基于統(tǒng)計信息的活動輪廓模型在醫(yī)學(xué)圖像分割中的應(yīng)用研究.pdf

1、核磁共振成像(magnetic resonance image，MRI)具有非介入性、非損傷性、等特點被廣泛地運用于醫(yī)學(xué)圖像拍攝。醫(yī)學(xué)影像在疾病診斷和治療等領(lǐng)域中的作用日益重要。醫(yī)學(xué)圖像分割是指將醫(yī)學(xué)圖像劃分成一系列彼此互不交疊的勻質(zhì)區(qū)域。分割的目的是將原始圖像劃分為一系列有意義的區(qū)域或提取圖像中感興趣的區(qū)域(region of interest，ROI)。目前，活動輪廓模型已廣泛地應(yīng)用于醫(yī)學(xué)圖像分割領(lǐng)域。該模型對圖像分割、可視化、配準(zhǔn)

2、和解剖組織跟蹤等是很有效的?；顒虞喞Ｐ突谧兎址?，將復(fù)雜的分割轉(zhuǎn)化為函數(shù)的極值問題，即曲線或曲面變形的依據(jù)是根據(jù)其定義的能量函數(shù)最小化原則。本文根據(jù)不同的成像質(zhì)量，從提高分割的準(zhǔn)確度、減少計算時間等方面對活動輪廓模型在MR圖像分割中的應(yīng)用進行了分析和探討。 基于幾何活動輪廓模型的水平集方法，是將二維或三維的閉合曲線曲面的演化問題轉(zhuǎn)化為高維空間中水平集函數(shù)曲面演化的隱含方式來求解，適應(yīng)于對拓撲結(jié)構(gòu)變化的處理，其計算精度高，算法穩(wěn)

3、定，因而得到廣泛應(yīng)用。由于人體解剖結(jié)構(gòu)的復(fù)雜性、軟組織的不規(guī)則性，使得成像質(zhì)量不理想。而傳統(tǒng)的水平集方法僅利用圖像局部邊緣信息，對邊界模糊或者存在離散狀邊緣的區(qū)域，容易產(chǎn)生邊界泄漏等問題，很難得到理想的分割結(jié)果。本文利用內(nèi)外兩條水平集曲線共同演化，并根據(jù)貝葉斯分類理論，在零水平集鄰域內(nèi)計算的統(tǒng)計量控制曲線的演化，在成像質(zhì)量較差的情況下提高了分割準(zhǔn)確度。 Mumford-Shah(MS)模型不依賴于圖像的邊界信息，根據(jù)圖像中同質(zhì)

4、區(qū)域的信息最小化能量函數(shù)得到最終的分割結(jié)果。Chan-Vese(CV)模型簡化了該模型，假設(shè)同質(zhì)區(qū)域的強度相同，利用水平集方法求解最小化能量函數(shù)。因此CV模型結(jié)合這兩種方法的優(yōu)點，既不受圖像梯度影響又能自動處理曲線拓撲變化。然而在利用水平集方法求解演化方程時，需要對所有圖像數(shù)據(jù)進行反復(fù)計算，時間消耗較大。而且只考慮到強度均勻的圖像，對于強度不均勻的圖像無法得到準(zhǔn)確的曲線停止位置。本文利用更新水平集曲線內(nèi)部和外部的鄰域點來達到演化水平集曲

5、線的目的，避免了在求解演化方程中出現(xiàn)的數(shù)值不穩(wěn)定性，并節(jié)約了計算時間。同時在鄰域窗口計算統(tǒng)計信息，以此得到曲線停止的依據(jù)，使最后得到的分割曲線更加逼近真實邊界。 由于CV模型的能量泛函存在局部極小解，使得分割結(jié)果受初始曲線位置影響。因此本文利用測地線模型改進CV模型中的光滑正則項，改進后的模型能量泛函在基于圖像區(qū)域信息的基礎(chǔ)上同時檢測圖像的梯度信息，能量泛函極小化后收斂于全局極小解。并根據(jù)圖像梯度設(shè)置自適應(yīng)大小的局部區(qū)域計算統(tǒng)計

6、信息，進一步提高了模型的分割精度。 CV模型將圖像劃分為背景和目標(biāo)兩個區(qū)域，通過對這兩個區(qū)域的灰度均值進行逼近來達到分割圖像的目的。然而當(dāng)背景和目標(biāo)灰度值對比度很低時，分割效果不理想。此外，因為水平集函數(shù)的定義，CV模型對多個目標(biāo)不能完全分割。針對上述缺點，本文提出一種結(jié)合快速直方圖FCM算法的CV模型。即利用快速FCM算法進行聚類，提取圖像特征信息，在演化時利用鄰域模板對不同目標(biāo)分別處理，及時控制水平集曲線的分裂。對MR圖像