全文总字数：3598字

1. 研究目的与意义及国内外研究现状

当今中国人口老龄化程度日益加深，而脑部疾病是老龄人比较常见的疾病，因此脑部疾病在临床医学上得到越来越多的重视。而脑部疾病的诊断通常借助于头颅平片、ct扫描、脑血管造影，核磁共振成像等脑部成像方法，其中核磁共振成像（magnetic resonance imaging, mri)以良好的软组织分辨率、全方位无观察死角，无创性等优点被广泛应用于脑部疾病检测。对脑部疾病的诊断需要对脑mr图像进行分割，以便于消除噪声、偏移场等负面影响，便于观察。

目前对脑mr图像分割的方法有基于人工神经网络的分割方法、基于模糊集理论的分割方法、基于随机场的分割方法、基于pde的分割方法、基于统计学理论的分割方法等。其中基于统计学理论的分割方法以风险最小化为原则，具有精度高、自适应能力强等特点，成为热点方法之一。其中基于高斯混合模型的脑mr图像分割方法，具有简单、有效便于理解的优点，因此本文选择研究基于高斯混合模型的图像分割方法。而传统的高斯混合模型只考虑像素点的灰度信息，忽略了空间位置信息，并且实际成像过程中易于产生噪声和偏移场，使得传统的高斯混合模型无法达到理想的分割结果，本文提出一种将偏移场耦合到改进的空间信息的高斯混合模型的算法，以期解决传统高斯混合模型的这些问题，更好的应用于临床医学。

2. 研究的基本内容

1.阐述基于传统高斯混合模型分割方法的局限性

2.提出改进的空间可变的高斯混合模型

3.提出改进的偏移场耦合模型

3. 实施方案、进度安排及预期效果

实施方案：用matlab实现论文中三种算法对mr图像的分割，通过多组科学实验得到的结果，来比较没有偏移场但噪声率不同的情况下本文算法与传统高斯混合模型的表现，与不同偏移场相同噪声情况下的两种算法的表现。

进度安排：

2月14日~ 2月21日 根据毕业设计选题和任务书，查阅高斯混合模型相关资料，完成开题报告；

4. 参考文献

[1]pill,r.s. and lindsay,b.g. alternative em methods for nonparametric.finite mixture models[j] ,biometrika,2001,88:535-550

[2]a.mccallum,r.rosenfeld,t.mitchell,and a.ng.improving text classification byshrinkage in ahierarchy of classes[j].in proc.15th intl. conf. on machine learning(icml)[icml],1998:359-367