基于Dempster Shafer理论和模糊c均值的脑MRI分割新方法

在本文中,提出了一种新的方法来降低对运动噪声的敏感性和磁共振成像(MRI)分割中的不确定性,特别是在只有一个大脑图像可用的情况下。 该方法在考虑空间邻域信息时,采用的是DS和DS融合了像素及其邻域的信息。 每个单一假设的基本概率分配(BPA)是从将模糊c均值(FCM)聚类应用于MRI的灰度级的隶属函数获得的。 然后根据单个假设生成多个假设。 然后,我们通过融合目标像素及其邻居像素的BPA来更新目标像素的BPA,以获得最终结果。 在论文的末尾展示了MRI分割中的一些例子,将我们的方法与以前的方法进行了比较。 结果表明,该方法在运动模糊MRI分割中比其他方法更为有效。