迭代梯度矢量流方法及其在医学图像分割中的应用

论文摘要

医学图像分割是图像研究中的一个重要领域。由于医学图像的复杂性,普通的图像分割模型不能满足医学图像分割的需要。变形模型是近几年发展起来的一种新的图像分割方法并被广泛应用于医学图象分割中。变形模型分为参数变形模型和几何变形模型两种。最近约翰斯.霍普金斯大学的Xu Chenyang提出了GVF变形模型,通过扩展外力在图像区域的作用范围,改善了传统变形模型对初始轮廓的敏感性以及不能进入图像边界凹口的弱点。但对于含有又深又细凹口的复杂图像,GVF方法依然无能为力。 本文提出了迭代梯度矢量流参数变形模型(IGVF)。IGVF方法迭代使用GVF,每一次迭代时对上一次GVF产生的结果进行调整做为新的初始轮廓。轮廓调整主要在图像中又深又细的凹口附近GVF无法进入的区域进行。本文还对去除噪音和边缘检测等图像预处理技术作了深入的探讨。 最后,本文将IGVF和图像预处理技术应用于实际的医学图像分割中,包括人的小腿与大脑切片图像。其中大脑切片图像含有大量复杂的边界和又深又细的凹口。实验结果表明,相比与GVF方法,IGVF方法对边界复杂且具有又深又细凹口的医学图像分割效果良好,且迭代次数少。

论文目录

• 第一章 引论
• 1.1 研究背景与意义
• 1.2 医学图像分割技术的研究和发展
• 1.3 变形模型的发展历史及研究现状
• 1.4 本论文的研究内容及论文安排
• 1.5 本论文的创新之处
• 第二章 变形模型
• 2.1 几何变形模型
• 2.1.1 曲线演化理论
• 2.1.2 水平集方法
• 2.2 参数变形模型
• 2.2.1 参数变形模型的能量最小公式
• 2.2.2 参数变形模型的动态力公式
• 2.2.3 外力设计
• 2.2.4 参数变形模型的数值实现
• 2.2.5 参数变形模型几种方法的数值比较及缺陷
• 2.3 几何变形模型与参数变形模型的比较
• 第三章 梯度矢量流变形模型
• 3.1 参数变形模型广义力平衡方程
• 3.2 梯度矢量流（GVF）变形模型
• 3.2.1 边缘映射
• 3.2.2 梯度矢量流（GVF）
• 3.3 梯度矢量流变形模型的数值实现
• 3.4 GVF变形模型与传统方法的比较
• 3.4.1 GVF变形轮廓向边界凹口的收敛
• 3.4.2 GVF变形轮廓的初始化和收敛性
• 3.4.3 GVF性能分析
• 第四章 IGVF变形模型
• 4.1 IGVF方法
• 4.2 算法说明
• 4.3 IGVF变形模型实验
• 4.3.1 单GVF的实验过程
• 4.3.2 IGVF的实验过程
• 4.4 IGVF算法的性能评价及同GVF的比较
• 第五章 IGVF变形模型在医学图像分割中的应用
• 5.1 图像的预处理
• 5.1.1 边缘检测算法
• 5.1.2 多尺度高斯模糊
• 5.2 IGVF图像分割算法流程图
• 5.2.1 GVF场算法的流程图
• 5.2.2 GVF变形模型算法
• 5.2.3 工GVF图像分割算法流程图
• 5.3 IGVF的实际应用
• 5.3.1 人体小腿肌肉图像分割
• 5.3.2 大脑图像的分割
• 第六章 结束语
• 6.1 总结
• 6.2 讨论及展望
• 参考文献
• 攻读硕士学位期间的研究成果
• 致谢
• 学位论文独创性声明
• 学位论文知识产权权属声明