多閾值與多圖譜方法在醫(yī)學圖像分割上的應用研究.pdf

1、醫(yī)學圖像是醫(yī)療人員進行疾病診斷、風險評估及制定治療計劃的重要輔助性工具，隨著成像技術的快速發(fā)展，海量醫(yī)學圖像數(shù)據(jù)的產(chǎn)生給計算機輔助的醫(yī)學圖像處理技術提出了新要求。圖像分割能夠對圖像中的每個像素點進行類別劃分，為醫(yī)療人員提供準確的解剖學信息，如病灶的位置、大小、形狀信息，同時為其他圖像處理技術，如三維重建，提供信息輸入。因此，圍繞醫(yī)學圖像展開的三維重建、可視化、定量分析等工作的質量很大程度上取決于醫(yī)學圖像分割的質量。正是出于這樣的原因，醫(yī)

2、學圖像分割具有極大的研究價值。近30年間，醫(yī)學圖像分割領域產(chǎn)生了眾多經(jīng)典算法，常用的基于灰度、基于可變模型的分割方法能夠對肺部、心臟、乳腺、腎臟等多種器官組織進行高精度的自動分割，極大地簡化了醫(yī)療人員的工作，也提高了患者康復的幾率。但是，對于一些特定部位、特定模態(tài)的圖像，目前仍無令人滿意的分割方法。例如，在腦MR圖像分割過程中，由于核磁共振成像設備的電子噪聲所造成的灰度不均勻及設備分辨率限制造成的容積效應，不同腦組織呈現(xiàn)出極其相近的灰度

3、，且各組織邊緣重疊交錯，給基于灰度和基于可變模型的分割方法帶來了極大的困難;在主動脈CT圖像成像時，主動脈區(qū)域與周圍組織器官呈現(xiàn)出相近的灰度、紋理特征，纖薄的血管壁也無法提供清晰的邊緣，因而，灰度、邊緣、紋理等特征在主動脈分割時無法提供有用信息。
　　基于以上的原因，針對腦MR圖像存在的偏場效應等問題，本文使用了信息學中的模糊熵，引入隸屬度函數(shù)的概念，將圖像中的像素按照多個隸屬度函數(shù)的值“軟性”地劃分到各類，克服了傳統(tǒng)閾值分割方法

4、“硬性”分割難以解決偏場效應的不足。在對模糊熵函數(shù)進行優(yōu)化時，本文對回溯搜索算法進行了針對性的改進，增強了其局部搜索能力，能夠更精確、更高效地得到最佳的多個閾值。實驗結果表明，本文的方法比傳統(tǒng)的Otsu和Kapur閾值法更加有效，且魯棒性更高，對偏場效應有更好的抑制作用。
　　針對主動脈CT圖像中存在的區(qū)分性不高的問題，本文使用了基于圖譜的分割方法，并且使用了一種聯(lián)合標簽融合策略，在考慮圖譜與目標圖像關系的同時，也兼顧了各圖譜之間