基于幾何形變模型的醫(yī)學(xué)圖像分割方法研究.pdf

1、本文主要就影響醫(yī)學(xué)圖像分割的分割速度和弱邊界目標(biāo)的分割精度等幾個(gè)關(guān)鍵問題，在對水平集方法和Chan-Vese模型有了深入理解和研究的基礎(chǔ)之上，做了大量實(shí)驗(yàn)和分析，提出了如下改進(jìn)方法： 首先，提出了基于物體邊界梯度的指數(shù)級加速因子模型。該模型不僅能有選擇性地對特定目標(biāo)進(jìn)行加速分割，而且還能提高弱邊界目標(biāo)的分割精度。實(shí)驗(yàn)證明，與基于梯度加速項(xiàng)的方法相比，該方法對特定目標(biāo)具有更好的分割效率。此外，為了解決Chan-Vese模型迭代過程

2、中費(fèi)時(shí)的重新初始化問題，在模型當(dāng)中引入了內(nèi)部能量項(xiàng)，消除了傳統(tǒng)Chan-Vese模型的重新初始化操作。 其次，提出了一種與互信息中熵相關(guān)系數(shù)概念相結(jié)合的改進(jìn)了的無監(jiān)督分等級分割方法。該方法使熵相關(guān)系數(shù)(ECC)與灰度均方差值(Var)一起對分割的過程進(jìn)行控制，在分割過程中的每一步使用同一個(gè)水平集函數(shù)進(jìn)行分割。實(shí)驗(yàn)證明，該方法能夠提取出傳統(tǒng)Chan-Vese方法所不能提取出的弱邊界目標(biāo)，提高了對于弱邊界目標(biāo)的提取精度。 最

3、后，提出了一種簡單的基于Chan-Vese模型和并行計(jì)算思想的二重水平集模型。通過并行處理的方式，可以使兩條水平集演化曲線分別針對具有不同邊界梯度值的目標(biāo)進(jìn)行加速分割，達(dá)到一次性對兩個(gè)感興趣目標(biāo)進(jìn)行加速提取的目的。另外，針對Chan-Vese模型的分割速度對初始水平集曲線位置敏感的問題，該模型使兩條水平集曲線分別位于圖像中不同感興趣目標(biāo)的附近并行演化，在演化到規(guī)定的時(shí)間之后計(jì)算兩條演化曲線的能量函數(shù)值，選取值較小的那條演化曲線作為最終的