基于主動輪廓模型的醫(yī)學(xué)圖像分割方法研究.pdf

1、醫(yī)學(xué)圖像分割是從醫(yī)學(xué)圖像中提取特殊組織信息的一個非常重要的步驟。目前，圖像分割的方法頗多，但是因為醫(yī)學(xué)圖像本身具有灰度不均勻性、成像設(shè)備易產(chǎn)生噪聲干擾以及人體的解剖結(jié)構(gòu)的復(fù)雜性，所以，一般的圖像分割方法對于醫(yī)學(xué)圖像的處理效果并不是太理想。
　　本文在分析介紹經(jīng)典的基于主動輪廓模型的分割算法基礎(chǔ)上，針對目前較新的RSF(Region-Scalable Fitting)模型存在的問題，提出兩種改進(jìn)算法。
　　1、提出一種改進(jìn)RS

2、F主動輪廓模型的醫(yī)學(xué)圖像分割算法(Modified Region-Scalable Fitting，MRSF)。RSF模型是一種基于圖像梯度信息的主動輪廓模型，沒有利用圖像的全局信息，且沒有采取任何提高分割速度的措施，因此，分割某些醫(yī)學(xué)圖像時，有時會存在欠分割、輪廓收斂速度慢等問題。為了解決RSF模型的缺陷，MRSF模型首先利用K均值對醫(yī)學(xué)圖像進(jìn)行全局處理，然后用一個新的核函數(shù)代替高斯函數(shù)。在新的核函數(shù)基礎(chǔ)上，重新建立能量泛函，并將一個

3、內(nèi)部能量項作為罰函數(shù)項引入到水平集模型中。實驗表明，MRSF模型無論在分割精度上還是分割速度上都優(yōu)于傳統(tǒng)的分割模型。
　　2、提出一種基于改進(jìn)K均值的RSF主動輪廓(Region-Scalable Fitting based on Modified K-means，MKRSF)模型。MRSF模型將K均值作為預(yù)處理步驟，而該模型的分割結(jié)果很大程度上依賴于K均值處理的結(jié)果，K均值又受噪聲干擾比較嚴(yán)重。因此，為了減少分割結(jié)果對全局處理的