醫(yī)學(xué)圖像分割算法的研究與改進(jìn).pdf

1、對(duì)于醫(yī)學(xué)圖像而言，圖像分割是對(duì)其進(jìn)行分析研究的關(guān)鍵步驟之一，多年來(lái)受到人們的關(guān)注。但到目前為止，醫(yī)學(xué)圖像的分割算法仍存在諸多挑戰(zhàn)，如邊界模糊、弱化和斷裂等問(wèn)題，本文針對(duì)傳統(tǒng)的醫(yī)學(xué)圖像分割算法難以滿(mǎn)足現(xiàn)代醫(yī)學(xué)圖像處理的要求，提出了改進(jìn)的醫(yī)學(xué)圖像處理分割算法。目前被中外學(xué)者研究最多的圖像分割算法分別是基于能量最小化的圖割算法和基于偏微分方法的活動(dòng)輪廓模型。Rother等人提出的Grabcut圖割算法使用戶(hù)交互量大大降低，但由于其分割精度不高

2、、自動(dòng)化程度低，使之很難應(yīng)用于工程。另一方面，基于偏微分方法的活動(dòng)輪廓模型能夠融合圖像的先驗(yàn)信息并且能夠得到連續(xù)光滑的輪廓曲線(xiàn)，但容易受到圖像弱邊界和噪聲的影響而陷入局部最優(yōu)造成邊界外泄。為此，本文為了提升分割精度、分割速度、對(duì)Grabcut算法和傳統(tǒng)的水平集活動(dòng)輪廓模型分別進(jìn)行了改進(jìn)，得到了較好的實(shí)驗(yàn)效果。本文主要研究的內(nèi)容和創(chuàng)新點(diǎn)包括以下方面:
　　1、一種基于Grabcut的改進(jìn)醫(yī)學(xué)細(xì)胞圖像快速分割算法的研究
　　本章

3、提出了一種采用Grabcut和Snake相融合的醫(yī)學(xué)細(xì)胞圖像分割算法。首先采用PM模型對(duì)醫(yī)學(xué)細(xì)胞圖像進(jìn)行平滑和去噪。其次，利用基于區(qū)域生長(zhǎng)的閾值分割方法對(duì)Snake模型的初始輪廓線(xiàn)進(jìn)行初估計(jì)，隨后利用Snake模型得到較準(zhǔn)確的目標(biāo)邊界，根據(jù)該邊界自動(dòng)準(zhǔn)確地獲得Grabcut初始化矩形框。最后，把該矩形框傳遞給Grabcut算法實(shí)時(shí)精確地提取醫(yī)學(xué)細(xì)胞圖像輪廓。為了驗(yàn)證改進(jìn)算法的精確度，本文還引入了分割率定量分析標(biāo)準(zhǔn)，實(shí)驗(yàn)結(jié)果表明本文算法結(jié)

4、合了Snake算法和Grabcut算法的優(yōu)點(diǎn)，在無(wú)人工交互的條件下，細(xì)胞圖像輪廓平均正確分割率達(dá)到93.7％，能夠滿(mǎn)足醫(yī)學(xué)圖像分析的要求。
　　為了進(jìn)一步減少時(shí)間消耗并且得到精確度較高的細(xì)胞圖像分割結(jié)果，本文通過(guò)設(shè)定閾值，自適應(yīng)地確定Grabcut算法的迭代次數(shù)，使得本文改進(jìn)算法能夠根據(jù)圖像的復(fù)雜程度自動(dòng)確定改進(jìn)算法的迭代次數(shù)，最終使時(shí)間消耗和總體誤差率得到均衡。
　　2、基于CV和LBF模型結(jié)合的醫(yī)學(xué)圖像分割算法的研究與實(shí)

5、現(xiàn)
　　本章提出另外一種自適應(yīng)權(quán)重系數(shù)的水平集融合圖像分割算法。首先，用PM模型對(duì)醫(yī)學(xué)圖像預(yù)處理，去除圖像噪聲、增強(qiáng)圖像邊界。然后，利用自適應(yīng)的權(quán)重系數(shù)ω實(shí)現(xiàn)根據(jù)圖像信息自動(dòng)調(diào)節(jié)CV算法和LBF算法對(duì)融合算法的影響。該ω的設(shè)計(jì)能夠反應(yīng)醫(yī)學(xué)圖像的灰度均勻程度，使得當(dāng)圖像灰度不均時(shí)以L(fǎng)BF算法為主導(dǎo)，反之則體現(xiàn)以CV算法為主導(dǎo)。并且對(duì)于CT、MR等較復(fù)雜的醫(yī)學(xué)圖像，本文算法仍比傳統(tǒng)的CV算法和LBF算法具有更準(zhǔn)確的分割精度和更高的分割