中文摘要：

MR图像分割是当前医学图像分割中研究的热点和难点。由于成像条件的限制，MR图像都具有内在的不确定性或模糊性，这种不确定性给传统的医学图像分割算法带来困难，却给模糊模式识别分割技术提供了产生的必要条件。本项目在前期研究的基础上，针对模糊聚类及其核方法在脑部MR图像分割中的应用进行如下研究在模糊聚类算法中结合图像的马尔科夫特性，同时考虑MR成像的非均匀性效应，提出一种基于图像马尔科夫特性的惩罚模糊聚类分割算法；将核学习的思想引入模糊与可能性聚类算法中，提出一种基于核的模糊可能混合聚类分割算法；借助支持向量机良好的分类性能，结合MR图像模糊性的特点，构建基于模糊支持向量机的MR图像分割模型；最后，研究一种有效的分割定量评价方法。项目的研究将为MR图像的分割提供新的研究思路和方法，其结果将能有效地提高MR图像的分割性能，对于MR图像在计算机辅助诊断、病理分析及计算机模拟手术等方面具有重要价值。

结论摘要：

本项目通过对模糊聚类及其核方法的系统研究和问题分析，提出新的模糊图像分割算法，并将其成功地应用于脑部MR图像的分割；同时为了有效利用MR图像的多模态综合信息进行更为准确的分割，本项目研究了多模态医学图像融合。项目的主要创新工作包含①在模糊聚类算法中结合图像的马尔科夫特性，同时考虑MR成像的非均匀性效应，提出一种基于图像马尔科夫特性的惩罚模糊聚类分割算法；②通过将传统的“硬”EM 算法推广到“软”EM 算法，利用模糊聚类技术和统计技术相结合，提出一种模糊期望最大值MR图像分割算法；③将核学习的思想引入模糊与可能性聚类算法中，提出一种基于核的模糊可能混合聚类分割算法；④借助支持向量机良好的分类性能，结合MR图像模糊性的特点，构建基于模糊支持向量机的MR图像分割模型；⑤基于对多模态医学图像之间的信息互补和冗余特性的分析，结合人眼的视觉感知特性和小波系数的物理特征，提出新的基于DWT的多模态医学图像融合方法。项目的研究为基于单模态和多模态的MR图像分割提供了新的研究思路和方法，研究成果对于MR图像在计算机辅助诊断、病理分析及计算机模拟手术等方面具有重要价值。就上述内容，本项目取得了一系列重要成果，共发表学术论文26篇，其中7篇被SCI收录，21篇被EI收录。？