医学影像图像分割与存储若干问题的研究

论文摘要

合理地分割影像图像是医学影像图像处理的重要基础步骤之一。鉴于医学影像的特殊性,常采用蚁群算法和形变模型法等基于人工生命的图像分割方法。本文对蚂蚁信息激素释放、路径转移重新定义,并将图像空间的模糊连接关系引入蚁群的觅食过程中,进而转换为蚁群搜寻的目标食物,改进了基于蚁群算法的医学图像分割方法。本文将Live Wire引入分水岭图像分割算法,对相邻区域以其像素数、灰度均值和灰度方差定义距离,并据其建立新连通图,以对图像过度分割而产生的一些过小区域合并;通过增加灰度模型,并以灰度模型中已分割图像中包含的物体和背景的局部区域统计信息,以及距离图等信息,引导活动轮廓在相邻的待分割图像中快速准确地收敛到物体的实边界;在模型跨边缘时,利用已分割图像中模型内部区域的统计特征,用区域生长法获取内点并重新参数化模型,以保证模型形变到正确的边缘。从而改进了基于形变模型的医学图像分割。本文面向PACS应用及不同类型物理存储器的技术特点,多层配置图像存储,以虚拟设备管理器屏蔽存储介质物理上的差异;针对医学图像传输时间分布特征,采用基于最小频率-时间间隔比的图像信息调度策略,并给出具体算法。本文分别对改进的医学影像图像分割结果进行了对比测试。

论文目录

• 中文摘要
• ABSTRACT
• 第一章 绪论
• 1.1 医学影像分割处理研究现状
• 1.1.1 医学图像分割方法分类
• 1.1.2 基于人工生命的医学图像分割
• 1.2 HIS/PACS集成与影像存储研究现状
• 1.3 本文研究内容
• 第二章 基于蚁群算法的医学图像分割
• 2.1 ANN/GA医学图像分割方法的局限性及启示
• 2.1.1 ANN医学图像分割法的局限性
• 2.1.2 GA医学图像分割法的启示
• 2.2 蚁群算法的基本原理
• 2.2.1 蚂蚁及其群体觅食策略
• 2.2.2 蚂蚁系统与蚁群系统
• 2.3 基于ACO/FCM的医学图像分割
• 2.3.1 用ACO实现医学图像轮廓特征提取
• 2.3.2 图像模糊连接定义与模糊C均值算法
• 2.3.3 改进的ACO医学图像分割
• 2.4 小结
• 第三章 基于形变模型的医学图像分割
• 3.1 基于参数形变的医学图像分割
• 3.1.1 基本Snake模型的内容
• 3.1.2 基本Snake模型离散化
• 3.2 分水岭图像分割方法
• 3.2.1 基本的分水岭分割算法
• 3.2.2 引入Live Wire的分水岭分割算法
• 3.3 基于形变模型的医学图像分割中对活动轮廓的改进
• 3.3.1 引入先验知识的活动轮廓
• 3.3.2 引入初始限制的形变模型
• 3.4 小结
• 第四章 医学图像分割方法评定与分割结果对比测试
• 4.1 医学图像分割方法评定
• 4.1.1 算法分析
• 4.1.2 图像分割算法评定
• 4.2 图像分割结果测试
• 4.2.1 医学影像图像分割质量测试方法
• 4.2.2 输出分割医学影像质量测试的结果
• 4.3 小结
• 第五章 HIS/PACS医学影像存储
• 5.1 以PACS医学影像信息存储为重点的HIS构建
• 5.1.1 PACS组成
• 5.1.2 PACS中的医学影像信息类型与数据量
• 5.1.3 医疗卫生单位中医学影像信息的时间分布
• 5.1.4 HIS与PACS共享存储平台
• 5.2 PACS存储系统
• 5.2.1 PACS数据存储系统
• 5.2.2 PACS数据存储设备
• 5.3 PACS存储方案设计
• 5.3.1 PACS图像存储机制
• 5.3.2 PACS图像存储调度算法
• 5.4 小结
• 第六章 总结与展望
• 6.1 全文总结
• 6.2 研究展望
• 参考文献
• 发表论文和参加科研获奖情况说明
• 致谢