从大脑核磁共振图像中分割灰质、白质和脑髓液所在区域是医学影像处理领域一个备受关注的研究课题，是大脑研究和大脑相关疾病的辅助诊断与治疗的重要基础。迄今为止，国内外学者提出了大量大脑磁共振图像分割算法，这些算法大都涉及求解一个优化问题。与传统的优化方法相比，仿生智能算法（Bio-inspired Algorithms）不但具有更广的适应性，而且具有搜索全局最优的潜力，因此受到越来越多的重视。本文面向大脑核磁共振图像分割问题，研究了仿生智能算法，以期提高分割的正确率和效率。本文的主要研究成果如下： （1）提出了基于小生境差分进化求解局部变分贝叶斯模型的大脑核磁共振图像分割算法。针对偏移场和部分容积效应导致的图像质量退化，该算法将图像分成小块，用局部变分贝叶斯模型对每个小块进行建模，然后用小生境差分进化算法来优化这些模型，最终通过线性组合这些模型的输出得到图像分割结果。在仿真和临床数据上的对比实验结果显示，该算法具有比基于遗传算法的图像分割方法更高的分割准确率。 （2）提出了基于差分进化（Differential Evolution，DE）和分布估计算法（Estimation of Distribution Algorithm，EDA）的混合克隆选择算法。针对传统克隆选择算法（Clonal Selection Algorithm，CSA）中超变异和受体编辑的局限性，该算法分别使用具有局部信息提取能力的差分进化和具有全局信息提取能力的分布估计算法来取代超变异和受体编辑，从而同时获得了优秀的局部和全局搜索能力。在5个常用的测试函数上做的对比实验显示，该算法具有比传统的克隆选择算法、差分进化算法和分布估计算法更好的优化能力和效率。 （3）提出了基于混合克隆选择算法求解隐马尔科夫随机场（Hidden Markov Random Field，HMRF）模型的大脑核磁共振图像分割算法。由于大脑磁共振图像中存在的多种退化因素可能影响HMRF模型中参数的稳定性，该算法分别基于区域和基于像素对图像分割问题进行HMRF建模，先用基于区域的HMRF模型来定位目标函数的搜索范围，再用混合克隆选择算法对基于像素的HMRF模型进行优化。在仿真和临床数据上的对比实验结果显示，该算法具有比其他多种对比算法更好的鲁棒性和图像分割结果。
展开▼
