论文部分内容阅读
MR图像偏差场的校正和图像分割是在MR图像后处理中两个非常关键的过程。本文从信息论和MR图像自身性质出发结合经典算法思想对MR图像偏差场的校正和图像分割进行了探索性的研究。
目前随着高场强MR设备的不断出现，由于受RF线圈等因素的影响，MR图像的均匀性变差。在MR图像上呈现出无规律的，缓慢的灰度密度变化。相当于在增益场上叠加了一个偏差场。这不仅降低了MR图像的质量也严重干扰了数字图像分割和量化处理等方法的运用。
本文提出的校正方法的基本理论依据是，如果在一个没有偏差场存在的MR图像中，每一种组织的密度分布应该是窄带的单峰形式，此时MR图像的信息熵应该是非常低的。偏差场的存在将导致图像密度分布出现混叠，引起熵的同步提高。
本文算法本身是对一个校正场寻优的过程，优化过程以二维信息熵作为尺度。算法的目的是利用最优校正场，使带有偏差的MR图像去偏差，复原真实图像。本文以模拟数据和真实数据对此方法的有效性和鲁棒性进行了评估。
在MR图像分割的研究中，针对于MR图像特点，本文将区域信息和边界信息结合，提出对水平集算法的改进，利用Unsharp Mask的方法有效的抑制了困扰水平集的边界泄漏问题。
对改进后的水平集分割算法测试结果表明，对于欲分割目标的识别和准确分割能力均优于传统水平集分割方法，并通过过迭代实验验证了该算法的稳健性。