使用磁共振成像(MRI)将脑体素分为灰质,白质和脑脊液(CSF)的分类对于定量脑分析至关重要。 尽管具有计算效率,但最常用的统计分类模型处理强度不均匀性(INU)和部分体积效应(PVE)的能力较弱,因此可能会产生较不准确的结果。 在本文中,我们提出了一种新颖的方法,即VMG-NDE算法,通过同时考虑所有影响来改善MRI图像中的脑素分类。 该算法有四块木板,其中包括:(1)使用高斯变异混合(VMG)模型来表征由PVE引起的体素值的变化,(2)在从图像中提取的小数据量上训练一组局部VMG模型为了减少INU的影响,(3)使用利基差异演化(NDE)来推断每个局部VMG模型,旨在避免陷入局部最优状态,以及(4)为每个研究构建一个概率脑图集,并使用它来合并进入分类过程之前的解剖结构。 在训练了本地VMG模型之后,我们使用所有这些模型生成的预测的线性组合对每个脑素进行分类。 该算法已针对基于变异期望最大化和基于遗传算法的分割算法以及广泛使用的统计参数映射(SPM)软件包,期望最大化分割(EMS)包装和FSL软件包中的分割例程进行了评估和临床T1加权脑MRI研究。 我们的结果表明,提出的算法可以更有效