脑磁共振图像分割技术研究
摘要： 脑磁共振图像中显示的脑灰质、脑白质和脑脊液是三种主要脑组织，脑部的病理通常与这三种组织 的体积、形态等特征变化相联系。本文旨在研究脑白质和脑灰质的分割技术，首先利用 C-V 模型和形态学 基本操作进行预处理，然后分别采用基于
Gabor 小波变换和 C-V 模型的算法对预处理后的图像进一步分割
The research of Brain Magnetic Resonance Image Segmentation Techniques based on Gabor Wavelet Transform and Chan-Vese
Model
引言
脑磁共振成像( Magnetic Resonance Imaging， MRI )作为医学领域中一种重要的成像技术， 具有辐射小、 分辨率高以及对软组织分辨力强的特点， 为人脑的研究提供了一种有效的途径， 并已广泛应用于医学、 神经科学、 认知科学和心理学等方面的研究和临床应用中。 脑磁共振 (Magnetic
Resonance， MR )图像的分割是对正常组织和病变组织进行三维重建、定量分析等 后续操作的基础和
关键， 也是临床医学应用的瓶颈， 分割的准确性在医生对病灶组织的定位、 形状和大小测量以及判断疾病的真实情况并做出正确的诊断计划等方面至关重要
[1]
。
本文针对脑 MR 图像的具体特点和分割难点，旨在采用一些算法实现对其中的脑白质 和脑灰质的精确分割。在经过 C-V 模型和形态学基本操作进行预处理后，利用基于 Gabor 小波变换的算法和基于 C-V 模型的分割算法完成对脑 MR 图像的白质和灰质的分割。最后 将两种算法的分割结果分别和金标准图像比较， 对算法性能做出评价。 实验结果表明， 基于 C-V 模型分割算法的过分割率比基于 Gabor 小波变换算法的过分割率小， 而后者的欠分割率 比前者小。
1 预处理
1.1 实验数据说明
近期，该数据库包含了基于正常和多发性硬化两种自动解剖模式的模拟大脑 MRI 数据， 上述全部的三维数据集都采用了 T1 加权， T2 加权， PD 加权的脉冲序列，并且考虑了各种 不同的切片厚度、噪声水平和强度不均匀的影响因素。
该数据库中的图像分为三类：1?原始图像数据，以.img为后缀，图像格式为：256 X 256
X 16，整型，无头文件。2.轮廓图像数据，为专家进行半自动分割的结果，包括定义每幅
图像中特定结构的一系列点，以 .otl为后缀，图像格式为：512 X 512，有头文件。3.金标准 图像数据，以.seg为后缀，图像格式为：256 X 256,16位。其中，灰质像素点的灰度值为 128，白质像素点的灰度值为 1.2预处理过程
254，其他点的灰度值为 0。
预处理的目的是将脑白质、脑灰质以外的部分除掉，得到形如金标准图像的中间部分。 首先对原始数据进行处理并显示原始图像，
img格式的图像本应该配备头文件
hdr, hdr中规
定了图像中的行数、列数、波段数、数据类型、数据格式等。在读取 hdr中的各种参数属性来确定读取方式。而前述的 像的第一步就是确定读入图像的格式。实验给出的 256 >256,单个数据长度为
img图像时，会根据
img文件没有给定hdr格式，故而处理图
img原图像和金标准图像大小均为
16位，如果直接读入数据，则图像的细节（即高频部分）信息
很少，因为图像数据的低 8位为0,其有效数据存于高 8位。因此，我们在读入 256X256的 图像矩阵后，需要将数据右移
8位，这样可以得到图像细节丰富、对比度高的显示效果。
(a) (b)
图2预处理结果（a）第15幅显示图像（b）第15幅预处理结果
2基于Gabor小波变换的分割算法
由于Gabor小波变换可以根据特定的视觉需要可相应地调整它的空间与频率特性，
具有
尺度与方向可调性，能够获得更多的图像细节信息， 所以适合用于纹理图像的处理分析。 对 于具有各向同性的类圆形堆积物， 响应具有多方向一致性，可以取得更好的处理效果。Gabor 小波函数是高
斯函数调制的正弦波，其函数表达式如下：
医学脑磁共振图像分割课程作业
