基于DICOM文件格式的MR图像分割方法研究

论文摘要

医学图像分割在医学影像分析中占据着非常重要的位置,为临床医学的发展产生积极的推动作用。比如对病灶进行定量分析从而使得医务工作者对病患的病情有着系统的了解,同时随着计算机能力的不断提高医学分割技术在临床的计算机辅助手术中也有着广泛的应用,其发展及应用前景将会更为广阔。本文首先介绍了图像分割的基本原理和方法,并指出医学图像分割的重要意义、国内外发展现状和趋势。由于本文采用的图像格式是DCM文件格式,因此将图像准确地显示出来成为进行图像分割的重要前提。通过对DICOM标准的仔细分析得到图像数据并通过VC++和VC++结合工具包DCMTK这样两种方法将其实现出来。本文的研究对象是MR脑部图像,因此在分析这种专业的医学图像时,必须对图像的成像原理和处理手段有着深刻了解,为后期在做图像分割时为了准确显示病灶而选取恰当的加权图像做准备。同时要求研究对象是仅为脑部组织的MR图像,在本文中是通过数学形态法将脑部组织提取出来为后期分割做准备。在本文中提出了图像分割在MR图像中的两种应用方式：一是对脑组织进行正常的解剖分割,将MR脑部图像分割为脑白质、脑灰质和脑脊液等组织部分；二是对包含有病灶的MR脑部图像进行分割,将病灶从组织中提取出来进行定量分析。因此本文从这两种分割目的上给予不同的分割算法。针对第一种分割目的,首先通过对脑部的MR图像采用FCM算法来进行分析及讨论,求解得出聚类中心及隶属度矩阵,通过每个像素对各个聚类中心的隶属度来进行分类以达到图像分割的目的。同时针对FCM算法的计算量较大、迭代次数较多,本文将图像中各点像素与聚类中心的欧式距离引入高斯距离来降低了完成图像分割的迭代次数。针对上述算法中图像像素只是关注当前点,而忽略了该像素点与周围邻域的关系,因此提出在目标函数上引入某个像素归属于某个聚类中心的隶属度矩阵的更新来约束当前像素点,从而使算法更为准确。针对第二种分割目的,首先概述了曲线演化理论的相关理论,对Snakes模型和C-V模型的原理进行了简单的分析,本为中使用的包含病灶的图像是脑梗塞的图像序列,先对脑梗塞图像的特点进行说明,继而详细介绍水平集演化过程的推导及其在病灶提取上的运用,得到了病灶的面积,而后通过阅读标签号得到图像的厚度和行列体素间距,对序列中的每幅包含病灶的图像进行上述过程从而获得整个病灶体积的获得。这种病灶体积的获得方法要比采用三维重建后再获得要简便很多。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 医学图像分割
• 1.1.1 图像分割概念
• 1.1.2 相关方法的概述
• 1.2 医学图像分割的意义
• 1.3 国内外研究现状及发展趋势
• 1.4 本文研究的主要内容
• 1.5 本文结构安排
• 第二章 DICOM医学图像的显示
• 2.1 DICOM标准
• 2.1.1 DICOM标准的起源
• 2.1.2 DICOM标准的组成部分
• 2.2 DICOM文件数据格式
• 2.2.1 相关基本概念
• 2.2.2 DICOM文件的解剖
• 2.3 DICOM文件的显示
• 2.3.1 利用VC直接显示
• 2.3.2 利用DCMTK结合VC显示
• 第三章 MRI成像技术
• 3.1 MRI成像技术
• 3.1.1 MRI成像原理
• 3.1.2 驰豫时间T1和T2
• 3.2 MRI成像受影响的因素
• 3.3 提取脑组织成分
• 3.3.1 数学形态法原理
• 3.3.2 应用于去除非脑组织
• 第四章 基于FCM算法的脑部MR图像分割
• 4.1 K均值聚类算法
• 4.1.1 模糊集基本知识
• 4.1.2 K均值聚类算法介绍
• 4.2 模糊C均值聚类
• 4.2.1 隶属度矩阵和聚类中心
• 4.2.2 实现过程
• 4.3 KFCM聚类算法
• 4.3.1 KFCM的基本理论
• 4.3.2 实现过程
• 4.4 带有邻域约束的聚类算法
• 4.4.1 相关基本概念
• 4.4.2 实现过程
• 4.5 小结
• 第五章 基于水平集的脑梗塞病灶提取
• 5.1 Snakes模型
• 5.2 C-V模型
• 5.3 水平集
• 5.3.1 水平集方法原理
• 5.3.2 水平集函数的推导过程
• 5.3.3 实现过程
• 5.4 病灶的提取和测量
• 5.5 小结
• 第六章 总结与展望
• 6.1 工作总结
• 6.2 未来工作展望
• 参考文献
• 致谢
• 在读期间发表的论文