摘要
医学图像分割是医学图像处理中一项非常重要的工作，是由医学图像处理到分析的关键步骤，是目标分离、特征提取和参数测量的基础和前提。医学图像分割使得更高层的医学图像诊断和理解成为了可能。相对于其它图像，医学图像具有对比度低，噪声点较多的特点。此外，医学图像中的组织器官和病灶之间的边界较为模糊，医学图像的这些特点这些都给医学图像分割带来了很多困难，因此对医学图像进行分割是一个研究难点。到目前为止，任何一种分割方法都会存在一定的缺点。有的是分割精度低，有的是分割效率低，还有的是在鲁棒性能差。因此，合理地分割医学图像是当前研究的热点。 本文以人脑部MRI图像序列为研究对象，展开对脑部不同组织的检测与分割技术的研究工作，主要研究工作如下: 本文设计了一个医学图像处理系统，系统设计了两个部分。第一部分为基于并行切比雪夫不等式的核密度估计背景建模算法，简称MRKDCA算法;第二部分为基于并行像素点连通率的图像分割算法，简称MRTSCS算法。 基于切比雪夫不等式的核密度估计背景建模算法（KDCA算法）是本实验组张琨博士2012年设计的一种背景建模算法，但是只在单机串行环境下实现了算法。针对算法计算量大时计算速度慢的问题，本文提出的MRKDCA算法是KDCA算法的MapReduce的化实现。 基于像素点连通率的图像分割算法（TSCS算法）是一种新型的图片分割算法，本文提出的MRTSCS算法是TSCS算法的MapReduce化实现。 图像分割算法本身的时间复杂性和实时性需求要求不断改进计算机硬件技术和并行处理算法。针对传统单点串行算法在面对大规模数据或者分类的属性较多时效率低甚至无力承载大规模运算，难以满足人们处理海量数据的需求等问题，本文在Hadoop框架的基础上，提出了两种基于Hadoop的高效、廉价的并行化算法，并把它应用于实际的脑组织MRI图像分割，实验表明这种方法具有一定的准确性，并在面对大规模数据时能有效提高算法的效率，满足人们处理海量数据的需求。
NETL