通过凸优化分割和偏置场校正耦合模型对大脑MR图像进行自动分割

磁共振(MR)图像的准确分割仍然具有挑战性,这主要是由于强度不均匀(通常也称为偏置场)引起的。 最近已经应用了具有几何信息约束的活动轮廓模型,但是,大多数轮廓模型通过在MR数据分割之前使用必要的预处理步骤来处理偏置场。 本文提出了一种新颖的自动变分方法,该方法可以在分割具有高强度不均匀性的图像时,对大脑的MR图像进行分割,同时校正偏场。 我们首先定义一个用于在较小邻域中对图像像素进行聚类的函数。 该目标函数中的聚类中心具有一个乘法因子,用于估计邻域内的偏差。 为了减少噪声的影响,局部强度变化通过具有不同均值和方差的高斯分布来描述。 然后,将目标功能集成到整个域中。 为了获得全局最优值并使结果独立于算法的初始化,我们将能量函数重构为凸函数,并使用Split Bregman理论对其进行了计算。 我们的方法的一个显着优势是其结果与初始化无关,从而可以实现可靠且完全自动化的应用程序。 即使在7T MR图像中,我们的方法也能够估计相当普通的轮廓的偏差。 此外,我们的模型还可以区分强度分布相似,方差不同的区域。 所提出的方法已经通过在各种成像方式上获得的图像进行了严格的验证,并获得了可喜的结果。