1.1研究目的与意义

脑部是人类生命与活动的中枢神经系统，是一个功能异常强大而且十分神秘的器官，迄今人们对它的认识尚十分有限。中枢神经系统包括肿瘤、感染、外伤、白质病变等等，为了定量的检查这些疾病，确定病变累积的部位和范围，已经有很多成像技术来进行颅脑内部解剖结构显像，其中最重要的就是已经能够提供很好的软组织对比度的磁共振成像技术。与其他医学影像技术相比，医学磁共振技术（MRI）具有较高的组织对比度和空间分辨率，能够根据软组织的物理和生化特性把它们很好的区分开来。因此，MRI成为了人们进行脑功能、病理和解剖研究的重要手段。

脑部MR图像的分割在近几年一直是计算机视觉领域的热点。分割是对脑部MRI进行定量分析和研究脑部疾病的重要手段之一。事实上，大脑的结构变化可能会导致一些脑部疾病，通过测量感兴趣区域的体积来量化结构变异，可用于评估某些疾病的严重程度或脑部的进化情况。随着数字医学图像的发展，脑部MRI的分割在医学图像处理和分析中扮演着越来越重要的角色。脑部MR图像分割问题根据不同的目的主要有: 一，脑组织的提取，即脑组织从头部MR图像中提取出来；二，脑组织分类，即将脑部MR图像标记灰质、白质、脑脊液等不同的组织区域；三，脑部病变组织的提取等。

1.2国内外研究现状

由于MR成像固有的一系列噪声和伪影的存在理想的分段常量属性往往会被破坏。而且，不是所有的MR图像都能提供较高的软组织对比度，比如许多T2加权像与质子密度像就不能很好的区分灰质和白质。这些都是脑部MR图像分割所面临的困难。现在有成千上万种对MR图像进行分割处理的方法，主要有区域生长、基于边缘检测的算法、马尔科夫随机场模型算法、基于模糊集理论的算法和基于机器学习的算法等。

区域生长是一种根据事前定义的准则将像素或子区域聚合成更大区域的方法，基本方法是以一组“种子”点开始将与种子性质相似的相邻像素附加到生长区域的每个种子上。区域生长算法的主要缺陷是，每一个需要提取的区域都必须人工给出一个种子点，这样有多个区域就必须给出相应的种子个数，此法对噪声也很敏感，会造成孔状甚至根本不连续的区域。

马尔科夫随机场模型算法是从统计学的角度出发对数字图像进行建模，把1图像中的各个像素点的灰度值看作是具有一定概率分布的随机变量。参数估计的复杂性是制约其应用的一个瓶颈，必须选择正确的参数估计方法和优化计算方法，以保证估计的正确性和收敛的快速性。

深度学习是一种机器学习方法，它可以学习多层次的特征，当它的结构层次越深时，它的功能性就会变得越复杂。卷积神经网络（CNN）是深度学习的方法之一，是一种多层次可完全训练的模型，它可以学习图片的深层次信息，具有较强的鲁棒性。在本次设计中，我们便是采用卷积神经网络对脑部MR图像进行分割，提取不同的脑部组织。

2. 研究的基本内容与方案

本设计是基于卷积神经网络的脑部MR图像分割。分析脑部核磁共振图像在医学诊断中是一种及其常见的检测方式，因此脑部核磁共振图像的分割在医学图像处理领域中也有着十分重要的作用。现在已经有很多处理脑部MR图像分割的算法，在本次设计中我们采用的是一种基于区域块的卷积神经网络方法。这种方法的思想在于将我们要处理的核磁共振图像分成同样大小的小区域块，然后把这些区域块作为卷积神经网络的输入进行训练，每个区域块的输出代表了这个区域块中心的分割结果，最后将所有的区域块的输出结果进行整合可以得到一个原始MR图像的分割图像，即分割成不同脑组织的图像

为了客观的评价最后的实验结果，我们选择了两个公共数据集作为本次设计的数据集，一个是来自Brainweb网页的3D MR仿真脑部数据集，这个数据集的图片是根据真实的人脑进行仿真得到的MR图片，经常用于测评各种图片分析方法的性能，；另一个数据集是从CANDIneuroimaging access point下载的公共数据集，与brainweb数据集不同的是，这个数据集是真实的人脑MR图片，它们是从6到17岁的儿童和青少年上扫描得到的，同时也包括了男性和女性，所有这些图像都是在McLean医院大脑成像中心的一台1.5-Tesla磁共振扫描仪上扫描得到的。之所以要选择两个数据集进行验证，是因为这样可以减少实验结果的偶然性。