论文部分内容阅读
医学图像处理技术作为医疗的重要技术手段，发挥着不可替代的作用。脑瘤是影响人类健康的重要原因之一，基于核磁共振图像(Magnetic Resonance Imaging， MRI)进行脑胶质瘤标志物分割辨识是目前最有效的医疗诊断技术手段之一，因此，研究脑瘤MRI图像分割技术具有重要的理论研究意义和实际应用价值。
本文针对脑胶质瘤MRI图像目标物形状复杂且不规则、边缘模糊、目标和背景灰度值相近等特征，基于纳什均衡、粗糙集和粗糙熵、玻色-爱因斯坦凝聚等理论，研究脑胶质瘤MRI图像分割问题，旨在为提高脑瘤等医学图像分割质量探索新方法。
论文主要研究内容如下：
研究基于纳什均衡理论改进支持向量机(Support Vector Machine，SVM)的脑胶质瘤图像分割方法。针对SVM中惩罚参数的设置影响图像分割准确性的问题，提出熵和标准差双重约束的新型纳什均衡模型，研究图像特征及其分割过程与纳什均衡理论及其推理机制之间的关系，得出新型纳什均衡模型参数计算方法，构建纳什均衡过程。提出基于新型纳什均衡模型改进SVM，采用熵和标准差双重约束的纳什均衡收益通过纳什均衡推理来设定SVM中的惩罚参数。通过对脑胶质瘤MRI图像分割实验验证本文方法的效果。
研究基于纳什均衡理论的目标边缘区域聚类方法。针对脑胶质瘤图像目标边缘区域模糊的问题，提出两步纳什均衡聚类方法，通过类内最大相似性判断(目标区域内部节点之间的最大相似度)和类间最小相似性判断(目标和背景区域的节点之间的最小相似度)获得脑瘤目标区域和背景区域。基于纳什均衡理论改进C-V模型，通过该模型得到脑瘤目标轮廓线；针对脑瘤图像目标边缘区域相似的问题，提出基于纳什均衡的纹理相似区域判断与合并方法，获得脑瘤目标区域和背景区域之后，基于纳什均衡理论改进多纹理特征C-V模型，将图像中节点特征映射为纳什均衡的收益，通过纳什均衡推理来设定C-V模型中平均灰度参数。通过改进后的C-V模型求得脑瘤目标轮廓线。通过MRI脑瘤图像分割实验验证本文方法的效果。
研究基于粗糙集和粗糙熵的Petri网脑瘤图像分割方法。针对粗糙集和粗糙熵只对轮廓线上某个节点自身进行判断不对该节点相邻节点进行相关性判断而导致脑瘤图像分割轮廓线不准确的问题，提出基于粗糙集和粗糙熵的Petri网的脑瘤图像分割方法，提出粗分割、精分割两阶段分割方式：第一阶段基于粗糙集和粗糙熵进行粗分割以获得目标对象的初步轮廓；第二阶段通过Petri网进行精分割，利用Petri网进行对多边界选择和前后向校正以得到更精确的目标轮廓。通过实验验证该方法在提高图像分割准确性方面的效果。
研究基于玻色—爱因斯坦凝聚理论(Bose–Einstein Condensate，BEC)的脑胶质瘤图像分割模型。针对脑胶质瘤形状通常为囊性或环状增强的边缘轮廓而难以对其图像进行精确分割的问题，为探索新的医学图像分割方法，本文尝试将BEC理论应用于脑瘤图像分割。基于BEC构建支持向量机(SVM)中的核函数，提出一种BEC核函数的SVM脑瘤图像分割方法。通过不同类型的脑胶质瘤图像分割实验，对比验证本文方法与其他相近方法的分割效果。
研究基于量子虫洞粒子群优化算法的脑瘤图像分割方法。针对具有“瓶颈”和“硬脑尾”等复杂形状的脑瘤图像分割问题，引入量子和虫洞理论来改进量子粒子群优化算法(Quantum-behaved Particle Swarm Optimization，QPSO)，提出一种新的量子虫洞粒子群优化算法(Quantum and Wormhole-behaved Particle Swarm Optimization ， QWPSO)，提出将图像中节点分为种子粒子节点和像素粒子节点两类，给出区分两类节点的分类公式。提出一种虫洞双曲线路径公式，给出QWPSO算法的计算公式。通过实验验证本文方法和其他方法的对比效果。为复杂形状的脑瘤MRI图像分割探索一种新方法。
本文针对脑胶质瘤MRI图像目标物形状复杂且不规则、边缘模糊、目标和背景灰度值相近等特征，基于纳什均衡、粗糙集和粗糙熵、玻色-爱因斯坦凝聚等理论，研究脑胶质瘤MRI图像分割问题，旨在为提高脑瘤等医学图像分割质量探索新方法。
论文主要研究内容如下：
研究基于纳什均衡理论改进支持向量机(Support Vector Machine，SVM)的脑胶质瘤图像分割方法。针对SVM中惩罚参数的设置影响图像分割准确性的问题，提出熵和标准差双重约束的新型纳什均衡模型，研究图像特征及其分割过程与纳什均衡理论及其推理机制之间的关系，得出新型纳什均衡模型参数计算方法，构建纳什均衡过程。提出基于新型纳什均衡模型改进SVM，采用熵和标准差双重约束的纳什均衡收益通过纳什均衡推理来设定SVM中的惩罚参数。通过对脑胶质瘤MRI图像分割实验验证本文方法的效果。
研究基于纳什均衡理论的目标边缘区域聚类方法。针对脑胶质瘤图像目标边缘区域模糊的问题，提出两步纳什均衡聚类方法，通过类内最大相似性判断(目标区域内部节点之间的最大相似度)和类间最小相似性判断(目标和背景区域的节点之间的最小相似度)获得脑瘤目标区域和背景区域。基于纳什均衡理论改进C-V模型，通过该模型得到脑瘤目标轮廓线；针对脑瘤图像目标边缘区域相似的问题，提出基于纳什均衡的纹理相似区域判断与合并方法，获得脑瘤目标区域和背景区域之后，基于纳什均衡理论改进多纹理特征C-V模型，将图像中节点特征映射为纳什均衡的收益，通过纳什均衡推理来设定C-V模型中平均灰度参数。通过改进后的C-V模型求得脑瘤目标轮廓线。通过MRI脑瘤图像分割实验验证本文方法的效果。
研究基于粗糙集和粗糙熵的Petri网脑瘤图像分割方法。针对粗糙集和粗糙熵只对轮廓线上某个节点自身进行判断不对该节点相邻节点进行相关性判断而导致脑瘤图像分割轮廓线不准确的问题，提出基于粗糙集和粗糙熵的Petri网的脑瘤图像分割方法，提出粗分割、精分割两阶段分割方式：第一阶段基于粗糙集和粗糙熵进行粗分割以获得目标对象的初步轮廓；第二阶段通过Petri网进行精分割，利用Petri网进行对多边界选择和前后向校正以得到更精确的目标轮廓。通过实验验证该方法在提高图像分割准确性方面的效果。
研究基于玻色—爱因斯坦凝聚理论(Bose–Einstein Condensate，BEC)的脑胶质瘤图像分割模型。针对脑胶质瘤形状通常为囊性或环状增强的边缘轮廓而难以对其图像进行精确分割的问题，为探索新的医学图像分割方法，本文尝试将BEC理论应用于脑瘤图像分割。基于BEC构建支持向量机(SVM)中的核函数，提出一种BEC核函数的SVM脑瘤图像分割方法。通过不同类型的脑胶质瘤图像分割实验，对比验证本文方法与其他相近方法的分割效果。
研究基于量子虫洞粒子群优化算法的脑瘤图像分割方法。针对具有“瓶颈”和“硬脑尾”等复杂形状的脑瘤图像分割问题，引入量子和虫洞理论来改进量子粒子群优化算法(Quantum-behaved Particle Swarm Optimization，QPSO)，提出一种新的量子虫洞粒子群优化算法(Quantum and Wormhole-behaved Particle Swarm Optimization ， QWPSO)，提出将图像中节点分为种子粒子节点和像素粒子节点两类，给出区分两类节点的分类公式。提出一种虫洞双曲线路径公式，给出QWPSO算法的计算公式。通过实验验证本文方法和其他方法的对比效果。为复杂形状的脑瘤MRI图像分割探索一种新方法。