运用图像处理解决基于MRI的脑肿瘤图像分割问题

电子科技大学 格拉斯哥学院 2017级谭茗珊
1.背景：
医学图像分割技术的发展是一个从人工分割到半自动分割和自动分割的逐步发展过程。早期的图像分割完全是靠人工完成的。完全的人工分割方法是在原始图像上直接画出期望的边界。这种方法费时费力，分割结果完全依赖于分割者的解剖知识和经验，而且分割结果难以再现；半自动的分割方法大大减少了人为因素的影响，而且分割速度快，分割精度高，但操作者的知识和经验仍然是图像分割过程的一个重要组成部分。近年来，由于大量的新兴技术如模糊技术和人工智能技术在图像分割中的应用，图像分割领域中也涌现出一些自动的分割技术。自动分割方法能完全脱离人为干预，由计算机实现医学图像分割的全过程。由于自动分割方法的运算量较大，目前大部分的自动分割方法都是在工作站上实现的。
2.摘要：
医学图像处理中图像分割是最具挑战性和最富有挑战性的课题，结构分析，运动分析，三维可视化等一系列操作均是以准确的图像分割为基础。由于医学影像设备成像技术的特点，使得图像存在噪声，导致图像中目标物体部分边缘不清晰，给图像分割造成一定难度。通过运用ITK-SNAP软件对图像进行预处理，使用python并搭建tensorflow环境，对图像加以训练和测试，不断改进算法改进现有MRI脑肿瘤图像分割算法,利用模糊C均值算法、区域增长算法、以及结合模糊相似度理论和区域结构识别技术的分割算法实现脑肿瘤MRI图像的分割，使其能够对图像进行准确识别，定性，定量分析，结果的准确性依据分割评价体系得以判断。

3.图像分割处理
3.1非线性平滑处理
由于磁共振图像在采集过程中，有脉冲干扰，因此图像具有较强的噪声，为了消除噪声，选用非线性平滑中值滤波预处理图片；
中值滤波是一种去除噪声的非线性