基于K-最近邻规则的磁共振颅脑图像分割算法的应用研究

目的 介绍一种简单实用的磁共振颅脑图像分割算法K 最近邻 (简称K NN)规则 ,并利用该算法对磁共振颅脑图像进行分割研究。方法 该方法是一个多步处理过程。首先利用边界跟踪法对磁共振颅脑图像进行预处理 ,剔除颅骨和肌肉等非脑组织 ,只保留大脑结构 ;然后利用K NN规则对大脑结构进行分割 ,从大脑结构中分别提取出白质 (WM)、灰质 (GM)和脑脊液 (CSF)。结果 分割算法在预处理步中能精确地分割出大脑结构 ,在K NN分割步中能很好地从大脑结构中分割出WM、GM和CSF。结论 该算法在磁共振颅脑图像的分割中简单实用 ,具有很强的鲁棒性和稳定性。

基于阈值分割的K-最近邻规则的磁共振脑图像分割算法的研究

目的:提取脑组织中的白质(WhiteMatter)、灰质(GreyMatter)和脑脊髓液(CSF)。方法:针对去除颅骨和肌肉等非脑部组织的磁共振脑图像,根据解剖学知识采用最大类别方差法(Otsu法)自动寻找阈值,以此为依据进行分类标记,再通过K-最近邻(K-NearestNeighbor,简称KNN)规则对大脑组织结构进行划分。结果:在脑部T1加权像中分割算法分别提取脑组织中的白质、灰质和脑脊髓液。结论:结果表明该算法具有较好的自动性和稳定性。

基于K-Means及K-NN的磁共振颅脑图像分割初探

目的对K-均值聚类(K-Means)和K-最近邻规则(K-NN)方法在MR颅脑图像分割中的应用进行研究,分析二者优缺点并提出改进。方法利用K-Means算法和K-NN算法对脑组织进行分割。为了减少人脑的劳动使算法自动进行,提出使用K-Means方法提取K-NN方法的训练样本。结果 K-Means与K-NN及改良后的K-NN算法(KMN)能很好地从大脑结构中分割白质(white matter,WM)、灰质(grey matter,GM)和脑脊液(cerebrospinal fluid,CSF)。结论实验表明K-Means与K-NN能快速有效地分割脑组织,改进后的K-NN方法减少了人工参与,并能获得较好的分割效果。