基于MAS的醫(yī)學圖像分割關鍵技術研究.pdf

1、在臨床診斷和病理學研究中，為了準確地分辨醫(yī)學圖像中的正常組織結構和異常病變，需要對醫(yī)學圖像進行分割。由于醫(yī)學圖像對比度較低，加之組織特征的可變性、不同組織之間或者組織和病灶之間邊界的模糊性以及微細結構(如血管、神經(jīng))分布的復雜性，使得醫(yī)學圖像分割成為一個難點。 論文在分析了國內外有關醫(yī)學圖像分割方法相關文獻的基礎上，基于Agent原理與技術，提出了一種新的基于MAS(Mullti-Agent System)的醫(yī)學圖像分割方法。論

2、文的主要工作及創(chuàng)新點是： (1)對國內外典型醫(yī)學圖像分割方法進行了深入地分析，綜述了圖像分割的基本方法，并針對醫(yī)學圖像的特點，闡述了基于MAS的醫(yī)學圖像分割方法的可行性和必要性。 (2)對MAS協(xié)作求解機制和Agent群體強化學習進行了詳細介紹。討論了幾種典型的MAS體系結構，指出MAS不僅在結構上存在相關性，而且在行為上也存在相關性，這些相關性正是MAS協(xié)作的起因。將傳統(tǒng)的強化學習技術引入到MAS中，形成Agent群體

3、強化學習機制。 (3)在上述工作基礎上，通過對典型MAS組織結構優(yōu)缺點的分析，提出一個基于Agent圖(Agent Graph)的三級MAS協(xié)作組織模型，該模型較好地兼顧了系統(tǒng)對通信開銷、效率、可靠性等方面的要求。以個體強化學習和Agent組(Agent Team)的概念為基礎，設計了一種引入先驗知識的強化函數(shù)，提出了基于Agent組的群體強化學習算法。 (4)針對醫(yī)學圖像分割，提出一種圖像分割的高層模型，對該模型的各個

4、部分進行了詳細介紹，指出了模型設計中的幾個關鍵問題。根據(jù)該模型，給出了基于MAS的醫(yī)學圖像分割技術的流程和關鍵算法。 (5)利用論文的分割算法對圖像進行了分割實驗，人腦模擬圖像組織的分割和FCM方法的分割視覺效果對比，人腦冠狀面MR圖像的MAS分割和ML分割及CGS分割的比較以及異常腦組織的分割實驗結果表明，論文的基于MAS的自適應分割算法較好地完成了圖像的分割，視覺效果良好，具有很好的適應性，分割效果與領域專家的意見基本一致，