醫(yī)學(xué)CT圖像分割方法研究.pdf

1、醫(yī)學(xué)圖像分割是醫(yī)學(xué)圖像處理與分析的基礎(chǔ)，該問(wèn)題的解決不僅直接影響到計(jì)算機(jī)圖形圖像技術(shù)在醫(yī)學(xué)中成功應(yīng)用而且有重要的理論和實(shí)際意義。醫(yī)學(xué)圖像分割是一個(gè)提取感興趣區(qū)域的過(guò)程，其分割結(jié)果可以為隨后的疾病診斷、治療方案規(guī)劃以及治療效果評(píng)估等提供參考。CT由于具有較高分辨力，能更清晰的彰顯解剖結(jié)構(gòu)和病變組織等特點(diǎn)，使其廣泛地應(yīng)用到許多系統(tǒng)的疾病診斷。因此，研究圖像分割方法在 CT圖像中的應(yīng)用具有非常重要的意義。本文主要針對(duì)髖關(guān)節(jié)、包含胸膜結(jié)節(jié)的肺部

2、以及肝臟等 CT圖像進(jìn)行研究，其目的是構(gòu)建準(zhǔn)確、自動(dòng)的分割方法為醫(yī)生的診斷和治療提供幫助。
　　正常的髖關(guān)節(jié)由股骨頭和髖臼兩部分組成。在髖關(guān)節(jié) CT圖像中，由于股骨頭和髖臼之間連接區(qū)域非常狹窄以及一些疾病等原因?qū)е鹿敲芏炔痪鶆?，使得?zhǔn)確分割髖關(guān)節(jié) CT圖像變得非常困難。針對(duì)上述問(wèn)題，本文提出一種基于迭代自適應(yīng)閾值分類和貝葉斯判別分析技術(shù)相結(jié)合的三維髖關(guān)節(jié) CT圖像自動(dòng)分割方法。該方法首先利用形態(tài)學(xué)增強(qiáng)技術(shù)提高連接區(qū)域與骨組織之間的

3、灰度對(duì)比度，在隨后過(guò)程中，針對(duì)閾值分割結(jié)果使用基于貝葉斯判別方法的迭代自適應(yīng)分類最終實(shí)現(xiàn)股骨頭和髖臼之間的分離。
　　由于在上述分割方法中多次使用數(shù)學(xué)形態(tài)學(xué)，使得分割出的結(jié)果往往被過(guò)分光滑而丟失骨邊緣的細(xì)節(jié)；再者，形態(tài)學(xué)操作依賴于結(jié)構(gòu)元素的選取，選擇不同形狀或者尺寸的結(jié)構(gòu)元素會(huì)對(duì)分割結(jié)果帶來(lái)一定的影響。針對(duì)上述問(wèn)題，本文提出一種基于骨曲面頂點(diǎn)法線方向灰度變化的邊緣校正算法。通過(guò)該校正算法不僅可以實(shí)現(xiàn)骨邊界體素的準(zhǔn)確定位，同時(shí)可以得

4、到髖關(guān)節(jié)的三維可視化結(jié)果。實(shí)驗(yàn)結(jié)果驗(yàn)證了本算法的準(zhǔn)確性以及臨床適用性。
　　由于肺部充滿空氣，相比于周圍組織具有較低密度，因此閾值方法是一種常用的肺部CT圖像分割方法。但對(duì)于包含胸膜結(jié)節(jié)的肺部CT圖像來(lái)說(shuō)，由于胸膜結(jié)節(jié)位置以及大小的多變性且與周圍組織具有相似的密度，閾值方法難以準(zhǔn)確的將其包含；再者靠近縱膈區(qū)域的高密度的肺部血管也被閾值方法排除在外導(dǎo)致肺門(mén)區(qū)域的凸凹不平，傳統(tǒng)方法通常采用形態(tài)學(xué)方法進(jìn)行光滑，但是形態(tài)學(xué)過(guò)分依賴結(jié)構(gòu)元素

5、的選取。針對(duì)上述問(wèn)題，本文提出一種準(zhǔn)確自動(dòng)的肺部 CT圖像分割方法和一種有效的肺部邊界校正和光滑算法。該方法利用模糊C均值實(shí)現(xiàn)肺部的快速自動(dòng)分割。對(duì)于包含胸膜結(jié)節(jié)或者肺部血管的切片，本文提出一種基于迭代權(quán)重平均和自適應(yīng)曲率閾值相結(jié)合的邊界修復(fù)和光滑算法。該方法可以自動(dòng)準(zhǔn)確檢測(cè)胸膜結(jié)節(jié)和肺部血管區(qū)域并將其光滑包含在肺部分割結(jié)果中。實(shí)驗(yàn)結(jié)果驗(yàn)證了本算法的快速性以及有效性。
　　在肝臟 CT圖像中，由于腹部器官之間的低對(duì)比度、器官病變的

6、存在以及個(gè)體之間器官形狀的差異，使得傳統(tǒng)的僅依賴圖像灰度信息的分割方法難以取得較好的肝臟分割結(jié)果，傳統(tǒng)方法往往容易導(dǎo)致肝臟分割結(jié)果的泄露。針對(duì)上述問(wèn)題，本文提出一種基于對(duì)比增強(qiáng) CT圖像的三維肝臟分割方法。分割方法由訓(xùn)練相和測(cè)試相兩部分組成。在訓(xùn)練相中，利用主成分分析方法形狀訓(xùn)練得到肝臟平均形狀強(qiáng)度模型以及在各主成分上的形狀變動(dòng)。對(duì)測(cè)試集中的每一個(gè)目標(biāo)圖像，首先通過(guò)與所有圖譜進(jìn)行相似度匹配得到該目標(biāo)圖像的最有可能肝臟區(qū)域，隨后利用最大化