基于凸优化的耦合模型在大脑MRI图像自动分割中的应用及偏场校正

简介：
本研究提出一种利用凸优化方法构建的耦合模型，旨在提高大脑MRI图像自动分割精度，并实现高效的偏场校正，为神经科学研究提供有力工具。 磁共振（MR）图像的准确分割依然面临挑战，主要原因是强度不均匀性，通常被称为偏置场。虽然近期研究使用了带有几何约束条件的活动轮廓模型来处理这一问题，但大多数方法在进行MRI数据分割前需要执行预处理步骤以解决偏置场的影响。 本段落提出了一种新颖且自动化的变分法，在对具有显著强度不均匀性的大脑MR图像进行分割时同时校正偏置。首先定义了一个用于小区域中像素聚类的目标函数，其中的聚类中心包含一个乘数因子来估计邻域内的偏差值。为了减少噪声影响，局部强度变化通过不同均值和方差的高斯分布模型描述。 接着将目标功能扩展至整个图像领域，并使用Split Bregman理论计算重构的能量函数以获得全局最优解并使结果不受算法初始化的影响。该方法的一大优势在于其结果不依赖于初始设置，从而实现可靠且完全自动化的应用。即使在7T MR图像上也能有效估计普通轮廓的偏差情况。 此外，模型还能区分强度分布相似但方差不同的区域。所提出的方法已在多种成像方式获得的数据集上进行了严格的验证，并取得了令人满意的结果。