蒋秋霖， 王 昕

(长春工业大学 计算机科学与工程学院， 吉林 长春 130012)

0 引 言

脑肿瘤因其高发病率和超过2.4%的死亡率[1]被视作严重危害人类生命健康的杀手之一。因此，脑肿瘤的诊断和治疗日益受到人们的关注与重视。

医学影像学技术发展日益成熟，以核磁共振成像(Magnetic Resonance Imaging， MRI)为代表的辅助检查技术已成为诊断肿瘤疾病的重要手段。因其无伤害和成像清晰等特点，被广泛用于临床诊断和治疗。精确分割MRI脑部肿瘤图像，可为医生提供完善的肿瘤信息，使其及时分析病理，制定治疗计划，同时在手术定位、创建病情档案、建立肿瘤模型等各方面也有重要作用[2-3]。

目前，许多学者提出了各种分割脑肿瘤区域的方法。例如，Popuri等[4]使用三种 MR 模态(T1,T1C 和 T2)和纹理特征构建了一种多模态特征集合，用来构建一种针对肿瘤和正常组织的统计模型，从而获取脑瘤的无监督分割图像。Anitha等[5]提出了一种结合贝叶斯定理和软模型的方法，来分割脑肿瘤和水肿区域。 Zikic等[6]使用拥有空间非局部特征的分类森林(Classification Forest， CF)表示数据，根据拥有初始概率的CF 估计组织类别。Bauer、Geremia等[7-8]构建一种判别随机决策森林框架，进而形成逐像素的概率分类。曾文权等[9]提出了一种半自动方法，需要人工画出一个直径来定义前景区域和一个方框来限制背景区域，使用水平集方法通过计算肿瘤和背景的差异来分割肿瘤。

1 基于区域生长算法的MR脑肿瘤分割

传统区域生长算法需要手动选择阈值，阈值选取的误差会使图像分割存在空洞等问题，且噪声对脑肿瘤图像的影响也不可忽略，因此，文中提出利用迭代算法改进区域生长算法进行脑肿瘤分割。……