基于水平集幾何主動輪廓模型的醫(yī)學圖像分割方法研究.pdf

1、醫(yī)學圖像分割是對正常組織和病變組織進行定量分析、三維重建的基礎,是計算機輔助診斷的關鍵步驟,因此要求分割具有很強的目標性和很高的準確性。然而,在臨床應用中,由于醫(yī)學圖像本身的復雜性、多樣性和各種不確定因素的影響,導致準確分割成為醫(yī)學圖像分析處理的難點。
　　基于水平集幾何主動輪廓模型的圖像分割方法,既能夠利用圖像本身低層信息,又允許高層知識介入指導,因此在處理結(jié)構復雜多樣的醫(yī)學圖像時,顯示其獨特的優(yōu)越性和廣泛的適用性。本文以腦MR

2、圖像為主要研究對象,以精確的分割作為研究目標,針對特定的組織結(jié)構選擇合理的分割算法和分割策略,對基于水平集的幾何主動輪廓分割算法提出了幾點改進,并在腦MR等醫(yī)學圖像分割實驗中驗證了改進模型的有效性。主要工作和貢獻如下:
　　(1)大量的醫(yī)學圖像中存在的灰度不均勻現(xiàn)象給分割帶來很大挑戰(zhàn),圖像分割算法中廣泛采用的基于區(qū)域的分割模型常常依賴圖像灰度的均勻性,因此在處理灰度不均勻圖像時無法得到理想的分割結(jié)果。針對這一問題,將圖像的局部統(tǒng)計

3、特征引入到互信息度量的分割模型中,拋開全局性的約束,提出一種局域化互信息度量的變分水平集模型。首先,基于灰度不均勻圖像模型,在每點局部鄰域內(nèi)對圖像灰度特征進行描述,構造一種局域化互信息作為分割的準則。再將該準則引入到水平集的框架中,定義出一種水平集函數(shù)表述的能量模型,通過能量函數(shù)的最小化,能同時達到分割和偏場估計的聯(lián)合優(yōu)化。腦MR等各類灰度不均勻的醫(yī)學圖像分割實驗結(jié)果表明,本模型提高了灰度不均勻場景下的目標邊界識別的精度。
　　(