拓扑自适应梯度向量流模型及在医学图像分割中的应用

论文摘要

医学图像在疾病诊断和治疗中的作用日益重要,因此计算医学图像解剖组织的精确的几何模型就成为一个富有挑战性的问题。处理这种问题的一种比较有前途的方法是使用变形模型。此模型在分割、可视化、配准和解剖组织跟踪中是很有效的,因为它考虑了图像数据的约束和组织的位置、大小及形状等先验知识。而且,变形模型高度支持直观的交互机制,从而允许医学专家将他们的经验带到图像解析工作中。 本论文在医学图像分割和分析中提出、发展和运用一种新的离散变形模型,即在梯度向量流变形模型中引入仿射单元分解结构,提出了拓扑自适应梯度向量流模型。这种模型解决了原来梯度向量流模型无法处理拓扑结构改变的问题。此模型可以动态的生成或消除多个模型实例而且可以无缝的分裂或合并多个模型实例以适应对象的拓扑结构改变。 拓扑自适应梯度向量流模型组合了一种新的和一种传统的重新参数化算法,传统的参数化算法是基于物理的参数化公式,允许其以能量和约束力的形式加入先验解剖知识,同时提供直观的交互能力;新的参数化方法可以扩展传统参数变形模型的能力使其具有拓扑自适应性。所以拓扑自适应梯度向量流模型可以用来提取、重建和分析医学图像中非常复杂的生物学组织。 拓扑自适应GVF变形模型是一种解决传统变形模型局限性的方法,实验结果验证了该方法的有效性。

论文目录

• 第一章 引言
• 1.1 问题叙述
• 1.2 研究内容
• 1.3 论文组织
• 第二章 变形模型理论
• 2.1 能量最小化变形模型
• 2.2 用变形模型进行医学图像分析
• 2.3 小结
• 第三章 梯度向量流变形模型
• 3.1 参数变形模型广义力平衡方程
• 3.2 梯度向量流（GVF）变形模型
• 3.3 梯度向量流变形模型的数值实现
• 3.4 GVF变形模型在医学图像分割中的应用
• 3.5 小结
• 第四章 拓扑自适应梯度向量流变形模型
• 4.1 模型概述
• 4.2 模型描述
• 4.3 单形单元分解
• 4.4 小结
• 第五章 应用实例分析
• 5.1 二值图像分割
• 5.2 膝盖CT图像分割
• 5.3 小腿CT图像分割
• 5.4 小结
• 第六章 总结
• 6.1 论文总结
• 6.2 算法优点
• 6.3 研究方向
• 参考文献
• 致谢
• 学位论文独创性声明
• 学位论文知识产权权属声明