题目：基于中层特征的医学图像分割研究

噪声，部分容积效应，运动等因素造成的图像失真会造成算法性能的下降，因而目前医学图像分割算法的设计仍是一项充满挑战性的工作。基于统计模型的算法在许多医学图像分割任务重表现出了优异的性能，成为当前较流行的一个研究方向。在基于统计模型的算法中，提高分割算法性能的一个关键步骤是用合适的特征来表示图像。目前多数图像特征表示方法是基于低层特征描述实现的，例如SIFT，HOG等，并未考虑图像的全局信息。针对此问题，近年来有一些工作提出用图像的中层特征来表示图像，中层特征以低层特征为输入，能够较好地表达图像中的高层信息。

目前已有的中层特征提取方法主要是针对自然图像设计的，并不适用于医学图像，为此本文将设计针对医学图像的中层特征提取方法。在研究中，本文提出了三种不同的学习中层特征的方法：第一种方法是为图像中每个待分割的结构训练一个线性SVM分类器，将脑图像作为这些分类器的输入，得到输出的确信度分布，从中计算图像的中层特征。在第二种方法中本文使用K均值算法从图像中学习到一个词典，根据矢量量化的方法，用学习到的词典提取中层特征。本文同时提出了用随机森林稀疏编码算法生成词典，用学习到的词典对图像进行重新编码，从中提取中层特征。本研究使用Auto-context图像分割算法，结合中层特征提取算法，在三维脑MR图像的分割实验中验证了中层特征的有效性。研究发现，随机森林稀疏编码算法提取的中层特征要优于其他算法，将中层特征和低层特征结合，可以提高分割算法的性能。