全文总字数：1891字

1. 研究目的与意义及国内外研究现状

随着核磁共振技术的发展和在医学方面的应用，越来越多的脑部疾病的诊断需要依赖于此技术，想要获得清晰准确的脑磁共振图像就需要进行脑组织图像的分割。所以，脑组织结构的准确分割可以有效的提高诊断的可靠性。目前，已经有许多方法可以进行脑mr图像的分割，但是因为噪声，偏移场等因素的影响，导致传统的方法很难得到理想结果。在常用的方法中，student’s-t混合模型具有结构简单，易于操作的特点，并且相较于高斯混合模型，student’s-t混合模型具有重尾的特点，所以其被广泛地应用于脑mr图像的分割应用中。但是传统的student’s-t混合模型分割方法没有考虑到图像像素和其所在位置的相关性，所以本文引入空间信息，得到了改进的空间可变学生t混合模型，从而有更好的分割结果。

国内外研究现状

目前应用于脑磁共振的方法有很多，例如模糊c均值算法，模糊小波神经网络，模糊k近邻算法等。其中模糊c均值算法可以精准有效地进行图像分割，但它在分割低信噪比图像时会产生较大的偏差，不能有效的得到较好的分割结果。

2. 研究的基本内容

本课题主要研究脑mr图像的分割，利用student’s-t混合模型，并用matlab实现整个分割过程。

第一步，针对脑磁共振图像，分析如何将传统的高斯混合模型应用到图像分割之中，但传统的高斯混合模型容易受到噪声和异常值的影响，不能得到较好的图像分割结果；第二步，分析并应用学生t混合模型进行脑mr图像分割，由于其自身具有重尾的特点，所以其更耐噪声，但它并没有利用空间信息；第三步，在传统的学生t混合模型中增加空间信息和偏移场，使得改进的学生t混合模型可以得到更好的分割结果。

3. 实施方案、进度安排及预期效果

1月1日~1月31日 复习学年论文相关内容；

2月1日~2月28日 深入理解相关文献，掌握相关理论；

3月1日~3月15日 掌握高斯混合模型相关理论；

4. 参考文献

[1]谭帅,常玉清,王福利,等。基于gmm的多模态过程模态识别与过程监测

[2]christophoros nikou, nikolaos galatsanos and aristidis likas.a class-adaptive spatially variant mixture model for image segmentation

[3]李艳艳，王加俊。基于高斯混合模型的纹理图像的分割