基于水平集的前列腺CT图像分割

论文摘要

医学图像分割是医学图像处理的一个重要环节,图像分割的效果直接影响着计算机辅助诊断系统的可用性。虽然新的医学图像分割算法被提出,但是由于医学图像的特殊性和复杂性,往往导致算法的通用性受到了限制。因此针对前列腺CT图像分割问题,我们必须进行单独地研究。针对前列腺分割的难点,本文首先研究了基于区域信息的水平集主动轮廓模型,利用该模型方法可以较好的完成轮廓的分割,但需要手工人为地从骨盆CT初始图像中定位前列腺组织的中心区域,来辅助曲线轮廓的演化,没有实现图像的全自动分割。为实现前列腺CT图像自动分割,本文提出一种结合形状和纹理信息利用遗传算法进行水平集演化,用水平集函数零水平集来表示分割轮廓的分割方法。传统的水平集轮廓演化模型对于初始轮廓的选择和组织边缘的清晰度要求极高,初始轮廓远离分割目标,往往会因为驱动演化能力的不足而得不到分割目标；医学图像特有的局部体效应也会使得曲线演化偏离前列腺组织边界。相比之下,使用遗传算法最优化水平集函数无需计算能量函数和相关参数,有效解决了传统方法计算复杂的问题。利用专家手工分割的轮廓信息,对形状信息进行PCA分析建模获取平均形状和主要形状偏差,对不同区域的纹理信息建立Fisher判别准则,依据纹理分类结果和水平集函数,使用遗传算法来演化分割轮廓。实验证明本文提出的方法是一种较为精确的图像自动分割方法。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 医学图像分割的研究现状
• 1.3 医学图像分割的难点
• 1.4 医学图像分割算法的分类
• 1.4.1 基于边缘的图像分割
• 1.4.2 基于区域的图像分割
• 1.4.3 基于模型的图像分割
• 1.5 前列腺CT图像的分割特点和难点
• 1.6 本文研究内容及安排
• 第2章 基于几何主动轮廓模型的前列腺CT图像分割
• 2.1 主动轮廓模型研究
• 2.2 曲线演化理论
• 2.3 水平集方法理论
• 2.3.1 几何曲线演化模型
• 2.3.2 水平集函数构造
• 2.3.3 水平集方法的数值计算
• 2.4 Mumford-Shah分割模型
• 2.5 Chan-Vese分割模型
• 2.6 改进的C-V分割模型
• 2.7 实验结果和讨论
• 2.8 本章小结
• 第3章 前列腺CT图像的高层特征提取
• 3.1 引言
• 3.2 形状模型构建
• 3.2.1 形状特征概述
• 3.2.2 样本目标轮廓配准
• 3.2.3 形状偏差特征值获取
• 3.3 纹理模型构建
• 3.3.1 纹理特征概述
• 3.3.2 Laws纹理分析
• 3.3.3 Fisher线性判别
• 3.4 本章小结
• 第4章 基于前列腺CT图像特征的水平集遗传演化模型
• 4.1 引言
• 4.2 水平集方法和遗传算法在医学图像上的应用
• 4.2.1 水平集方法用于医学图像
• 4.2.2 遗传优化方法用于医学图像
• 4.3 水平集遗传算法及其实现
• 4.3.1 水平集遗传算法
• 4.3.2 适应度函数的定义
• 4.3.3 遗传算子的构造
• 4.4 实验结果和讨论
• 4.4.1 算法性能评估
• 4.4.2 实验结果分析
• 4.5 本章小结
• 第5章 总结与展望
• 参考文献
• 致谢