神經(jīng)切片圖像中離散點(diǎn)狀神經(jīng)束分割的方法研究.pdf

1、周圍神經(jīng)損傷的治療一直是外科臨床上的難題。在周圍神經(jīng)損傷修復(fù)手術(shù)中，最理想的是能做到相同性質(zhì)的神經(jīng)束配對(duì)吻合。在計(jì)算機(jī)中實(shí)現(xiàn)周圍神經(jīng)的三維可視化可能是解決這一難題的有效途徑。目前周圍神經(jīng)的三維可視化重建主要包括神經(jīng)切片圖像的制備、配準(zhǔn)、神經(jīng)束邊緣輪廓的獲取、神經(jīng)束類型的識(shí)別、周圍神經(jīng)的三維重建等五個(gè)主要步驟。本文探索研究一種適應(yīng)從大多數(shù)周圍神經(jīng)切片圖像中分割神經(jīng)束的算法，通過這種算法自動(dòng)提取到精確的神經(jīng)束邊緣，為最終實(shí)現(xiàn)周圍神經(jīng)三維可視

2、化奠定基礎(chǔ)。
　　 本文在分析周圍神經(jīng)切片圖像特征的基礎(chǔ)上，深入研究了采用Gabor濾波器和粗糙k-均值算法實(shí)現(xiàn)提取神經(jīng)束邊緣輪廓的過程。
　　 首先，本文介紹了研究?jī)?nèi)容的相關(guān)背景知識(shí)和研究意義；分析了提取神經(jīng)切片圖像中神經(jīng)束邊緣輪廓的處理現(xiàn)狀、紋理圖像分析現(xiàn)狀和采用粗糙集理論的圖像區(qū)域分割現(xiàn)狀。
　　 其次，本文在分析周圍神經(jīng)切片圖像具有色彩對(duì)比度低、神經(jīng)束呈現(xiàn)離散點(diǎn)狀分布、構(gòu)成同一神經(jīng)束的像素點(diǎn)群顏色深淺不一

3、、神經(jīng)束輪廓邊緣模糊不連續(xù)等特征的基礎(chǔ)上，將周圍神經(jīng)切片圖像看作自然紋理圖像來處理，再通過對(duì)比自相關(guān)函數(shù)、傅里葉頻譜分析、灰度共生矩陣和Gabor濾波器等四種不同的描述紋理的方法的優(yōu)缺點(diǎn)，最終選用Gabor濾波器提取周圍神經(jīng)切片圖像的紋理特征，并在此基礎(chǔ)上構(gòu)建了目標(biāo)紋理特征矩陣，為后面進(jìn)行的聚類處理提供有效的圖像數(shù)據(jù)。
　　 第三，本文采用無須人為設(shè)置參數(shù)值并能達(dá)到精分割的粗糙k-均值算法對(duì)目標(biāo)紋理特征矩陣進(jìn)行了聚類處理，使得處

4、于神經(jīng)束區(qū)域的像素單獨(dú)聚成一類，從而得到神經(jīng)束的邊緣輪廓圖像。
　　 第四，本文采用設(shè)計(jì)好的算法對(duì)周圍神經(jīng)切片圖像進(jìn)行處理，探討算法對(duì)不同的周圍神經(jīng)切片圖像進(jìn)行神經(jīng)束邊緣輪廓提取的適用性；并試驗(yàn)使用灰度共生矩陣描述周圍神經(jīng)切片紋理特征，得到紋理特征矩陣后同樣使用粗糙k-均值進(jìn)行聚類處理，然后用上述算法和本文所用算法進(jìn)行了實(shí)驗(yàn)結(jié)果的對(duì)比；本文還提出用Gabor濾波器提取周圍神經(jīng)切片圖像的紋理特征，構(gòu)建出目標(biāo)紋理特征矩陣后，再結(jié)合模

5、糊c-均值聚類算法來分割神經(jīng)束區(qū)域的智能算法同本文所用算法進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果表明：
　　 (1)在本文算法的適用性方面，本文使用Gabor濾波器來獲取神經(jīng)切片圖像的紋理特征，設(shè)計(jì)了基于粗糙k-均值的分割算法，這種算法不僅可以快速準(zhǔn)確地從周圍神經(jīng)切片圖像中提取出神經(jīng)束邊緣輪廓，而且無須改變參數(shù)便可以提取其它神經(jīng)切片圖像中的神經(jīng)束邊緣輪廓，因此這種方法具有很強(qiáng)的適應(yīng)性；
　　 (2)在切片圖像紋理特征的描述方法方面，本文將灰

6、度共生矩陣法和Galbor濾波器進(jìn)行了對(duì)比。在相同的軟硬件平臺(tái)和操作系統(tǒng)實(shí)驗(yàn)條件下，用上述兩種紋理描述方法對(duì)分辨率為1600萬像素的、任選的第3、7、12和32張周圍神經(jīng)切片圖像進(jìn)行了紋理特征提取，然后均用粗糙k-均值算法對(duì)特征矩陣進(jìn)行了聚類處理。對(duì)單張切片圖像進(jìn)行處理的平均處理時(shí)間表明，采用灰度共生矩陣構(gòu)建紋理特征矩陣再用粗糙k-均值進(jìn)行聚類的算法的效率大概等于本文所用算法效率的45％，且通過對(duì)比提取出來的神經(jīng)束邊緣輪廓圖像也可看出本

7、文所用的算法要精確于對(duì)比的算法；
　　 (3)在采用聚類算法進(jìn)行神經(jīng)切片圖像處理方面，本文將模糊c-均值聚類算法和粗糙k-均值聚類算法進(jìn)行了對(duì)比。在相同的實(shí)驗(yàn)條件下，用Gabor濾波器對(duì)分辨率為1600萬像素的、任選的第3、7、12和32張周圍神經(jīng)切片圖像進(jìn)行了紋理特征提取，然后分別用粗糙k-均值算法和模糊c-均值算法對(duì)特征矩陣進(jìn)行了聚類處理。對(duì)單張切片圖像進(jìn)行處理的平均處理時(shí)間表明，采用Gabor濾波器獲得紋理特征矩陣再用模糊