基于形變模型的人腦MRI腫瘤分割研究.pdf

1、醫(yī)學(xué)圖像分割是醫(yī)學(xué)圖像處理的一個(gè)關(guān)鍵技術(shù)，也是近幾年來備受研究人員關(guān)注的熱點(diǎn)問題。由于醫(yī)學(xué)圖像的復(fù)雜多樣性，傳統(tǒng)的圖像分割技術(shù)往往不能得到令人滿意的結(jié)果。形變模型憑借其獨(dú)特的優(yōu)勢，在醫(yī)學(xué)圖像分割中受到了越來越廣泛的研究和應(yīng)用。
　　 參數(shù)形變模型和幾何形變模型是形變模型的兩大類型。基于曲線演化理論和水平集方法的幾何形變模型，由于可以自適應(yīng)處理拓?fù)浣Y(jié)構(gòu)變化，因此更適合復(fù)雜的醫(yī)學(xué)圖像分割。但是，幾何形變模型仍存在著一些缺陷，如何進(jìn)一

2、步完善其理論和方法，將該模型推廣應(yīng)用到醫(yī)學(xué)圖像領(lǐng)域，是本文準(zhǔn)備探討的主要內(nèi)容。
　　 針對(duì)幾何形變模型的缺陷以及醫(yī)學(xué)圖像分割中的具體問題，本文提出了幾種改進(jìn)的方法，并在實(shí)際應(yīng)用中取得了滿意的效果。
　　 本文的主要工作和創(chuàng)新點(diǎn)有：
　　 (1)綜合基于區(qū)域信息的Chan-Vese模型和基于邊界信息的Li模型的各自優(yōu)勢，構(gòu)造了一個(gè)基于區(qū)域和邊緣信息相結(jié)合的能量模型，然后通過變分法和水平集方法推導(dǎo)出模型的偏微分方程。

3、與傳統(tǒng)的水平集分割方法相比，該模型既考慮了圖像的全局特征，又兼顧到圖像的局部特征，對(duì)處理強(qiáng)噪聲和弱邊界有較好的魯棒性，且演化輪廓也很平滑；引入符號(hào)距離保持項(xiàng)，使得模型在演化過程中無需重新初始化，提高了分割速度。
　　 (2)改善了形變模型的初始化問題。傳統(tǒng)的形變模型對(duì)初始輪廓敏感，往往需要人工干預(yù)。結(jié)合傳統(tǒng)的閾值分割和形態(tài)學(xué)處理，我們提出了一種自動(dòng)設(shè)置初始輪廓的方法，方法簡單且容易實(shí)現(xiàn)。
　　 (3)針對(duì)實(shí)際的腦腫瘤MR