基于幾何流的醫(yī)學(xué)圖像分割方法及其應(yīng)用研究.pdf

1、醫(yī)學(xué)圖像分割是指從醫(yī)學(xué)圖像中提取感興趣區(qū)域，為臨床診療和病理學(xué)研究提供可靠的依據(jù)，它在特征提取、定量測(cè)量以及人體器官三維重建等許多醫(yī)學(xué)圖像分析與理解應(yīng)用中起著關(guān)鍵作用。近年來，隨著生物醫(yī)學(xué)成像技術(shù)的發(fā)展，醫(yī)學(xué)圖像得到越來越廣泛的應(yīng)用；同時(shí)，醫(yī)學(xué)圖像日益復(fù)雜化、海量化，傳統(tǒng)的分割方法已逐漸不能滿足實(shí)際需要，因此，對(duì)醫(yī)學(xué)圖像分割的研究具有重要意義。本文以曲線演化理論、水平集方法和信息熵原理為基礎(chǔ)，對(duì)基于幾何流的圖像分割模型、醫(yī)學(xué)三維圖像分割

2、方法和圖像分割評(píng)價(jià)方法及其在醫(yī)學(xué)磁共振圖像分割中的應(yīng)用等當(dāng)前研究熱點(diǎn)進(jìn)行了深入研究。
　　針對(duì)Chan-Vese模型在演化過程中每次迭代都必須在整個(gè)圖像區(qū)域上計(jì)算而導(dǎo)致無法采用快速算法的缺陷，從基本理論公式的推導(dǎo)出發(fā)，根據(jù)區(qū)域和區(qū)域中像素的動(dòng)態(tài)變化，采用增量方式迭代求取區(qū)域的平均灰度，將其解析公式改進(jìn)為遞進(jìn)迭代公式，從而可以采用窄帶法等快速算法，較大地提高了分割效率，使得該模型更具實(shí)際意義。
　　為進(jìn)一步改善幾何活動(dòng)輪廓模型

3、對(duì)于圖層中的間斷邊緣或弱邊緣時(shí)出現(xiàn)的邊緣泄漏現(xiàn)象，通過在邊緣檢測(cè)函數(shù)中引入鄰層先驗(yàn)信息對(duì)曲線演化的停止條件進(jìn)行了改進(jìn)，提出了先驗(yàn)知識(shí)測(cè)地流模型。該模型將已分割切片中的局部區(qū)域特征帶入相鄰的未待割切片中，并引導(dǎo)待分割切片中的輪廓曲線收斂到目標(biāo)的實(shí)際邊界，因而提高了幾何活動(dòng)輪廓模型的精確性和穩(wěn)定性。
　　針對(duì)傳統(tǒng)的Watershed算法易受噪聲和量化誤差的影響而產(chǎn)生大量的過度分割現(xiàn)象，構(gòu)造了采用梯度矢量流(GradientVector

4、Flow，GVF)的標(biāo)量圖作為輸入梯度圖像的GVF-Watershed算法，該算法將突變的梯度信息平緩地?cái)U(kuò)散到圖像中，既能準(zhǔn)確地檢測(cè)到真實(shí)圖像邊緣，又增強(qiáng)了對(duì)圖像噪聲和量化誤差的免疫能力，從而改善了過度分割現(xiàn)象。
　　為提高三維醫(yī)學(xué)圖像分割的質(zhì)量和效率，將GVF-Watershed算法f簡(jiǎn)稱為GW)和基于LevelSet方法(簡(jiǎn)稱為L(zhǎng)SM)的幾何流分割模型結(jié)合起來，形成GW-LSM框架。該框架的基本思想是先采用GVF-Waters

5、hed算法對(duì)三維醫(yī)學(xué)圖像進(jìn)行粗分割，然后利用窄帶LevelSet方法的幾何流變形模型進(jìn)行細(xì)分割。前者具有快速捕捉所有邊緣等特點(diǎn)，但易產(chǎn)生過度分割現(xiàn)象；后者具有拓?fù)浣Y(jié)構(gòu)變化的自適應(yīng)性、分割精確等特點(diǎn)，但計(jì)算量過大。二者相結(jié)合，互相取長(zhǎng)補(bǔ)短。在該框架下，針對(duì)目標(biāo)層間相似性較弱的三維醫(yī)學(xué)圖像，設(shè)計(jì)了基于GW-LSM框架的三維分割法，提高了分割效率；針對(duì)目標(biāo)層間相似性較強(qiáng)的三維醫(yī)學(xué)圖像，引入層間梯度相似性作為先驗(yàn)知識(shí)，設(shè)計(jì)了基于GW-LSM框架

6、的2.5維分割法，提高了分割精度和速度。
　　為研究新的有效的醫(yī)學(xué)圖像分割定量評(píng)價(jià)方法并對(duì)本文方法進(jìn)行客觀評(píng)價(jià)，根據(jù)圖像分割的本質(zhì)及醫(yī)學(xué)圖像自身的特點(diǎn)，從區(qū)域內(nèi)部的同質(zhì)性的角度，提出了分割信息熵的概念，并以此為評(píng)價(jià)測(cè)度提出了基于分割信息熵的評(píng)價(jià)方法；從區(qū)域之間的異質(zhì)性角度，引入了非線性相關(guān)信息熵作為評(píng)價(jià)測(cè)度，提出了基于區(qū)域相關(guān)熵的評(píng)價(jià)方法。前者計(jì)算相對(duì)簡(jiǎn)單，后者能在單位閉區(qū)間上給出定量評(píng)價(jià)。這兩種評(píng)價(jià)方法都能給出有效的、準(zhǔn)確的客觀