的样本分别采用两种不同的方式计算其各自 样本的隶属度， 有利于将野 值或含噪声样本与有效样本进行区分。 仿真图像的实验结果表明， 与传统支持向 量机 方法及基于线性距离与基于s 型函数的两种模糊支持向量机方法相比， 基于紧密度的 模糊支持向量机方法具有更好的抗噪性能及分类能力。 5 、针对传统支持向量机方法不提供后验概率输出的问题，结合医学图像分类时 不确定性的特点，提出一种对传统支持向量机方法进行输出概率建模的直接拟合方 法。 在该方法中， 从信息嫡的 角度， 提出了一种确定该拟合模型参数的最大墒拟合准 则。 在多类分类问 题输出概率建模中， 提出了加权近似方法与直接求解方法两种输出 概率建模方法，在这两种方法中，在对多个两类支持向量机的概率输出进行组合时， 充分考虑了各个两类支持向量机的差异， 并分别提供了不同的权系数。 仿真图像的实 验结 果表明， 本文 提出 的 直接 求 解方 法与近似方法及p a i r w i s e c o u p l i n g 方 法相比 ， 不 仅具有较好的分类性能，而且得到的后验概率具有较好的概率分布形态。 6 、 针对 支 持向 量 机在 大 规 模样 本 学习 时， 学习 速 度 慢， 需 要 存 储空 间 大等问 题， 提出了一种将支持向量机方法与c 均值方法结合的s v m - c m方法。在该方法中，先采 用c 均值方法对训练样本集进行聚类， 然后依据聚类域中样本的 类型特点确定样本的 约简方式。仿真图 像数据实验结果表明，s v m - c m 方法提高了支持向 量机的学习速度， 同时支持向量机的分类精度几乎没有降低，表现出较好的样本约简性能。 7 , 采用基于紧密度的模糊支持向量机及输出概率建模方法对两个m r 图像实例分 别进行了正常脑组织分类及脑肿瘤组织的分类与提取。首先对 m r实例图像进行剔除 非脑组织处理， 然后对正常脑组织或脑肿瘤组织进行分类与提取， 并由医生对分类结 果采用主观评估方法进行评价。 在对脑肿瘤进行提取时， 将由 基于紧密度的模糊支持 向 量机及输出概率建模方法提取出的脑肿瘤区域与由 医生参考对应切片的t 2 加权m r 图像， 在原始切片上勾画的脑肿瘤区域进行对比， 通过观察和对比， 相对于模糊c 均 值及传统支持向 量机方法， 采用基于紧密度的模糊支持向量机及输出 概率建模方法提 取的脑肿瘤区域与专家手工勾画的脑肿瘤区域比较接近，获得了较好的结果。 关键词:医学图 像分割，支持向量机，分类器，磁共振图像，隶属度，概率建模， 特征提取，核函数 华 中 科 技 大 学 博 士 学 位 论 文 a b s t r a c t m e d i c a l i m a g e s e g m e n t a ti o n i s a n i m p o rt a n t a n d d i f f i c u l t i s s u e 认m e d i c a l i m a g e p r o c e s s i n g . t h e p e r f o r m a n c e o f t r a d i t i o n a l p a tt e rn c l a s s if ic a ti o n m e t h o d s , w h ic h a r e b a s e d o n t h e p r in c i p l e o f e x p e r i e n ti a l r i s k m i n i m i z a t i o n , a c h i e v e t h e b e s t , o n l y w h e n t h e n u m b e r o f t r a i n i n g s a m p l e s a p p r o a c h e s i n f i n i t y . u n f o rt u n a t e l y , t h e n u m b e r o f t r a i n i n g s a m p l e s i s a c t u a ll y l i m i t e d a n d t h e d a t a d i m e n s i o n i s h i g h t h u s t h e p e r f o r m a n c e o f t r a d i t i o n a l p a t t e rn c l a s s i f i c a t i o n a l g o r i t h m s i s d e t e r i o r a t e d i n m e d i c a l i m a g e s e g m e n t a t i o n . t a k e n i n t o a c c o u n t t h e g o o d g e n e r a l i z a t i o n o f s u p p o rt v e c t o r m a c h i n e i n s m a ll s a m p l e s , n o n l i n e a r i t y a n d h i g h d i m e n s i o n s p a c e a n d f e a t u r e s o f m e d i c a l i m a g e s , t h i s d i s s e rt a t i o n d e e p l y s t u d i e s s u p p o rt v e c t o r m a c h i n e m e t h o d s a n d t h e i r a p p l i c a t i o n i n m e d i c a l i m a g e s e g m e n t a ti o n . t h e m a i n c o n t r i b u t i o n s o f t h i s t h e s i s a r e g i v e n b e l o w . 1 . f o r t h e n u m b e r e d s a m p l e s b y t h e i n t e r a c t i v e m o d e i n m e d i c a l i m a g e s e g m e n t a t i o n , t h e p r e c o n d i t i o n o f i n f i n i t y f o r t r a d i ti o n a l p a tt e rn c l a s s i f i c a t i o n m e t h o d s c a n n o t b e s a t i s f i e d . g i v e n t h e a d v a n t a g e s o f t h e g o o d g e n e r a l i z a t i o n f o r s u p p o rt v e c t o r m a c h i n e in t h e s m a ll - s a m p l e , a n d t h e d i s p e r s e f e a t u r e o f t h e s e g m e n t e d o b j e c t s i n m e d i c a l i m a g e s , s u p p o rt v e c t o r m a c h i n e i s u s e d t o p e r f o r m s e g m e n t a t i o n o f m e d i c a l i m a g e s . t h e b r a i n t i s s u e s a r e c l a s s i f i e d f r o m t h e s t i m u l a n t m r i m a g e s . e x p e r i m e n t r e s u l t s s h o w t h a t t h e s v m c l a s s i fi e r。 丘 e r s l o w e r c o m p u t a t i o n a l t i m e a n d b e t t e r c l a s s i f i c a t i o n p re c i s i o n t h a n t h e $ p a n d t h e f c m m e t h o d s . t h e c o m p a r a t i v e e x p e r i m e n t s a r e m a d e u s i n g t h e d if f e r e n t n u m b e r o f t r a i n i n g s a m p l e s a n d t h e d i f f e re n t s c a n s , a n d i t c o n f i r m s t h a t s v m m e t h o d h o l d s t h e b e t t e r c l a s s i fi c a ti o n a b i l i t y i n t h e s m a l l - s a m p l e 2 . c o n s i d e r i n g t h a t t h e i m a g e f e a t u r e s e x t r a c t e d f r o m t h e m e d i c a l i m a g e s c a n b e w e ll c h a r a c t e r i z e d b y t h e g a u s s i a n f u n c ti o n , a n d t h e s u c c e s s f u l a p p l i c a t i o n s o f t h e g a u s s i a n f u n c t i o n i n o t h e r f i e l d s , w e c h o o s e t h e g a u s s i a n f u n c ti o n a s t h e k e rn e l f o r s e g m e n t a t i o n i n m e d i c a l i m a g e s . f u rt h e r m o r e , g i v e n t h e f a c t th a t t h e o p t i m a l d i s c r i m i n a t i v e . f u n c t i o n i s d e t e r m i n e d b y t h e s u p p o rt v e c t o r s , a n d t h e s u p p o r t v e c t o r s a r e c e n t e r e d a s t h e g a u s s i a n f u n c ti o n , w e p u t f o r w a r d a n e f f e c t i v e a l g o r i t h m w h i c h p r o v i d e s t h e p a r a m e t e r o f g a u s s i a n k e rn e l u s i n g s u p p o r t v e c t o r s , a n d i t s o l v e s a d i f f i c u l t p r o b l e m f o r t h e p a r a m e t e r o f g a u s s i a n k e rn e l i n a p p l i c a ti o n 3 . t w o g r o u p s o # i m a g e f e a t u r e s , t h e c o m b i n e d f e a t u r e s b o t h t e x t u r e s a n d g r a y f e a t u r e s , a n d g r a y l e v e l f e a t u r e s b a s e d o n w i n d o w r e g i o n , a r e s t u d i e d . 6 t e x t u r e s s t a t i s t i c s f e a t u r e s b a s e d o n t h e c o - o c c u r r e n c e m a t r i x o f g r a y l e v e l ( n a m e l y , c o n t r a s t , c o r r e l a t i o n , s u m a v e r a g e , s u m v a r i a n c e , s u m 华 中 科 技 大 学 博 士 学 位 论 文 e n t r o p y a n d d i ff e r e n c e e n t r o p y ) a n d 3 g r a y f e a t u r e s伪 a m e l y , t h e p i x e l i n t e n s i t y , t h e m e d i a n f i l t e r i n t e n s i t y a n d t h e a v e r a g e i n t e n s i t y o f w i n d o w s i z e o f e a c h p i x e l ) a r e c h o s e n a s t h e i m a g e c o m b i n e d f e a t u r e s b o t h t e x t u r e a n d g r a y i n t h e b r a i n t i s s u e s c l a s s i f i c a t i o n . t h e g r a y l e v e l v a l u e s o f t h e p i x e l s a n d t h e p i x e l i n t e n s i t i e s i n t h e n e i g h b o r h o o d a r e u s e d f o r g r a y l e v e l f e a t u r e s e x tr a c t i o n . t a k i n g i n t o a c c o u n t t h e d i s a d v a n t a g e a b o u t t h e s q u a re w i n d o w r e g i o n i n e x t r a c t i n g t h e g r a y l e v e l f e a t u r e s , a n d t h e s l i c k s u r f a c e a m o n g t h e s e g m e n t e d o b j e c t s i n m e d i c a l i m a g e s , w e d e s i g n a n e w m e t h o d f o r e x t r a c t i n g t h e g r a y l e v e l f e a t u r e s b a s e d o n t h e c i r c l e w i n d o w r e g i o n . t h e g r a y l e v e l f e a t u r e s o w n t h e b e t t e r c l a s s i f i c a t i o n a b i l i t y a n d t h e l o w e r t i m e . 4 . s i n c e s v m i s v e r y s e n s i t i v e t o o u t l i e r s a n d n o i s e s i n t h e t r a i n i n g s e t a n d t h e f u z z y f e a t u r e e x i s t s i n m e d i c a l i m a g e s , w e h e r e b y s t u d i e d f u z z y s u p p o rt v e c t o r m a c h i n e b a s e d o n t h e a f f i n i t y a m o n g s a m p l e s . t h e f u z z y m e m b e r s h i p i s d e f i n e d b y n o t o n l y t h e re l a t i o n b e t w e e n a s a m p l e a n d i t s c l u s t e r c e n t e r , b u t a l s o t h e a f f i n i t y a m o n g s a m p l e s . a m e t h o d d e f i n i n g t h e a f f in i t y a m o n g s a m p l e s i s p ro p o s e d u s i n g a s p h e r e w i t h m i n i m u m v o l u m e w h i l e c o n t a i n i n g m a x i m u m o f t h e s a m p l e s . t h e n , t h e f u z z y m e m b e r s h i p i s d e f i n e d a c c o r d i n g t o t h e p o s i t i o n o f s a m p l e s i n s p h e r e s p a c e , w h i c h d i s t i n g u i s h e d b e t w e e n t h e v a l i d s a m p l e s a n d t h e o u t l i e r s o r n o i s e s . t h e s t i m u l a n t e x p e r i m e n t r e s u l t s s h o w t h a t t h e f u z z y s u p p o r t v e c t o r m a c h i n e b a s e d o n t h e a f f i n i t y a m o n g s a m p l e s i s m o r e r o b u s t t h a n t h e t r a d i t i o n a l s u p p o rt v e c t o r m a c h i n e , t w o f u z z y s u p p o rt v e c t o r m a c h i n e s b a s e d o n t h e d i s t a n c e o f t h e l i n e a r a n d t h e s i g m o i d f u n c t i o n . 5 . s t a n d a r d s v m d o e s n o t p r o v i d e p r o b a b i l i t i e s o u t p u t , w h e r e a s t h e f e a t u r e o f i n d e t e r m i n a t i o n o f c l a s s i f i c a t i o n r e s u l t s d o e s e x i s t i n m e d i c a l i m a g e s e g m e n t a t i o n . w e c o n s t r u c t e d a d ir e c t l y f i t t i n g m e t h o d t o p r o v i d e t h e p r o b a b i li t y o u t p u t . a f i t t i n g r u l e b a s e d o n t h e m a x i m u m e n t r o p y i s s t u d i e d f o r tr a i n i n g t h e p a r a m e t e r s o f p r o b a b i l i t y f u n c t i o n s i n t h i s m e t h o d . t w o m e t h o d s f o r p r o b a b i l i t y o u t p u t o f s v m i n t h e m u l t i - c l a s s c a s e , n a m e l y t h e w e i g h t e d a p p r o x i m a t e m e t h o d a n d t h e d i r e c t l y s o l v i n g m e t h o d , a r e p r e s e n t e d r e s p e c t i v e l y . t h e d i ff e re n c e s a n d d i ff e r e n t w e i g h t s a m o n g t h e t w o - c l a s s s v m s a r e c o n s i d e r e d a n d g i v e n f o r t h e c o m b i n a t i o n o f t h e p r o b a b i l i t y o u t p u t s i n t h e t w o m e t h o d s . t h e s t i m u l a n t e x p e r i m e n t r e s u l t s s h o w t h a t t h e d i r e c t l y s o l v i n g m e t h o d a c h i e v e s t h e b e t t e r c l a s s i f i c a t i o n a b i li t y a n d t h e b e t t e r p r o b a b i l i t y d i s t r i b u t i o n o f t h e p o s t e r i o r p r o b a b i l i t y t h a n t h e a p p r o x i m a t e m e t h o d a n d t h e p a i r w i s e c o u p l i n g m e t h o d . 6 . g i v e n t h e s l o w t r a i n i n g s p e e d a n d l a r g e s t o r a g e s p a c e f o r s u p p o rt v e c t o r m a c h i n e , a s v m - c m m e t h o d i n w h i c h t h e c - m e a n m e t h o d i s i n c o r p o r a t e d w i t h t h e s v m m e t h o d , i s s t u d i e d . f i r s t , t h e t r a i n i n g s a m p l e s a r e c l u s t e r e d u s i n g t h e c - m e a n m e t h o d . t h e n , t h e r e d u c e d m o d e o f s a m p l e s i s d e f i n e d a c c o r d in g t o t h e f e a t u r e o f s a m p l e s i n t h e c l u s t e r s . t h e s t i m u l a n t e x p e r i m e n t r e s u l t s s h o w t h a t t h e s v m- c m m e t h o d i m p r o v e s t h e t r a i n i n g s p e e d o f s v m, m e a n w h i l e , a l m o s t c o m p l e t e l y p r e s e r v e s t h e n 华 中 科 技 大 学 博 士 学 位 论 文 c l a s s i f i c a t i o n a c c u r a c y . 7 . b y t h e f u z z y s u p p o rt v e c t o r m a c h i n e b a s e d o n t h e a f f i n i t y a m o n g s a m p l e s a n d t h e p r o b a b i l i t i e s o u t p u t , t h e n o r m a l b r a i n t i s s u e s a n d t u m o r s a r e c l a s s i f i e d a n d e x t r a c t e d f r o m t w o r e a l m r i m a g e s ; r e s p e c t i v e l y . f i r s t l y , t h e n o n - b r a i n t i s s u e s a r e r e m o v e d f r o m t h e r e a l m r i m a g e s . s e c o n d l y , t h e c l a s s i f i c a t i o n a n d e x t r a c t i o n o f n o r m a l b r a i n t i s s u e s a n d t u m o r s a r e i m p l e m e n t e d . f i n a l l y , t h e r e s u l t s a r e s u b j e c t i v e l y e v a l u a t e d b y a d o c t o r . t h e r e g i o n o f t u m o r e x t r a c t e d f r o m t h e r e a l m r i m a g e s a r e c o m p a r e d w i t h t h o s e s k e t c h e d b y a d o c t o r o n t h e r a w m r i m a g e a c c o r d i n g t o t h e c o r r e s p o n d i n g 7 2 i m a g e . t h e r e a l e x p e r i m e n t re s u l t s s h o w t h a t s u c h t w o r e s u l t s a r e v e ry c l o s e . k e y w o r d s : m e d i c a l i m a g e s e g m e n t a t i o n , s u p p o rt v e c t o r m a c h i n e , c l a s s i f i e r , m a g n e t i c r e s o n a n c e i m a g i n g , f u z z y m e m b e r s h ip , p r o b a b i li t y m o d e l i n g , f e a t u re e x t r a c ti o n , k e rn e l f u n c t io n 独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工 作及取得的研究成果。 尽我所知，除文中已 经标昵引用的内容外， 本论 文 不 包 含 传何其他 个 人或 集 体己 经 发 表或撰写 过的 研 究 成 果。 对 本 文的 研究做出 贡献的个人和集体，均已在文中以明 确方式标明 识到本声明的法律结果由本人承担。 学位论文作者签名 。本人完全意 : 7 f 日 期 : z mi 年 于月 夕日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即: 学校有权保留并向国 家有关部门或机构送交论文的复印 件和电子版，允许 论文被查阅和借阅。本人授权华中科技大学可以 将本学位论文的 全部或部 分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段 保存和汇编本学位论文。 本论文属于 保密口，在_年解密后适用本授权书。 不保密必o ( 请在以上方框内打 “j ) 学 位 论 文 作 者 签 名 : 粼 日 期: w e d 年犷月7 日 指导教师签名: 国金 雳 火 日 期 ; x -lf-年 少 月 尸日 华 中 科 技 大 学 博 士 学 位 论 文 1绪 论 1 . 1引言 医学图像包括 c t 、正电子放射层析成像技术 ( p e t ) 、单光子辐射断层摄像 ( s p e l t ) 、磁共振成 像 ( m r ) 、 超声 ( u l t r a s o u n d ) 及 其它医 学影像设备所获得的图 像。由于医学图 像处理与实际 应用紧密结合的 特点及影像医学在临床医学的成功应 用， 世界上不少国 家在这一领域投入了 大量的人力和财力进行研究开 发， 并且取得了 一 定 的 成功。 图 像 分 割 在 影 像 医 学中 发 挥 着 越 来 越大 的 作 用 i 3。 图 像 分 割 是 提 取影像 图像中特殊组织的定量信息所不可缺少的手段， 同时也是可视化实现的预处理步骤和 前提。 分割后的图 像被广泛地 应用于各种场合， 如组织容积的 定量分析， 病变组织的 定位及诊断， 解剖结构的 学习， 治 疗规划， 功能成像数据的局部体效应校正和计算机 指 导 手 术 等 2 l 医学图像分割到今天仍然没有获得很好的解决， 一个重要的原因是医学图像的复 杂性和多样性。由 于组织本身的特性差异， 而且医学图 像的形 成受到诸如噪音、 场偏 移效应、局部体效应和组织运动等的影响， 医学图像与普通图 像比较， 不可避免地具 有模糊、 不均匀性等特点。 另 外， 人体 解剖组织结构 和形状的复杂， 人与人之间有相 当 大的 差别， 这些 都给 医 学图 像分割带 来了 困 难(3 ) 。 传 统的 分割 技术， 如单一的 分割 方法， 或基于单一的 特征信息 进行分割， 都很难获得好的分割效果。 临床应用 对医学 图像分割的准确度和分 类算法的速度要求又较高， 医学图 像分割算法的研究仍然是医 学图 像处理中的一个非常重要的研究课题。 图像分割是图像处理、 图像分析和计算机 视觉等领域最经典的 研究课题之一， 也是最大的难点之一。 利用图像单一特征的分割算法往往难以取得令人满意的分割结果， 因而人们在致 力于将新的概念， 新的 方法引入图像分割领域的同时， 更加重视多种特征的融合、多 谱图像分析的有效结合。 近几年来提出的方法， 大多数是结合了多种特征， 提取何种 特征， 采取什么样的 结 合方式， 才能 充分利用多种特征提供的 信息， 取得好的 效果成 为人们关注的问题。 然而，目 前的分割方法在对待高维特征，小 样本等方面很难获得 好的效果，或者由于具有较差的推广能力，或者存在学习速度慢、 难以收敛的缺点， 导致无法进行分割。 因为 现有学习方法也多是基于样本数日 趋于无穷大时的渐近理论 假设， 但在实际问题中，样本数目 往往是有限的，因此一些理论上很优秀的学习方法 ， 冲 内 ， . ， ， ， ， ， ， ， ， 网 曰 . 曰 曰 曰 . . . . 目 巨 巨 ， ， ， ， 1 华 中 科 技 大 学 博 士 学 位 论 文 在实际应用中的表现却可能不尽人意。支持向量机方法是建立在统计学习理论的v c 维理论和结构风险最小原理基础上的， 根据有限的样本信息在模型的复杂性和学习能 力之间寻求最佳折衷，以期获得最好的推广能 力。 支持向 量机方法被看作是对传统分 类器的一个好的发展，特别是在小样本、高维、非线性数据空间下，在学习过程中可 以充分利用多种特征提供的信息，具有较好的推广能力。 尽管支持向量机方法具有较好的推广能力， 由于在构造最优分类面时所有的样本 具有相同的作用，当训练样本中含有噪声或野值样本时， 导致获得的分类面不是真正 的最优分类面。 另一方面， 传统的支持向量机方法不提供后验概率的输出， 在研究样 本点分类时，只考虑两个极端情况，即属于某一类的概率为1 ， 或者不属于某一类的 概率为1 。 而医学图 像具有模糊性， 不同区 域之间 难以 有清晰的 边界， 导致一些样本 不能准确地确定其类别， 即表现为样本具有不精确性与分类的不确定性的特点。 因此， 本论文主要在以 下方面进行研究:一方面， 充分利用医学图 像各种特征的 综合信息， 借助支持向量机良 好的分类性能 特别在小样本、 非线性及高维特征空间中具有较好 的 推广能力， 将支持向量机应用于医学图像的分割。 另一方面， 针对医学图 像具有模 糊性的特点， 对传统支持向 量机进行重新构造， 构建模糊支持向 量机方法， 对支持向 量机进行输出 概率建模。 该项研究对一些重要的组织、 结构及特殊的病变组织或肿瘤 进行分割与提取， 对组织容积的定量分析， 病变组织的定位及诊断， 解剖结构的学习， 治疗规划及计算机指导手术等具有重要的意义。 1 . 2医学图像分割研究现状 1 . 2 . 1医学m r 图像特点 核磁共振现象是1 9 4 5 年分别由 美国理论物理学家e . m .p u r c e l l 和f . b l o c h 发现的， 它是核磁矩在静磁场中与电 磁辐射相互作用的现象。 1 9 7 2 年x - c t出现后， 美国 化学 家p . c . l a u t e r b u r 提出了核磁共振成像的思想和方法，1 9 7 8 年英国e mi 公司成功地获 得了第一张人体头部的n mr断层图像， 并制造出第一台n m r - c t 机。自 此 核磁共 振成像技术成了医学成像的一门新的技术。 核磁共振成像是根据生物体磁性核( 氢核) 在磁场中的 表现特性成像的高 新技术。 它不但能 提供物体的 解剖学 特征， 而且还能反 映核和周围结构间的相互作用信息， 能反映机体器官的代谢功能及其生理、生化的状 态，因而是一种全新的成像技术。 与 其它医 学图 像相比 ， m r图 像具有非常明 显的 优点 4 ) ， 具 体 表 现在: m r图 华 中 科 技 大 学 博 士 学 位 论 文 像对人体软组织如脑组织比其它成像形式如ct 具有更高的分辨率; 磁共振图像与 其它形式的图像相比具有成像方式多参数、 多样性的 特点。 通过选择不同的重复脉冲 时 间 ( t r ) ;回 波延迟时间 ( t e ) ， 就可以 获取不同的 纵向 弛 豫时 间( t l ) 、 横向 弛豫时 间( 7 2 ) 及质子密 度( p d ) 的 加权图 像。 m r 图 像的 这种多 谱 特 性 在临 床和生 命 科学的 研究中具有非常重要的价值。 om r成像是唯一一种对脑组织即 可以 进行结构成像也 可以进行功能性成像的医学图像成像形式。 mr图像不仅广泛应用于临床， 而且在大 脑的功能性研究方面也具有十分重要的应用价值。.mr成像对人体无辐射性伤害。 因此，m r图像在临床上和医学科学研究中的应用范围之广是其它成像形式所不能比 拟的。对mr图像进行分割应用研究，更具代表性和临床实用价值。 1 . 2 . 2常用的医学图像分割方法 医学图像分割的研究多年来一直受到人们的高度重视， 分割算法也层出不穷， 对 于医学图像分割算法的 分类依据也不统一。 多数图像分割技术归 根到 底不是基于区域 的 就是基于边缘的 5 -6 。 基于区 域的图 像分 割技术强调的 是同 一 对象内 部 特征的相似 性， 这类分割算法的目的是按照解剖的或功能的角色把这些区域进行划分。 基于边缘 的图像分割技术强调的是不同 对象间 特征的不连续性， 这类分割算法的目 的是正确地 划分这些区域的分界线。 ( 1 ) 基于区域的分割方法 闽值法 闺值法根据整幅图像的整体信息 ( 如该幅图像的灰度直方图) 或根据图像的局部 信息来选择一个或几个灰度门限， 从而把该图像分割成目 标与背景或多个目 标与背景 的区域。 闽值法的核心是如何合理的选择门限。 为此己做了大量的研究工作。 最普遍、 最简单的方法是利用灰度直方图求双峰 ( 目 标与背景类图像) 或多峰 ( 多目 标图像) 的谷底作为门限。但是，并不是所有待分割的图像都具有明 显的 双峰或多峰直方图。 在这情况下， 又提出了 许多其它确定门限 值的改进方法， 如基于过渡区的 方法闭 、利 用 像 素 点 空 间 位 置 信 息 的 变 化 阐 值 法 8 结 合 连 通 信 息 的 闽 值 方 法 19 。 对 于 没 有 复 杂 背景、背景与物体对比 清晰的图像，阐值法是一种快速而有效的方法。 它的缺点是对 噪声比 较敏感， 在含有强噪声干扰时，闽 值法不能取得令人满意的分割结果。 至今仍 有不 少学者针对该问 题 进行深 入的 研究， 提出了 许多新 方 法。 如t .p u n 在文献 仁 1 叨中 提出基于最大嫡原则选择闷值是最重要的方法之一。 这种方法的目的在于将图像的灰 度直方图分成两个或多个独立的类， 使得各类墒的总值最大， 从信息论角度来说就是 使 这 样 选 择闽 值 获 得的 信 息 量 最大。 j .n .k a p u : 等 人 进一 步 发 展了 这种 方 法 1 1 1 , p y a h o o - 一 一一一一一一 3 华 中 科 技 大 学 博 士 学 位 论 文 等 人 提出 了 用r e n 如 嫡 代 替 常 规 嫡的 最 大 嫡 原 则 1 2 1 。 j u i