基于圖論的醫(yī)學(xué)圖像分割研究.pdf

1、醫(yī)學(xué)圖像是醫(yī)生對(duì)人體組織進(jìn)行定性和定量分析的關(guān)鍵依據(jù)。醫(yī)學(xué)圖像分割的任務(wù)是將病灶區(qū)和正常區(qū)域進(jìn)行分離,其結(jié)果的準(zhǔn)確與否直接影響到醫(yī)生的診斷和圖片的后續(xù)處理。然而,醫(yī)學(xué)圖像通常具有強(qiáng)噪聲、弱對(duì)比度、組織邊界模糊等缺點(diǎn),給分割工作帶來(lái)了極大的難度。
　　GraphCuts作為圖論中新興的一種圖像分割方法,因其能量函數(shù)的可塑性以及全局最優(yōu)性得到了快速的發(fā)展;并且可以通過(guò)人工交互加入先驗(yàn)信息,對(duì)圖像的分割具有很強(qiáng)的指導(dǎo)作用。因此,在復(fù)雜的

2、醫(yī)學(xué)圖像分割中,具有較好的適用性。本文以GraphCuts為算法基礎(chǔ),在醫(yī)學(xué)圖像研究背景下,加入SUSAN邊緣特征對(duì)其進(jìn)行改進(jìn),以達(dá)到更加準(zhǔn)確的分割結(jié)果。具體工作如下:
　　1.與以往的微分邊緣檢測(cè)算子不同,SUSAN算子并不是以微分運(yùn)算作為提取邊緣的手段。通過(guò)引入更多的局部信息,對(duì)從含噪聲和弱邊界的醫(yī)學(xué)圖像中提取邊緣有著較好的效果。本文在原始SUSAN算子的基礎(chǔ)上,進(jìn)行穩(wěn)定性、自適應(yīng)性和抗噪性的改進(jìn),使其更加適用于醫(yī)學(xué)圖像的邊緣