融合先验知识的医学图像分割

论文摘要

人工处理的局限性和计算机图像处理技术的迅速发展，使基于医学图像的计算机辅助诊断成为一种必然趋势。如何从庞大的医学图像数据中获取待分析的组织结构并得出其医学功能信息是一项亟待解决的问题。其中，既是初始步骤又是决定后续操作正确性的关键——图像分割，正面临着图像质量、人体组织存在的个体差异和时间形变等挑战。因此，本文引入先验知识，针对两类医学图像的分割方法展开了研究，主要工作和成果如下：1.针对可用于计算射血分数和心脏容积等临床参数的左心室区域，本文采用主动形体模型(Active Shape Model, ASM)，从训练样本中获得平均模型和灰度信息，从待分割的心脏CT图像中提取左心室的内外壁。针对传统ASM方法的搜索依赖于一阶导数轮廓线，提出了一种结合DAISY算子的改进方法，构建特征模型取代初始的灰度模型，在沿法线的带状区域内，进行搜索和拟合。同时，采用该算子实现了标记点的自动获取和模型的初始化。实验证明改进后的算法精度和便捷性均有所提高。2.多序列颈动脉MRI图像中血管内外壁的边缘信息是用于斑块易损性检测的关键，其中血管内轮廓较易获取，但外壁轮廓的分割始终是难点，本文针对该问题提出了一种以内壁的分割结果作为形体先验的方法，构建一个类似环状的先验模型，加入到区域可缩放拟合模型(RSF)中进行演化拟合，通过最小化能量项来捕获外管壁的轮廓。通过与其它几种基于水平集的主动轮廓模型方法的对比分析，表明本文提出的方法能更为准确地获得颈动脉MRI图像的血管外壁轮廓。通过以上两项工作，充分说明待分割的形体较为复杂时，引入先验知识将降低分割难度，并相应地提升分割的准确性。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 分割算法
• 1.1.1 发展现状分析
• 1.1.2 引入知识的重要性
• 1.2 常用成像技术
• 1.2.1 CT成像
• 1.2.2 MRI成像
• 1.2.3 发展趋势
• 1.3 医学分割方法现状
• 1.3.1 医学图像特点
• 1.3.2 常用医学分割方法
• 1.3.3 可形变模型举例
• 1.3.4 交互式算法
• 1.3.5 分割评价方法
• 1.4 本文结构及创新
• 第2章 心脏和颈动脉图像特点分析
• 2.1 心脏图像数据
• 2.1.1 研究意义
• 2.1.2 研究内容及难点
• 2.1.3 常用算法
• 2.2 颈动脉图像数据
• 2.2.1 研究意义
• 2.2.2 成像和图像特点
• 2.2.3 发展现状
• 2.3 本章总结
• 第3章 主动形体模型及改进
• 3.1 ASMs原理概述
• 3.1.1 基本思想
• 3.1.2 实际应用
• 3.1.3 研究主题
• 3.2 拟改进方向
• 3.2.1 主要切入点
• 3.2.2 DAISY与心脏图像
• 3.3 结合特征描述子的ASMs改进
• 3.3.1 应用特征模型
• 3.3.2 增加预标记过程
• 3.3.3 自动初始化
• 3.4 本章总结
• 第4章 结合先验知识的轮廓模型
• 4.1 基于水平集的主动轮廓模型
• 4.1.1 测地线轮廓模型
• 4.1.2 梯度向量流模型
• 4.1.3 CV和RSF模型
• 4.1.4 结合形体先验的轮廓模型
• 4.2 融入先验的颈动脉分割方法
• 4.2.1 颈动脉图像预处理
• 4.2.2 管腔分割及效果评估
• 4.2.3 两种外轮廓分割方法
• 4.3 实验结果与分析
• 4.3.1 几类算法结果
• 4.3.2 算法评价
• 4.4 本章总结
• 第5章 结论与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 附录
• A ASMs的建模和拟合过程
• A1 点分布模型
• A2 建立灰度模型
• A3 搜索拟合
• A4 参数更新
• B 水平集方法介绍
• B1 基本概念
• B2 数值解法
• B3 重复初始化问题
• B4 变分水平集
• C 颈动脉管腔提取的程序截图
• C1 整体界面
• C2 主要功能
• 致谢
• 攻读学位期间参加的科研项目和成果