基于半监督高斯混合模型的磁共振图像分类方法

基于半监督高斯混合模型的磁共振图像分类方法
【技术领域】
[0001] 本发明设及一种图像处理方法技术领域，尤其设及一种基于半监督高斯混合模型 的磁共振图像分类方法。
【背景技术】
[000引 目前，磁共振图像（Ma即eticResonanceImage,MRU广泛用于神经疾病的诊断， 可用程序确保安全、无痛和非侵入性研究人体，它经常在病症出现很久之前和出现期间识 别异常。特别地，磁共振图像非常适合研究神经系统疾病，由于其高空间分辨率、高软组织 对比度和图像的多谱特性，具有宽松时间（T1和T2)和质子密度（Protondensity,Pd)信 息。
[0003] 由训练的人工专家进行的MRI分析是一项繁复且困难的任务，因为图像中感兴趣 结构表现出复杂边缘配置，解剖边界大部分时间不清晰可见。临床试验中，MR图像集通常 都非常大，W致人工专家进行人工分析非常耗时，而且目前尚不清楚检查多谱MR数据时专 家如何合并来自不同渠道的信息。因此，与人工分割有关的观察者内和观察者间可变性阻 碍了结果的重现性。基于该些原因，能W可重复方式分析大量3D多谱MR数据的MR脑部图 像分割的自动化或半自动化技术很有必要。
[0004] 关于脑部解剖的定量度量，图像分析的关键组成部分是从各种解剖结构或组织类 型获得精确脑部图像分割，尤其是灰质（GM)、白质（WM)和脑脊液（CSF)。脑部图像分割不 仅用于皮层表面映射、体积测量、组织分类、功能和体态适应评估和神经系统疾病表征，而 且它是许多其他图像处理程序所需的预备步骤，例如脑部注册和基于体素的形态。因此，脑 部图像的精确分割变成MRI应用中最重要的组织之一，分割基于图像体素属性、邻域信息 或几何特性，获得精确图像分割的困难因噪声、不均匀性、局部体积影响和皮层的高复杂度 几何形状而增大。
[0005] 依赖训练样本标记可用性，图像分割要么有监督要么无监督，一般而言，基于有监 督学习的分割，例如神经网络或支持向量机能产生良好结果，但是它需要每类组织存在大 量的训练数据（标记体素），昂贵且耗时。
[0006] 相反，无监督学习方法，例如k均值或基于混合模型的方法，比有监督分类方法具 备更多已确认的优点，例如用户交互少。因为几乎所有无监督技术实际上是一种优化过程， 由目标函数支配，例如混合建模中的总对数似然或k均值中的欧氏距离总和，该技术不可 避免的受到局部问题的影响（最小或最大）。因此，必须对他们做出适当调整，W便产生令 人满意的结果，即没有任何先验知识，该些方法性能有局限。
[0007] 半监督算法在无监督方法中结合了先验知识，能改善数据分类的结果，而无需完 整的训练数据集。最近，学者们提出了半监督脑部图像分割的一些技术，例如半监督最 大后验概率方法（Semi-supervisedMaximumAPosteriori,ssMAP)。文献；樊万妹.基 于半监督模糊聚类的医学图像分割系统设计巧].大连理工大学，2013.提出的算法通 过探索不完整训练数据集来改善分割结果，其中，标记数据可能仅对组织子集可用，即不 是标记了组织的所有类型。文献：BauerS,TessierJ,Krieter0,etal.Integrated spatio-temporalsegmentationoflongitudinalbraintumorimagingstudies[M]// MedicalComputerVision.LargeDatainMedicalImaging.SpringerInternational 化Wishing, 2014:74-83.提出了一种MR脑部图像分类方法，使用半监督谱聚类，改善分割 图像的结果。他们为谱聚类算法提供了一些数据对约束信息，代替体素标记，W获得更高的 数据分配。

【发明内容】

[000引本发明所要解决的技术问题是提供一种基于半监督高斯混合模型的磁共振图像 分类方法，所述方法加快了收敛速度，相比两种有监督高斯混合模型，得了更好的分割结 果，且无需标记训练数据集，降低了图像处理时间，提高了图像处理精度。
[0009] 为解决上述技术问题，本发明所采取的技术方案是；一种基于半监督高斯混合模 型的磁共振图像分类方法，其特征在于；本方法由两个模块实现：先验聚类模块和分类模 块，先验聚类模块用于关联具有聚类统计学度量的类标签信息；分类模块用于从先验聚类 模块接收先验信息来生成标记图像；
[0010] 令Y=找1，...X-}为由一组2D切片表示的3D磁共振图像，其中m是图像中的切 片数，首先，从Y中随机选择一幅磁共振图像切片，只聚类该图像切片的体素，人工专家将 每个产生的聚类标记为灰质GM、白质WM或脑脊液CSF;然后，标记信息和聚类统计学度量： 均值、方差矩阵和先验概率用于图像其他切片的分类过程；最后，利用统计学和所得聚类的 类标签信息分类剩余图像切片。
[0011] 进一步的技术方案在于：令Y=找1，...X-}为由一组2D切片表示的3D磁共振图 像，其中m是图像中的切片数，从Y中随机选择磁共振图像切片护，通过k均值算法聚类成 S组，结果是一幅分割的图像，分别为灰质GM图像段、白质WM图像段、脑脊液CFS图像段； 人工专家评估聚类结果，如果良好分割了图像，人工专家将每个分割的切片聚类Cj.关联到 其中一个类1 = (GM，丽，CSF}，否则，再次用不同初始参数分割切片XS。
[0012] 进一步的技术方案在于；随机选择的磁共振图像切片於的每段有一个类标签，假 设混合模型组件和组织类之间具有一对一的对应关系，从而使用Cj.来表示第j个混合组 件，即第j类，已知组织类与XS聚类之间的对应关系，针对xi，V知'，在其分配的聚类体素上 计算每个类Cj的混合参数集1])j=(yj,Sj,Jij}，
[0016] 式中，Ij.为关联类标签，yj.为聚类统计学度量的均值，2j.为聚类统计学度量的方 差矩阵，Kj.为聚类统计学度量的先验概率，Inj.I为属于第j类的体素数，每个类的聚类和 标签对、混合参数集合J表示数据集的先验知识。
[0017] 进一步的技术方案在于；数据集的先验知识用于聚类剩余图像切片，剩余图像切 片集合Y*由Y组成，不包括用于聚类分析的切片护，当Y*的新切片提交给贝叶斯分类器时， 早期计算的组织类混合参数集|^.='[作.，乙,.，巧,.}，^用于半监督高斯混合模型的初始参数， W平滑期望最大化算法收敛，对剩余图像切片进行分类。
[001引采用上述技术方案所产生的有益效果在于；本方法避免了使用期望最大化算法EM时混合模型参数估计期间iD的不当初始选择出现的问题。本方法，执行磁共振图像切片 中人类脑部区域的分类，无需标记训练数据集，使用的人工专家分析比有监督方法少。使用 半监督学习算法相比其它具有贝叶斯分类器的无监督学习加快了高斯混合模型GMM的收 敛速度，半监督算法消耗的时间小于具有贝叶斯分类器的无监督学习，因为当初始参数基 于先验知识时聚类算法收敛更快。由于高斯混合模型GMM对初始化方法敏感，参数的先验 知识改善了其精度。
【附图说明】
[0019] 下面结合附图和【具体实施方式】对本发明作进一步详细的说明。
[0020] 图1是本发明所述方法的整体流程图；
[0021] 图2是本发明中先验聚类步骤的流程图；
[0022] 图3是本发明中分类步骤的流程图；
[002引 图4表示切片数目50、93和120的原始化ainWeb图像；
[0024] 图5图4进行预处理步骤后的相同图像；
[0025] 图6是图5经过本方法处理后的实际图像。
【具体实施方式】
[0026] 下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整 地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例，都属于本发明保护的范围。
[0027] 在下面的描述中阐述了很多具体细节W便于充分理解本发明，但是本发明还可W 采用其他不同于在此描述的其它方式来实施，本领域技术人员可W在不违背本发明内涵的 情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[002引基于高斯混合模型的聚类：
[0029] 令X为由体素集X= {xi，...xD}表示的图像切片，其中，每个体素是一个d维随机 向量xi= (x。...，Xd)，n是切片中的体素数。假设组成图像的每个区域j遵循概率密度函 数为Pj.(x| 0j.)的类条件分布，每一个有其自己的参数向量0j.，^' = 1，...，1 ^，其中，1^是图 像中的组织数，因此，每个体素独立于描述所有类加权总和的混合密度：
[0030] (1)
[0031] 上式中，Jij皂混合配合比例，均为正，和等于l，Pj.(x| 0j.)是与区域j相关的组件 密度，1]^ = { 0 1，. . .，0k，n1，. . .，31J是所有混合参数的集合，混合配合比例31 1对应于 属于第j组的任意体素的先验概率。
[0032] 为了使用基于混合模型的聚类方法，假设待聚类的数据属于各种比例中指定数目 的k个组的混合，每个数据点独立于式（1)中的混合密度，其中k个组件对应于k个组，每 个组件密度P^xl0j.)的参数化形式说明后，参数由最大似然估计。混合后可获得数据的概 率聚类，为数据配备组件函数的后验概率，聚类成k个组的数据通过将每个数据点分类到 有最高估计概率的组件来获得。
[0033] 假设组件密度Pj.(x|日j.)正态，具有参数日j.=(yj, 变量xi独立且同分布 (i.i.d)，令Uj.和Sj.分别为组j的未知均值向量和方差矩阵，有；
[0034]
(2)
[0035] 式中，IXI为X的行列式。
[0036] 形式化模型后通过最大似然（MaximumUkelihood，ML)估计配备得到混合数据， ML的目标是获得最大化可用数据联合概率密度函数（或数据似然）的参数。使用期望最 大化巧xpectationMaximization,EM)算法来执行，为了方便，通常使用对数似然值代替似 然，定义为：
[0037]
(3)
[0038] 文献ChoiJ,KimD,OhC,etal.Aniterativereconstructionmethodof compleximagesusingexpectationmaximizationforradialparallelMRI[J]. Physicsinmedicineandbiology, 2013, 58 巧）：2969-2976.介绍了一种EM算法，对假设 Pj(x| 0j.)正态的情况进行组件密度的ML参数估计。图像聚类方法中，切片体素用于更新 混合参数，交替下列EM步骤直到Inp狂IiD)收敛：
[0039] 期望步骤：
[0040]
[0043]
[0046] EM算法起始于初始值iD°，iD°的不当选择阻碍EM收敛，一些情况下似然对参数空 间的边无界，如果选择的1]^ °太接近边界，由EM生成的参数序列估计可能发散。混合模型 的另一个问题是似然方程通常有多根对应于局部最大，因此EM算法应该应用于广泛选择 起始值，W捜索局部最大，该非常耗时。
[0047] 参数苗述度量xi的全局属性，但是他们没有表明如何分配标记到体素，配 备1^-组件混合模型^获得的估计后，分配〇个体素的概率聚类，在他们 的组件成员配备后验概率。对于每个xi，k个概率Pl(ll^|xi)，…，PkUJxi)，有 1]^.= (Uj.，Sj.，31j.}，给出估计的后验概率，该个观察分别属于混合的第1、第2,…和第k个组件， 分配每个xi给具有最高后验概率的混合组件可W提供该些体素的硬聚类答复。令ri为组 件标记向量，如果第i个体素属于第j个组，则勺=1，否则^ = 0。属于j组的任意体素先验 概率为31^.，概率的=4 = ；1^.方/，体素义1属于^'组的概率由类条件密度函数1),.知1|0^给 出，即混合组件。如果0 =1，则对应的体素由组件密度I0P生成，即；
[0048]
(8)
[0049] 通过贝叶斯规则，组件成员的后验概率由下式给出：
[00加]
(9)
[0化1] 上式中，分母p(xi|iD)由式（1)给出，该是一个依赖于度量xi的类常量值。一般 而言，xi用于估计；)/.((///. ，运用式巧），如果组件密度的参数iD已知，贝叶斯分类器 可用于分配类标签到体素，如果参数1]^已知：
[0化2]
(10)
[0化3] 体素i分配给具有最高后验概率的类j*。
[0054] 研究表明，基于高斯混合模型的聚类方法可W很好地应用于MR图像分割，缺点在 于需要标记训练数据集，聚类算法收敛时间较长。
[0化5] 本发明提出一种基于半监督高斯混合模型的磁共振图像分类方法，改善磁共振MR图像分割，加速收敛过程，使用基于聚类的半监督分类，不需要标记训练数据集，比有监督 方法使用的人工专家分析少。相比其他半监督技术，先验知识（例如聚类标记信息和统计 学度量）很容易获得，无需任何标记训练数据。
[0化6] 半监督算法在无监督方法中结合了先验知识，能改善数据分类的结果，无需标记 训练数据集，可W克服高斯混合模型聚类的缺陷，因此，提出了高斯混合模型融合半监督聚 类方法。
[0化7] 本文方法基于可用数据的四个假设；（1)数据由混合模型产生；（2)组件和脑组织 类之间有一对一的对应关系；（3)混合组件是图像中呈现的多个区域的多项式分布；(4)不 同图像切片中呈现的相同脑部组织类分配给相同分布。
[005引令Y=找为由一组2D切片表示的3DMR图像，其中m是图像中的切片数。 本方法由两个模块组成；先验聚类模块（模块1)，关联具有聚类统计学度量（均值、方差矩 阵和先验概率）的类标签信息；分类模块（模块2)，从先验聚类模块接收先验信息来生成 标记图像。整个过程的框图如图1所示，首先，只聚类一幅图像切片的体素，人工专家将每 个产生的聚类标记为灰质（GM)、白质（WM)或脑脊液（CSF);然后，标记信息和聚类统计学度 量；均值、方差矩阵和先验概率用于图像其他切片的分类过程；最后，利用统计学和所得聚 类的类标签信息分类剩余图像切片。
[0059] 先验聚类：
[0060] 先验聚类模块如图2所示，从Y中随机选择MR图像切片扔通过k均值算法聚类 成立组，结果是一幅分割的图像，图像段之间没有任何关联，脑部组织类：灰质（GM)、白质 (WM)、脑脊液（CSF)。下一个步骤中，人工专家评估聚类结果，如果良好分割了图像，人工专 家将每个分割的切片聚类Cj.关联到其中一个类1= {GM，WM，CSF}。否则，再次用不同初始 参数1]^ °分割切片XS，专家干预对应于半监督学习方法中的监督。
[0061] 护图像的每段有一个类标签，假设混合模型组件和组织类之间具有一对一的对应 关系，从而使用Cj.来表示第j个混合组件，即第j类。已知组织类与XS聚类之间的对应关 系，针对x'，M/，z'，在其分配的聚类体素上计算每个类CJ的混合参数集l])J={yJ，2：J，JTJ}，
[0062]
[00化]式中，Irij.l为属于第j类的体素数，每个类的聚类和标签对、混合参数集合iDj.表 示数据集的先验知识，图2中关联类标签信息Ij.与聚类统计学度量（均值yj.、方差矩阵Sj 和先验概率31j.)。
[0066] 分类
[0067] 分类步骤流程如图3所示，数据集的先验知识用于聚类剩余切片，剩余切片集合 Y*由Y组成，不包括用于模块1的切片护。当Y*的新切片提交给贝叶斯分类器时，早期计 算的组织类参数巧,j，V/用于高斯混合模型佑MM)的初始参数，W平滑EM收敛。 因为从良好分割的图像中提取参数，所^应该是1]^.使61收敛于全局最大。
[0068] 本方法还假设对应于组织类Cj.的切片XS中的体素和对应于Cj.的剩余切片中体素 由相同分布产生。因此，不同区域分配到不同混合参数，式（1)的每个混合组件Pパx| 0J) 对应于一个组织类，接收分配给混合参数的标签1]^.，用作初始参数。因此，使用高斯混合模 型的聚类方法处理GMM聚类后，每个体素xi分配给混合的有标记组件，它有最高后验概率。 结果是分割的图像，其中，属于聚类的所有体素接收分配给聚类的混合组件的类标签，即新 分类步骤不一定要将分割过程的聚类与每个组织类关联。
[0069] 实验
[0070] 数据集
[007U 为了量化评估本文方法的性能，使用来自化ainWeb模拟脑部数据库的合成MR图 像，结果基于由质子密度组成的合成正常脑部多谱图像，T1和T2加权图像，有181个维度 为181X217体素的矢状切片，具有1立方毫米分辨率，3%噪声级，0%强度非均匀性。
[0072] 因此，为了评估高斯密度函数，需要方差矩阵的逆，方差矩阵的估计仅对分类有 用，如果非奇异（即可逆）。181个矢状切片中，选择至少10个属于每个组织类的那些切片， 确保估计高斯分布参数成为可能，共产生133幅图像。该实验考虑=个类；白质（WM)、灰质 (GM)和脑脊液（CSF)，图像分割前，预处理步骤应用于从非脑部组织中分割脑部。图4表示 切片数目50、93和120的原始化ainWeb图像，具有3%噪声和0%强度非均匀性，图5所示 为预处理步骤后的相同图像，图6所示为相应的地面实况，图4中图像是由质子密度、T1加 权图像和T2加权图像组成的多谱图像的RGB版本。
[0073] 实验设计
[0074] 实验将本方法提出的半监督高斯混合模型（GMMSS勺与其他两种有监督高斯混合模 型进行了比较。
[0075] 第一种方法是一种具有随机初始化参数的聚类程序，聚类结果是一幅分割的无标 签图像，然后分类步骤必须标记聚类，该种方法称为GMMSUP1。训练步骤中，随机选择图像切 片，使用具有随机参数初始化的k均值算法聚类，人工标记产生的聚类为丽、GM或CSF，并 计算它们的统计学参数。因此，每个聚类与类标签1,.关联，也与混合参数集1]^.关联。分类 阶段利用经随机参数初始化的高斯混合模型分割剩余图像切片后，由此产生的聚类由参数 化贝叶斯分类器基于第一步骤计算的参数分类。
[0076] 另一种方法是本文方法的有监督方法，称为GMMSUP2。因为图像地面实况包含验证 数据集的类标签，本文使用该个可用信息W有监督方式来计算混合参数集合第二章描 述的模块1中，消除聚类过程，使用式（11)-(13)从标记数据直接计算1KGMMSUP2使用模块 2。
[0077] 评估方法
[007引为了评估分类结果，使用殷子相似度指标值SI)比较每个类j的分割与地面实况， 殷子相似度指标S(j)W定义为；
[0079]
(14)
[0080] 式中，Np。山）是本文方法和地面实况分类给类j的体素数，NpU)和NgU)表示 分别由本文方法和地面实况分类给类j的体素数。如果本文方法与地面实况相吻合，指标 S(j)趋向1，随着分割质量恶化，降低为0,S(./)，巧X). 7表示两个分割之间有一个极好的 协议。
[0081] 由于两种实现都对初始化敏感，本文运行了两种方法各30次，在每个新执行中， 为模块1随机选择新图像并分类剩余图像。
[00間使用成对t测试比较方法的性能，对P值使用下列约定；"？"和"="表示P值小 于或等于0. 01，为强证据，一种方法比另外一种方法产生有效性度量的更大或更小值。"〉" 和"<"表示P值大于0. 01和小于或等于0. 05,为弱证据，一种方法比另一种方法产生有效 性度量的更大或更小值。"~"表示P值大于0. 05,即相比两种方法的性能，它没有显著差 异性。
[008引实验分析
[0084] 表1表示DSI值（均值和标准差），SG')，巧，使用各种方法和所有图像的类分布 平均获得，最佳结果由粗体表示，表2为表1的派生形式，表示t测试结果，分别比较GMMSSK和GMMSUP1、gmmss嘴GMMSUP2。
[0085] 表1各方法图像分割中S种组织的DSI(均值±标准差）
[0086]
[0087]表 2S种方法的比较，GMMSsg X gMMSup嘴GMM SSG X gmmsup2:t-测试结果[008引
[0089] 从表1、表2可W看出，针对CSF、GM和丽，GMMSs哺比gmmsupi具有统计学显著优越 性能，而GMM聚类受起始参数选择不当会严重影响性能，本方法通过使用半监督方法提供 的有关参数的先验知识避免了该些影响。本方法还观察到，针对CSF、GM和WM，相比GMMSup2 与gmmsse，没有统计学显著差异，表明半监督方法提供的先验信息用于模块1，没有任何训练 数据，类似于由有监督方法对训练数据集计算的信息。
[0090] 此外，获得处理所有132个测试图像的CPU时间，比较方法的性能，相对于计算成 本。针对GMMSUP1、gmMsup2和gmmssg，使用英特尔多核1. 66細Z处理器、2G内存和MATLAB7. 0 版本，本方法在时间方面的秒均值和标准差分别为709 ± 994. 72，564. 65 ± 431. 23， 609. 74 + 204. 37。
[00川 GMMSUP2比GMMSUP1、G匪sse快，因为G匪SUP1和G匪sse使用基于聚类的半监督方法计算 初始混合参数集合而（GMMSUP2)直接使用地面实况的信息计算因此，GMMSUP2计算4 消耗的时间主要是式（11)-(13)所示的直接应用，明显小于相同数据集的聚类收敛时间。 [009引但是，当训练数据集不可用时，不能执行GMMSUP2,因此gmmss呵用，因为它执行效果 优于GMMSUP1，产生了统计学得到了显著改进，即成对t测试的P值小于0. 01。该实验表明， 由于GMM对初始化技术敏感，所W参数的先验知识使聚类算法快速收敛。
[0093] 本方法为人类脑部MR图像提出了一种基于半监督高斯混合模型的磁共振图像分 类方法，本方法避免了使用EM算法时混合模型参数估计期间iD的不当初始选择出现的问 题。本方法执行MR图像切片中人类脑部区域的分类，无需标记训练数据集，使用的人工专 家分析比有监督方法少。
[0094] 使用半监督学习算法相比其他具有贝叶斯分类器的无监督学习加快了GMM的收 敛速度，半监督算法消耗的时间小于具有贝叶斯分类器的无监督学习，因为当初始参数基 于先验知识时聚类算法收敛更快。由于GMM对初始化方法敏感，参数的先验知识改善了其 精度。
【主权项】
1. 一种基于半监督高斯混合模型的磁共振图像分类方法，其特征在于：本方法由两个 模块实现：先验聚类模块和分类模块，先验聚类模块用于关联具有聚类统计学度量的类标 签信息；分类模块用于从先验聚类模块接收先验信息来生成标记图像； 令Y = {X1，... Xm}为由一组2D切片表示的3D磁共振图像，其中m是图像中的切片数， 首先，从Y中随机选择一幅磁共振图像切片，只聚类该图像切片的体素，人工专家将每个产 生的聚类标记为灰质GM、白质丽或脑脊液CSF ;然后，标记信息和聚类统计学度量：均值、 方差矩阵和先验概率用于图像其他切片的分类过程；最后，利用统计学和所得聚类的类标 签信息分类剩余图像切片。2. 根据权利要求1所述的基于半监督高斯混合模型的磁共振图像分类方法，其特征在 于： 令Y = {X1，... Xm}为由一组2D切片表示的3D磁共振图像，其中m是图像中的切片数， 从Y中随机选择磁共振图像切片Xg，通过k均值算法聚类成三组，结果是一幅分割的图像， 分别为灰质GM图像段、白质WM图像段、脑脊液CFS图像段；人工专家评估聚类结果，如果良 好分割了图像，人工专家将每个分割的切片聚类q关联到其中一个类I = {GM，WM，CSF}，否 贝1J，再次用不同初始参数步°分割切片Xs。3. 根据权利要求2所述的基于半监督高斯混合模型的磁共振图像分类方法，其特征在 于聚类的具体步骤为： 随机选择的磁共振图像切片Xg的每段有一个类标签，假设混合模型组件和组织类之间 具有一对一的对应关系，从而使用Cj来表示第j个混合组件，即第j类，已知组织类与X 8聚 类之间的对应关系，针对Xi, y/,/，在其分配的聚类体素上计算每个类Cj的混合参数集φ』 ={ μ j, Σ j, π j},式中，L为关联类标签，μ 聚类统计学度量的均值，Σ 聚类统计学度量的方差矩 阵，、为聚类统计学度量的先验概率，In」为属于第j类的体素数，每个类的聚类和标签 对、混合参数集合^表示数据集的先验知识。4. 根据权利要求3所述的基于半监督高斯混合模型的磁共振图像分类方法，其特征在 于：数据集的先验知识用于聚类剩余图像切片，剩余图像切片集合Y*由Y组成，不包括用于 聚类分析的切片X g，当Y*的新切片提交给贝叶斯分类器时，早期计算的组织类混合参数集 !Dj= {μ p Σρ '_}，V/用于半监督高斯混合模型的初始参数，以平滑期望最大化算法收 敛，对剩余图像切片进行分类。
【专利摘要】本发明公开了一种基于半监督高斯混合模型的磁共振图像分类方法，涉及图像处理技术领域。首先，从原始数据集随机选取MR图像切片；然后，利用k-均值算法聚类；最后，利用统计学和所得聚类的类标签信息完成分类。所述方法加快了收敛速度，相比两种有监督高斯混合模型，得了更好的分割结果，且无需标记训练数据集，降低了图像处理时间，提高了图像处理精度。
【IPC分类】G06K9/62
【公开号】CN104881687
【申请号】CN201510295410
【发明人】黎远松, 刘小芳, 彭龑, 梁金明
【申请人】四川理工学院
【公开日】2015年9月2日
【申请日】2015年6月2日