一、监督FCM分割MRI颅脑组织探讨（论文文献综述）
范学武[1]（2021）在《DICOM格式CT图像分割技术在脑出血影像检查中的应用研究》文中研究指明
杨阳[2]（2020）在《基于模糊C-均值聚类算法对MRI图像分割的研究》文中研究指明脑部MRI图像分割是基于MRI和一定标准下的相似性,将脑部MRI中相似度大的像素划分为相同的组织类,反之划分成不同的组织类。临床医学上脑部MRI图像因其独特的成像方式使图像本身具有不确定性和模糊性,而脑部组织结构的高度复杂性又给图像分割增加了难度,如何精确有效地分割脑部MRI以提高临床诊断和辅助治疗效率是研究的重中之重。基于模糊理论的FCM算法目前是最适用于脑部MRI分割的方法之一,已获得众多研究人员对FCM算法进行研究与改进。基于此,本文做了以下研究:（1）对传统FCM算法及利用图像的空间信息的改进算法进行了研究。（2）提出一种基于非局部空间信息的模糊C-均值聚类改进算法。算法首先是对图像进行非局部均值去噪利用了原始图像的非局部空间信息;其次是利用直方图检测出最佳分割类别数;最后是引入一个模糊因子到目标函数中,这个模糊因子完全利用了原始图像的局部空间信息。该算法在图像细节信息和噪声的鲁棒性两者之间找到了平衡点,分割效果图可明显看出算法对含噪图像有较好的分割结果。（3）利用MATLAB工具实现本文所提FSICM算法对含噪脑部MRI的分割测试,并与FCM、KFCM、FCM-S1、FLICM和FCM-NLS算法进行对比。根据F-score评价指标率对算法及实验结果进行评价分析,结果表明,本文所提算法分割含噪量高的脑部MRI图像时,背景分割准确率为99.76%,脑脊液分割准确率为86.5%,脑灰质分割准确率为92.26%,脑白质分割准确率为97.76%,极具准确性和抗噪性。
万春圆[3]（2020）在《基于KPCM优化算法的脑MR图像分割研究》文中指出目的:脑部疾病的预防和诊治是当前医学研究领域的重要方向之一,利用脑影像检查技术定性和定量的分析脑功能,对有效诊断脑疾病有重要的帮助。其中,核磁共振成像（Magnetic Resonance Imaging,MRI）以其无创、低成本的优势而获得广泛应用。然而,由于脑部结构自身复杂性以及MR成像局部边缘模糊、区域灰度不均匀等问题,使得脑MR图像分割一直是研究热点和难点问题。方法:模糊c-均值（Fuzzy C-Means,FCM）聚类算法由于其具有运算速度快,无监督且易实现等特点被广泛地应用于MR图像分割中。然而,该算法没有利用图像中的空间信息,因此我们首先选用基于核函数的概率c-均值（Kernelized Possibilistic C-Means,KPCM）聚类算法作为分割的算法,采用自适应中值滤波滤除图像中的噪声,降低噪声对分割的影响,再采用粒子群优化（Particle Swarm Optimization,PSO）和遗传算法（Genetic Algorithm,GA）相结合的联合优化算法确定图像的初始参数值,从而避免了算法陷入局部极值的危险,提升了算法的分割效率。结果:将优化后的算法应用到三组不同的实验中,分别为人工合成的不同灰度级图像、含有不同噪声等级的模拟人脑MR图像以及真实人脑MR图像。三组实验结果显示,不论是低噪声的图像还是噪声污染严重的图像,和传统模糊聚类算法相比较,论文提出的优化算法具有较好的鲁棒性以及更高的分割精度。结论:论文提出的优化算法能够对图像进行较高质量的分割,不仅对图像中的噪声具有较好的鲁棒性,而且可以使算法快速收敛。提高了算法分割精度的同时也提升了算法的分割效率,对于脑组织的自动分割具有一定的潜在价值。
王岩[4]（2020）在《基于MRI图像的脑肿瘤自动分割算法研究》文中研究说明脑肿瘤是目前较为常见的一种脑部疾病。磁共振成像（Magnetic Resonance Imaging,MRI）平扫及增强检查是脑肿瘤首选的检查方式,能明确肿瘤位置、肿瘤累计范围并帮助判断肿瘤的性质。但是,MRI在成像时会存在偏移场和噪声,使得成像具有不确定性和模糊性。为了对MRI中脑肿瘤进行自动分割,选用模糊C均值（Fuzzy C-means,FCM）算法,其有良好的模糊性和无监督特性,能够完成MRI脑肿瘤的自动分割。FCM算法具有参数少、速度快、准确性高等优点,然而,传统的FCM算法对初始值很敏感,很容易陷入局部最优值。为此,本文先对蜻蜓算法（Dragonfly Algorithm,DA）提出改进,然后使用改进的蜻蜓算法对FCM算法的参数进行优化,最后采用改进FCM算法对MRI脑肿瘤的分割进行研究与应用。本文的主要工作和创新如下:（1）蜻蜓算法分析,并提出其改进算法PVDA（Dragonfly algorithm based on PSO algorithm and variation strategy,PVDA）。为了解决传统DA早熟、收敛慢以及求解精度低的问题,先引入粒子群优化算法（Particle swarm optimization,PSO）,每轮迭代,用最优粒子去替换最差蜻蜓,为DA算法提供优质解,提高寻优精度;然后,对惯性权重进行改良,定义了一种基于非线性权重的更新策略。在寻优过程中,前期以全局寻优为主,寻找到所有的局部极值;在迭代后期,以局部开发为主,寻找到全局最优值。改进策略可以加快收敛的速度,避免陷入局部极值;最后,引入了变异策略,增加种群多样性。用经典的测试函数进行测试,结果表明:PVDA在收敛速度和求解精度方面都比原算法更优,能够跳出局部极值,寻找到全局最优解。（2）基于PVDA算法优化的FCM算法（PVDA＿FCM）。为了改进FCM算法对初始值的敏感问题,避免其陷入局部最优,用PVDA算法对其中的初始聚类中心和模糊加权指数进行优化,实现自动选择初始聚类中心和模糊加权指数,避免因初始化不当,陷入局部最优值。优化结果在UCI数据集上测试,结果表明:PVDA＿FCM在聚类准确度上比对比算法基于PSO优化的FCM算法（PSO＿FCM）和基于蚁群优化的FCM算法（ACO＿FCM）更高,在聚类评价指数上也表现优异。（3）PVDA＿FCM优化算法在MRI脑肿瘤上的应用。为了实现MRI脑肿瘤的自动分割,利用PVDA＿FCM进行聚类分割。仿真结果表明:在直观分割结果上,PVDA＿FCM优化算法分割更准确,边缘分割效果更好;在分割评价指标上,PVDA＿FCM算法比对比算法PSO＿FCM和ACO＿FCM表现更优异。
周航[5]（2020）在《MRI颅部图像血管梗塞识别与分割算法的研究》文中指出脑梗塞,又名脑梗死,指在大脑中由于脑部血液循环障碍,导致脑组织大面积缺血缺氧性坏死。在临床诊断中,通过核磁共振技术MRI确定脑梗塞时,病变组织有形状复杂,大小可变和边界模糊的特点。因此,需要经验丰富的临床技师进行观察和手动标注,常有因为技师不同有不同诊断结果的问题。目前深度学习开始广泛应用于医学图像处理中,用深度学习的方法对脑血管梗赛的病灶位置进行识别和分割,从而代替人工技师。加快临床诊断的速度和减少误诊、漏诊情况的发生。因此研究多尺度目标检测算法和自适应精确分割算法是非常有必要的。本文首先从理论研究和临床实践的意义进行阐明,然后对国内外研究现状做介绍。其次,对本课题的相关知识重点介绍。然后重点阐述本文所提出的算法,包括数学推理、算法操作步骤。最后根据实验结果,做出评价分析。本文主要创新点如下:（1）针对脑部MRI图像检测识别脑梗塞病症的问题,提出Cerebrum R-CNN框架。将2D R-CNN网络扩展到3D医学影像检测,在特征提取网络FE-Net中加入多种残差模块和使用最邻近插值法,特征对齐模块CerebrumRoIAlign加入三线性插值模式和分类单元Softmax3,区域推荐网络CerebrumRPN中使用分类单元Softmax2,对输出RoI区域所属脑部组织进行划分。同时,在边界框预测网络CerebrumBox中使用二次对齐机制来保证输出候选框的准确率。与传统识别等方法相比,本论文提出Cerebrum R-CNN模型对于本实验数据集检测其准确率为86%、召回率为79%、IoU为87.1%。（2）针对脑部MRI图像脑梗塞病症分割的问题,改进、提出自适应分割CerebrumFCM算法。在经典FCM（Fuzzy C-Means）算法基础上,提出邻域局部约束SFFCM算法,更进一步引入量子粒子群和空间转换思想,同时加入局部灰度统计方法,进而提出CerebrumFCM算法。本论文提出的自适应分割CerebrumFCM算法在本实验数据集上Dice系数为84.12%,性能表现超过现有FCM及其改进算法。
贾文娟,王水花,张煜东[6]（2018）在《基于影像的病脑检测方法综述》文中提出脑部疾病严重威胁着人类的健康,而随着计算机技术的发展,CT、MRI、PET-CT等医学图像越来越多地被应用到医疗诊断工作当中,这将计算机可视化技术推向了一个新的高度。脑部疾病的病情各异,有的甚至直接危及生命,因此,脑疾病的早期诊断对疾病治疗具有十分重要的意义。目前,深度学习的火热,及其自动学习特征的优势,使得基于深度学习的计算机辅助医疗诊断成为了研究热点。将简单介绍病脑成像技术,并针对传统的病脑检测方法和基于深度学习的病脑检测方法进行比较、分析和总结,研究其发展现状和趋势,并针对不同的诊断方法对其检测性能等方面进行分析与比较。
谢勇[7]（2017）在《基于FCM聚类算法的人脑MRI图像分割》文中认为磁共振成像（MRI）在脑功能的研究方面有着独特的优势,但脑组织的交织分布以及成像过程中磁场的不均匀性、部分容积效应以及噪声的影响,使得MRI图像的边界模糊不清。图像分割技术可以对医学图像中需要关注的区域进行分割处理,以辅助医生做出准确的诊断。在众多的医学图像分割技术中,模糊C-均值（FCM）聚类分割技术是目前广泛被使用的有效方法。讨论了基于MATLAB平台的医学图像FCM聚类的实现方法。
宋建华[8]（2018）在《基于FCM算法的大脑MR图像分割技术研究》文中提出国家卫计委最新统计结果表明,脑部疾病如脑出血、脑肿瘤、脑梗阻及脑外伤等已成为威胁人民生命健康第一杀手,因此,对于脑部疾病的预防和诊治是当前医学研究领域的重要方向之一。医学影像技术作为非侵入式医学诊断方法获取人体内部组织信息,不仅减轻了患者的痛苦,而且给医生和研究人员带来了很大的方便。其中磁共振成像（Magnetic Resonance Imaging,MRI）具有无电离辐射并且可以用于几乎所有人体器官的检测等优点,得到了广泛的应用,特别是对大脑和脊髓的成像的脑MR图像更具实用价值。在医生的临床诊断过程中,为了检测生理或病理状态的大脑组织容量变化,往往需要对脑MR图像进行精确的组织分割,一般将其分成脑白质、脑灰质和脑脊液等几部分,这样可以定量测量脑组织或病灶的截面面积或体积,来提高医生对患者病情诊断的准确性,并为进一步诊疗方案的制定提供参考依据等。随着近些年医学影像技术的迅速发展,海量的影像数据摆在了医生面前,早前的人工手动分割方法早已无法适应当前的需求,迫切需要利用计算机辅助方式来自动地进行医学图像分割。但脑MR图像在成像过程中由于受到成像设备自身性能、射频场强的不均匀性以及患者体位变化等因素的影响,往往在影像中存在着噪声、灰度的不均匀性以及对比度低等问题,这给精确的脑组织分割带来了干扰。因此,本文着眼于这些问题,以模糊C均值聚类（FCM,Fuzzy C-means Clustering）算法为基础,提出了几种有效的脑MR图像自动分割方案,主要工作从以下几个方面展开:（1）提出了一种在脑MR图像分割过程中的快速鲁棒FCM算法。根据局部邻域内像素的灰度信息,以其灰度中值为基在核空间内计算各个邻近像素偏差值,从而得到每个像素的归一化自适应加权测度,对图像中的脉冲类噪声和高斯噪声均能有效抑制,更好地保护了脑MR图像的细节和边缘信息。同时利用图像的灰度直方图代替图像中的单个像素来进行图像的聚类,在提高含噪图像分割精度的同时相应地也提升了FCM聚类效率。（2）提出了一种无监督的基于脑MR图像局部信息非线性加权的FCM聚类算法。考虑影响空域像素间的测度因素,在模糊聚类的相似性度量中将局部邻域像素间的空间距离信息和灰度信息以非线性加权形式相结合,可以自适应地更准确地描述中心像素及其邻近像素在局部区域中的相互约束关系,从而构造出聚类的目标函数。此外,在聚类的模糊隶属度中也引入局部邻域信息对其加以调整,有助于提高对图像的聚类性能,该算法有效地提高了对MR图像的分割准确率,克服因严重噪声和野值点引起的脑MR图像的退化问题。（3）提出了一种结合脑MR图像局部和非局部信息的FCM聚类算法。利用图像中的每个像素可以找到具有类似邻域配置的一组样本,即具有冗余特征的非局部信息,在高斯核空间中将其作为一个约束项自适应地与含有局部邻域信息的约束项构建新的模糊聚类目标函数,与此同时,脑MR图像的偏移场信息也被耦合至该模型当中。该模型不仅具有较强的抗噪声能力,而且能有效消除偏移场的影响,可实现对存在灰度不均匀性的MR图像中脑组织的准确提取。（4）提出了一种融合Markov随机场模型的FCM聚类算法,解决了脑MR图像中的噪声、灰度不均匀性和低对比度等问题。利用Markov随机场能够有效描述图像的空间相关性这一特性,将局部空域信息结合至距离测度中,构造一个具有邻域约束的约束项,同时设计了一个具有全局特征的非局部正则项,而后将两者有机结合,建立FCM聚类的目标函数。该算法结合图像分割问题的随机性和模糊性特点,合理获取图像的先验知识,一定程度上消除了MR图像中低对比度的影响,同时算法也能够对图像中存在的偏移场进行估计,有效地提高了图像的分割精度。
闫夏[9]（2015）在《免疫聚类算法在MRI颅脑图像分割中应用研究》文中研究说明目前,图像分割技术已经被广泛应用到各个学科和领域,医学图像分割是其中的一个重要应用。对于MRI颅脑图像分割的研究,其重要的临床价值体现在,医生通过MRI扫描获取病人脑部的信息来检测内部组织的病变、损伤和软组织的变异。对脑部图像的分割可以准确、量化的提取出病理生理数据,满足不同的医学研究和临床需要,为临床诊断提供重要的参考。人工免疫算法（AIA）是模拟生物免疫系统的学习、记忆和识别等智能行为而提出的仿生学算法,由于AIA的全局搜索能力较强,是一个鲁棒性强且具有自适应能力的算法,我们提出了基于AIA的MRI颅脑图像分割。虽然AIA具有很好的全局搜索能力,但是没有充分利用算法在进化过程中的反馈信息,常会产生了许多多余的迭代分割,局部搜索能力较差,容易发生早熟现象。由于K-means聚类算法容易实现,且具有较强的局部搜索能力,基于上述考虑,我们将AIA和K-means聚类相结合,提出了基于免疫聚类算法（ICA）的图像分割法,将AIA运用到K-means聚类算法聚类中心的寻找中,目的是既有效克服了K-means聚类对聚类中心的初始值敏感提高了其鲁棒性,又提高了AIA的局部搜索能力。针对现有大部分文献中所用的ICA中,其免疫算子具有的无方向性会减慢ICA的进化速度这一问题,本文引入一种自适应的免疫算法应用于聚类中心的搜索,根据种群中个体亲和度与平均亲和度的大小,来调整交叉概率pc和变异概率pm的数值,对ICA中的pc和pm进行改进,提出了自适应的免疫聚类算法（AICA）,将这三种算法分别用于对MRI颅脑进行分割,仿真结果表明,在对脑白质和脑脊液的分割中,在PR（精确度）上,AICA较AIA精确度提高了0.0825（8.25%）,较ICA提高了0.0355（3.55%）;在FNVF（未分割指标）上,AICA较AIA的未分割率降低了0.0525（5.25%）,较ICA的未分割率降低了0.03（3%）;在FPVF（过分割指标）上,AICA较AIA的过分割率降低了0.00017（0.017%）,较ICA的未分割率降低了0.00004（0.004%）;在TPVF（准确分割指标）上,AICA较AIA的准确率提高了0.0525（5.25%）,较ICA的准确率提高了0.03（3%）;在时间上,AICA较ICA快了199.4s,但较AIA还是运行速度较慢,综上,说明在对MRI颅脑分割时AICA较ICA和AIA具有更高的分割精度和准确度,而且在速度上较ICA也有所提高。
胡长松[10]（2014）在《基于模糊聚类的脑部MRI医学图像分割算法的研究与实现》文中提出现代医学成像技术中的磁共振成像（Magnetic Resonance Imaging,MRI）技术因为它的特点使得其在临床医学方面的应用需求不断地增加。并且由于计算机科学技术的发展使医学图像更加广泛的应用于医学生物研究和临床医学方面。然而,因为脑MRI图像中存在有部容积效应、噪声、灰度不均匀性和对比度低等缺陷,在实际应用中脑MRI图像的精确分割是十分困难的。据此,本文基于基础模糊C均值聚类算法,针对MRI医学图像中存在的一些问题,对算法提出一定的改进,提出了一种基于各向异性滤波的模糊C均值聚类算法、进行了灰度不均匀场的移除工作的研究并且应用到实际脑MRI图像的分割工作中去。本文主要做了以下几方面的工作:（1）结合各向异性滤波去噪的方法提出了提出了一种基于各向异性滤波的模糊C均值聚类算法（PMFCM）。首先在本论文中研究分析基础模糊聚类算法的构成及其主要缺陷,随后研究了现有算法的改进思路,通过引入各向异性滤波方法对图像进行滤波得出的各中心点来代替空间邻域项的构造,不仅使得算法不用每次迭代时都计算其邻域信息使得迭代时速度加快,并且由于采用各向异性滤波处理后的像素作为约束项的计算信息。本文算法可以有效的抵抗待分割图像的噪声,使得分割效果更加可靠,并且利用快速模糊C均值聚类算法思想,使得本文算法的运算效率得到提高。（2）研究了含灰度不均匀场的脑MRI图像的分割策略,并且将其引入到本文所提出的基于各向异性滤波的模糊C均值聚类算法中。使得本文算法可以有效的估计出图像的灰度不均匀场的信息,利用在分割进行的同时估计灰度不均匀场的方法,得到更加清晰的移除灰度不均匀场的分割后图像。（3）研究了基于本文算法的聚类数目的初始化问题。在本文算法对图像进行各向异性滤波的前提下,利用二次差分的方法得到初始聚类中心和聚类数目,进一步加快了本文算法的分割速度。（4）根据本文算法设计并实现了医学图像处理系统图像分割子系统。
二、监督FCM分割MRI颅脑组织探讨（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、监督FCM分割MRI颅脑组织探讨（论文提纲范文）
（2）基于模糊C-均值聚类算法对MRI图像分割的研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 磁共振图像分割常用方法 |
| 1.2.1 基于阈值的分割方法 |
| 1.2.2 基于聚类的分割方法 |
| 1.2.3 基于区域的分割方法 |
| 1.2.4 基于边缘的分割方法 |
| 1.3 本文主要内容及结构 |
| 2 基于模糊C-均值聚类的MRI图像分割概述 |
| 2.1 图像分割概念 |
| 2.2 模糊理论的基础研究 |
| 2.2.1 模糊集合 |
| 2.2.2 隶属度 |
| 2.3 基于模糊C-均值聚类的图像分割概述 |
| 2.3.1 FCM算法 |
| 2.3.2 KFCM算法 |
| 2.4 本章小结 |
| 3 基于局部空间信息的模糊聚类MRI图像分割 |
| 3.1 FCM-S算法 |
| 3.2 FCM-S1算法 |
| 3.3 FLICM算法 |
| 3.4 本章小结 |
| 4 基于非局部空间信息的模糊聚类MRI图像分割 |
| 4.1 FCM-NLS算法 |
| 4.2 FSICM算法 |
| 4.2.1 非局部均值去噪 |
| 4.2.2 一维灰度直方图 |
| 4.2.3 局部模糊因子 |
| 4.2.4 FSICM算法 |
| 4.3 本章小结 |
| 5 实验结果分析研究 |
| 5.1 图像预处理 |
| 5.2 评价指标 |
| 5.3 FSICM算法结果分析 |
| 5.4 其他算法对比分析 |
| 5.4.1 与FCM算法对比分析 |
| 5.4.2 与KFCM算法对比分析 |
| 5.4.3 与FCM-S1算法对比分析 |
| 5.4.4 与FLICM算法对比分析 |
| 5.4.5 与FCM-NLS算法对比分析 |
| 5.4.6 实验结果对比分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 本文工作展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（3）基于KPCM优化算法的脑MR图像分割研究（论文提纲范文）
| 中英文缩略词对照表 |
| 摘要 |
| ABSTRACT |
| 前言 |
| 1.医学图像分割的研究意义 |
| 2.核磁共振成像技术 |
| 3.医学图像分割常用方法 |
| 3.1 基于区域的分割方法 |
| 3.2 基于边缘的分割方法 |
| 3.3 基于模糊聚类的分割方法 |
| 4 研究思路与内容 |
| 材料与研究方法 |
| 1.脑图像分割数据的收集 |
| 2.图像分割的基本概念 |
| 3.基于模糊c-均值图像分割方法研究 |
| 3.1 模糊c-均值聚类算法(FCM) |
| 3.1.1 算法的原理 |
| 3.1.2 算法对图像的分割 |
| 3.2 核模糊c-均值算法(KFCM) |
| 3.2.1 核函数的原理 |
| 3.2.2 核表示及核函数 |
| 3.2.3 算法的原理 |
| 3.3 概率c-均值聚类算法(PCM) |
| 3.4 基于核函数的概率c-均值聚类算法(KPCM) |
| 3.4.1 算法的原理 |
| 3.4.2 算法对图像的分割 |
| 3.5 几种有效的脑MR图像分割算法 |
| 4.基于核函数的概率c-均值聚类算法的改进 |
| 4.1 影响聚类分割的因素 |
| 4.1.1 图像中的噪声 |
| 4.1.2 算法的初始化 |
| 4.2 自适应中值滤波 |
| 4.3 智能优化相关 |
| 4.3.1 粒子群优化算法(PSO) |
| 4.3.2 遗传算法(GA) |
| 4.4 PSO结合GA优化KPCM聚类算法 |
| 5.实验环境 |
| 结果和讨论 |
| 1.图像分割有效性评价指标 |
| 2.不同聚类方法的分割效果 |
| 2.1 人工合成图像的实验 |
| 2.2 模拟脑部MR图像的实验 |
| 2.3 真实脑部MR图像的实验 |
| 结论 |
| 参考文献 |
| 综述 |
| 参考文献 |
| 作者简介及读研期间主要科研成果 |
| 致谢 |
（4）基于MRI图像的脑肿瘤自动分割算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景和意义 |
| 1.2 国内外相关研究现状与发展 |
| 1.2.1 医学图像分割的研究现状 |
| 1.2.2 FCM算法研究现状 |
| 1.3 研究内容和章节安排 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文章节安排 |
| 第二章 基于FCM算法的图像分割 |
| 2.1 脑部磁共振成像简介 |
| 2.2 MRI脑肿瘤图像预处理 |
| 2.2.1 偏移场校正 |
| 2.2.2 直方图均衡化 |
| 2.3 MRI脑肿瘤图像分割方法 |
| 2.4 本章小节 |
| 第三章 蜻蜓优化算法改进与特性分析 |
| 3.1 蜻蜓算法原理与分析 |
| 3.1.1 算法原理 |
| 3.1.2 蜻蜓个体行为及数学描述 |
| 3.1.3 算法缺陷分析 |
| 3.2 蜻蜓优化算法原理与分析 |
| 3.2.1 基于非线性惯性权重和变异策略的粒子蜻蜓算法(PVDA) |
| 3.2.2 非线性惯性权重更新策略 |
| 3.2.3 变异策略 |
| 3.3 典型测试函数仿真及其分析 |
| 3.3.1 测试环境及参数设置 |
| 3.3.2 仿真结果与分析 |
| 3.4 本章小结 |
| 第四章 基于PVDA改进的FCM聚类算法 |
| 4.1 FCM算法分析 |
| 4.1.1 FCM算法执行步骤 |
| 4.1.2 基本FCM算法缺陷分析 |
| 4.2 FCM改进算法原理与分析 |
| 4.2.1 PVDA_FCM算法的提出 |
| 4.2.2 PVDA_FCM算法编解码过程 |
| 4.2.3 PVDA_FCM算法的实现 |
| 4.3 实验分析 |
| 4.3.1 测试函数简介 |
| 4.3.2 聚类评价指标 |
| 4.3.3 仿真结果 |
| 4.4 本章小节 |
| 第五章 PVDA_FCM算法在MRI脑肿瘤图像分割中的应用 |
| 5.1 数据源和实验分析 |
| 5.1.1 数据来源 |
| 5.1.2 仿真环境 |
| 5.2 评价准则 |
| 5.3 图像预处理结果 |
| 5.3.1 偏移场校正处理结果 |
| 5.3.2 直方图均衡化处理结果 |
| 5.4 图像分割实验仿真与分析 |
| 5.4.1 T2WI模态脑肿瘤图像分割结果分析 |
| 5.4.2 T1WI模态脑肿瘤图像分割结果分析 |
| 5.4.3 T1c模态脑肿瘤图像分割结果分析 |
| 5.4.4 FLAIR模态脑肿瘤图像分割结果分析 |
| 5.5 本章小结 |
| 第六章 结论 |
| 6.1 总结 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 攻读硕士学位期间所取得的相关科研成果 |
| 致谢 |
（5）MRI颅部图像血管梗塞识别与分割算法的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 脑部图像识别研究现状 |
| 1.3.2 脑部图像分割研究现状 |
| 1.3.3 存在问题 |
| 1.4 本文主要研究内容 |
| 1.5 论文的组织结构 |
| 第2章 相关知识 |
| 2.1 深度学习(Deep Learning) |
| 2.1.1 人工神经网络 |
| 2.1.2 卷积神经网络 |
| 2.2 图像分割相关知识 |
| 2.2.1 传统的医学图像分割方法 |
| 2.2.2 量子粒子群算法及其优化 |
| 2.2.3 图像分割质量评估 |
| 2.3 图像识别相关知识 |
| 2.3.1 目标检测算法 |
| 2.3.2 特征提取 |
| 2.3.3 图像识别能力评估 |
| 2.4 数据集介绍 |
| 2.5 本章小结 |
| 第3章 基于Cerebrum R-CNN的脑血管梗塞MRI图像识别算法 |
| 3.1 引言 |
| 3.2 Cerebrum R-CNN模型 |
| 3.2.1 特征提取网络Feature Extraction Net |
| 3.2.2 区域推荐网络CerebrumRPN |
| 3.2.3 特征对齐模块CerebrumRoIAlign |
| 3.2.4 边界框预测网络CerebrumBox |
| 3.2.5 掩码预测网络CerebrumMask |
| 3.3 实现细节 |
| 3.3.1 网络结构 |
| 3.3.2 数据预处理 |
| 3.3.3 训练 |
| 3.4 本章小结 |
| 第4章 针对脑血管梗塞MRI图像的自适应分割CerebrumFCM算法 |
| 4.1 引言 |
| 4.2 邻域局部约束SF FCM算法 |
| 4.2.1 SF_FCM算法原理 |
| 4.2.2 算法具体流程 |
| 4.3 改进的脑血管梗塞自适应分割CerebrumFCM算法 |
| 4.3.1 邻域权值函数 |
| 4.3.2 空间转换思想 |
| 4.3.3 CerebrumFCM算法原理 |
| 4.3.4 具体分割流程 |
| 4.4 本章小结 |
| 第5章 脑血管梗塞识别与分割的实验结果及分析 |
| 5.1 引言 |
| 5.2 脑梗塞的传统识别方法及实验结果 |
| 5.2.1 脑血管梗塞的纹理特征提取 |
| 5.2.2 脑梗塞传统识别方法实验结果 |
| 5.3 基于Cerebrum R-CNN脑血管梗塞识别算法 |
| 5.3.1 区域推荐网络CerebrumRPN实验结果 |
| 5.3.2 边界框预测CerebrumBox实验结果 |
| 5.3.3 掩码预测CerebrumMask实验结果 |
| 5.3.4 算法综合评价 |
| 5.4 针对脑血管梗塞图像自适应分割算法 |
| 5.4.1 邻域局部约束SF FCM实验结果 |
| 5.4.2 自适应分割CerebrumFCM算法实验结果 |
| 5.4.3 算法综合评价 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（6）基于影像的病脑检测方法综述（论文提纲范文）
| 1 引言 |
| 2 成像技术 |
| 2.1 早期成像技术 |
| 2.2 核磁共振成像技术 |
| 3 基于图像的病脑检测方法 |
| 3.1 传统人工智能方法 |
| 3.2 深度学习方法 |
| 3.3 不同方法的性能比较 |
| 4 总结及今后研究重点 |
（7）基于FCM聚类算法的人脑MRI图像分割（论文提纲范文）
| 1 FCM聚类算法 |
| 2 实验结果 |
| 2.1 图像预处理 |
| 2.2 FCM聚类分割 |
| 2.3 FCM聚类分割与其他分割方法的比较 |
| 3 总结 |
（8）基于FCM算法的大脑MR图像分割技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 MRI及脑MR图像存在的主要问题 |
| 1.3 MR图像分割技术现状及发展概况 |
| 1.3.1 基于图像灰度的分割方法 |
| 1.3.2 基于图谱的分割方法 |
| 1.3.3 基于活动轮廓的分割方法 |
| 1.3.4 基于特定理论的分割方法 |
| 1.4 本文研究的主要内容和结构 |
| 第2章 基于FCM的图像分割方法研究 |
| 2.1 引言 |
| 2.2 FCM聚类基础理论 |
| 2.2.1 模糊集 |
| 2.2.2 k-means聚类 |
| 2.2.3 模糊C均值聚类 |
| 2.2.4 有效性评价指标 |
| 2.3 FCM改进策略 |
| 2.3.1 直接对目标函数改进 |
| 2.3.2 结合特定理论改进 |
| 2.4 一种带有空域约束的鲁棒FCM脑MR图像分割方法 |
| 2.4.1 脑MR图像中的噪声 |
| 2.4.2 结合局部邻域信息的相关脑MR图像分割算法 |
| 2.4.3 带有空域约束的脑MR图像分割算法原理 |
| 2.4.4 实验结果与分析 |
| 2.5 本章小结 |
| 第3章 基于局部信息非线性加权的FCM脑MR图像分割方法研究 |
| 3.1 引言 |
| 3.2 基于FCM的脑MR图像分割相关改进算法 |
| 3.2.1 带有邻域约束的FCM图像分割算法 |
| 3.2.2 模糊局部信息FCM图像分割算法 |
| 3.3 脑MR图像局部信息非线性加权的FCM算法模型 |
| 3.4 实验结果与分析 |
| 3.4.1 人工合成图像实验结果与分析 |
| 3.4.2 脑MR图像实验结果与分析 |
| 3.5 本章小结 |
| 第4章 结合局部和非局部信息的脑MR图像分割及偏移场估计方法研究 |
| 4.1 引言 |
| 4.2 研究背景 |
| 4.2.1 脑MR图像的偏移场模型 |
| 4.2.2 几种有效的脑MR图像分割算法 |
| 4.3 结合局部和非局部信息的脑MR图像分割及偏移场校正 |
| 4.3.1 脑MR图像的非局部约束 |
| 4.3.2 分割算法目标函数的构建 |
| 4.3.3 脑MR图像分割算法的实现流程 |
| 4.4 实验结果与分析 |
| 4.4.1 脑MR图像的偏移场估计 |
| 4.4.2 对脑MR图像的抗噪性能分析 |
| 4.4.3 对含噪脑MR图像的脑组织分割 |
| 4.5 本章小结 |
| 第5章 融合Markov随机场模型的FCM脑MR图像分割算法研究 |
| 5.1 引言 |
| 5.2 Markov随机场基本理论 |
| 5.2.1 随机场模型中的基本概念 |
| 5.2.2 常用的Markov随机场模型 |
| 5.2.3 随机场模型中的参数估计 |
| 5.3 结合Markov随机模型理论的相关分割算法 |
| 5.3.1 RFCM算法 |
| 5.3.2 MR-MRF-FCM算法 |
| 5.4 融合MRF模型和非局部约束的FCM聚类脑MR图像分割算法 |
| 5.4.1 脑MR图像融合分割算法的基本原理 |
| 5.4.2 分割算法中参数的选择策略 |
| 5.4.3 脑MR图像融合分割算法的实现过程 |
| 5.5 实验结果与分析 |
| 5.5.1 合成脑MR图像实验结果与分析 |
| 5.5.2 真实脑MR图像实验结果与分析 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的论文和取得的科研成果 |
| 致谢 |
| 个人简历 |
（9）免疫聚类算法在MRI颅脑图像分割中应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要工作与论文结构 |
| 1.3.1 论文主要工作 |
| 1.3.2 论文结构 |
| 第二章 图像分割算法的基本理论 |
| 2.1 图像分割的基本概念 |
| 2.2 传统的图像分割方法 |
| 2.2.1 基于阈值的分割方法 |
| 2.2.2 基于区域的分割方法 |
| 2.2.3 基于边缘的分割方法 |
| 2.3 基于智能算法的分割方法 |
| 2.3.1 遗传算法 |
| 2.3.2 小波变换 |
| 2.3.3 模糊分割 |
| 2.3.4 医学图像的其他分割方法 |
| 2.4 医学图像分割方法评估 |
| 2.5 本章小结 |
| 第三章 基于人工免疫算法的MRI颅脑图像分割 |
| 3.1 图像的格式 |
| 3.1.1 通用图像格式 |
| 3.1.2 医用图像格式 |
| 3.2 MRI成像 |
| 3.2.1 MRI发展 |
| 3.2.2 MRI成像原理 |
| 3.2.3 MRI图像采集 |
| 3.3 颅脑图像分割研究的意义 |
| 3.4 MRI颅脑图像的分割方法 |
| 3.5 人工免疫算法在MRI颅脑图像分割中应用 |
| 3.5.1 生物免疫系统基理 |
| 3.5.2 人工免疫算法概念及工作原理 |
| 3.5.3 人工免疫算法特点 |
| 3.5.4 基于人工免疫算法的MRI颅脑图像分割 |
| 3.5.5 实验结果及分析 |
| 3.6 本章小结 |
| 第四章 基于免疫聚类算法的MRI颅脑图像分割 |
| 4.1 图像分割聚类分析 |
| 4.1.1 聚类定义 |
| 4.1.2 聚类算法种类 |
| 4.1.3 聚类算法中常用相似性度量方法 |
| 4.1.4 聚类算法中聚类准则函数 |
| 4.2 免疫K-means聚类分割算法设计 |
| 4.2.1 免疫算法相关参数设定 |
| 4.2.2 K-means聚类算法 |
| 4.3 基于免疫聚类算法的MRI颅脑图像分割实现 |
| 4.3.1 基于免疫聚类算法的MRI颅脑图像分割步骤 |
| 4.3.2 实验结果 |
| 4.4 实验结果分析与评价 |
| 4.5 本章小结 |
| 第五章 改进的免疫聚类算法在MRI颅脑图像分割中应用 |
| 5.1 自适应免疫聚类算法产生 |
| 5.2 自适应免疫聚类算法原理 |
| 5.3 自适应免疫聚类算法优缺点 |
| 5.4 基于自适应免疫聚类算法的MRI颅脑图像分割实现 |
| 5.4.1 基于自适应免疫聚类算法的MRI颅脑图像分割步骤 |
| 5.4.2 实验结果 |
| 5.5 实验结果分析与评价 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（10）基于模糊聚类的脑部MRI医学图像分割算法的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 医学图像的研究背景 |
| 1.2 图像分割技术的国内外研究现状 |
| 1.2.1 图像分割的概念 |
| 1.2.2 图像分割算法概述 |
| 1.3 MRI图像介绍 |
| 1.3.1 MRI图像成像机理 |
| 1.3.2 MRI图像分割目标 |
| 1.4 医学图像分割的意义 |
| 1.5 本文主要工作 |
| 1.6 本文组织结构安排 |
| 第二章 基于FCM算法的图像分割算法 |
| 2.1 模糊理论基础研究 |
| 2.1.1 模糊理论 |
| 2.1.2 模糊集理论 |
| 2.1.3 隶属函数的确定方法 |
| 2.1.4 模糊度基本概念 |
| 2.2 对模糊聚类分析的研究 |
| 2.2.1 传统聚类分析 |
| 2.2.2 传统的聚类分析的数学模型 |
| 2.2.3 基于目标函数的模糊聚类分析 |
| 2.2.4 聚类的一般步骤 |
| 2.3 基于模糊聚类分析的图像分割算法的研究现状 |
| 2.4 本章小结 |
| 第三章 基于各向异性滤波算法改进的FCM算法 |
| 3.1 标准模糊C均值聚类算法 |
| 3.2 FCM算法应用于图像分割 |
| 3.2.1 使用FCM算法对图像进行分割的一般步骤 |
| 3.2.2 FCM方法用于图像分割实例 |
| 3.3 基于FCM的噪声图像分割算法研究 |
| 3.3.1 空间约束的模糊C均值算法 |
| 3.3.2 使用了核函数的模糊C均值算法 |
| 3.3.3 快速FCM算法FFCM |
| 3.4 对FCM算法的改进 |
| 3.4.1 各向异性滤波算法研究 |
| 3.4.2 本文算法介绍 |
| 3.4.3 PMFCM算法流程 |
| 3.5 实验结果与分析 |
| 3.5.1 实验背景描述 |
| 3.5.2 图像分割评价标准 |
| 3.5.3 模拟实验结果 |
| 3.6 小结 |
| 第四章 脑MRI图像灰度不均匀场的纠正算法研究 |
| 4.1 序言 |
| 4.2 MRI图像中的灰度不均匀场 |
| 4.2.1 图像的灰度不均匀场模型 |
| 4.2.2 灰度不均匀性退化模型在本文算法中的应用 |
| 4.2.3 算法流程 |
| 4.3 脑MRI医学图像分割实验 |
| 4.3.1 对于标准脑部合成图像进行分割 |
| 4.3.2 真实脑图分割结果 |
| 4.4 小结 |
| 第五章 脑MRI医学图像分割应用的设计与实现 |
| 5.1 脑MRI医学图像分割模型 |
| 5.1.1 对MRI图像进行各向异性滤波 |
| 5.1.2 本文初始化聚类中心的方法 |
| 5.1.3 本文对灰度不均匀场可进行恢复的算法的目标函数 |
| 5.1.4 本文算法对灰度不均匀场的估计 |
| 5.1.5 对图像的去灰度不均匀场操作 |
| 5.2 本文所提出算法模型医学图像处理实验系统中的应用 |
| 5.2.1 实验系统平台和开发工具 |
| 5.2.2 实验系统设计框架 |
| 5.2.3 医学图像分割模块 |
| 5.3 小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
四、监督FCM分割MRI颅脑组织探讨（论文参考文献）
- [1]DICOM格式CT图像分割技术在脑出血影像检查中的应用研究[D]. 范学武. 燕山大学, 2021
- [2]基于模糊C-均值聚类算法对MRI图像分割的研究[D]. 杨阳. 山西师范大学, 2020(07)
- [3]基于KPCM优化算法的脑MR图像分割研究[D]. 万春圆. 皖南医学院, 2020(01)
- [4]基于MRI图像的脑肿瘤自动分割算法研究[D]. 王岩. 河北工业大学, 2020
- [5]MRI颅部图像血管梗塞识别与分割算法的研究[D]. 周航. 哈尔滨工程大学, 2020(04)
- [6]基于影像的病脑检测方法综述[J]. 贾文娟,王水花,张煜东. 计算机工程与应用, 2018(11)
- [7]基于FCM聚类算法的人脑MRI图像分割[J]. 谢勇. 大理大学学报, 2017(12)
- [8]基于FCM算法的大脑MR图像分割技术研究[D]. 宋建华. 哈尔滨工程大学, 2018(06)
- [9]免疫聚类算法在MRI颅脑图像分割中应用研究[D]. 闫夏. 广西科技大学, 2015(08)
- [10]基于模糊聚类的脑部MRI医学图像分割算法的研究与实现[D]. 胡长松. 电子科技大学, 2014(03)