基于CT圖像的肺結(jié)節(jié)分割方法研究.pdf

1、研究表明，肺癌是人類目前死亡率最高的疾病之一，且肺癌的發(fā)病率和死亡率呈現(xiàn)不斷增長(zhǎng)的趨勢(shì)，如何預(yù)防及治療肺癌已經(jīng)成為人們必須解決的課題。通過研究肺癌病例發(fā)現(xiàn)，及早發(fā)現(xiàn)肺癌病狀可以延長(zhǎng)患者的生存時(shí)間，相反，晚期肺癌患者死亡率非常高。肺結(jié)節(jié)作為肺癌早期主要表現(xiàn)形式，因此，肺結(jié)節(jié)分割成為發(fā)現(xiàn)肺癌的重要手段。
　　近年來，活動(dòng)輪廓模型（Active Contour Model，ACM）憑借其靈活的結(jié)構(gòu)、優(yōu)越的性能以及多樣的形式，在醫(yī)學(xué)圖像分

2、割領(lǐng)域受到了越來越廣泛的研究和應(yīng)用。本文對(duì)目前已有的基于活動(dòng)輪廓模型算法在醫(yī)學(xué)圖像分割中的應(yīng)用進(jìn)行了深入的學(xué)習(xí)和研究。提出改進(jìn)的活動(dòng)輪廓模型算法，并將改進(jìn)算法在分割磨玻璃型（Ground Glass Opacity，GGO）肺結(jié)節(jié)和血管粘連型（Juxta-vascular，JV）肺結(jié)節(jié)中進(jìn)行應(yīng)用。
　　首先，針對(duì)局部區(qū)域活動(dòng)輪廓模型（Local Region-based Active Contour Model，LRACM）模型分

3、割GGO肺結(jié)節(jié)存在的缺陷：對(duì)初始輪廓敏感、分割精度低和依賴梯度信息等。本文在LRACM模型基礎(chǔ)上提出了改進(jìn)的基于局部和全局隸屬的活動(dòng)輪廓模型（Local and global membership based on the active contour model，LGMACM）分割方法：1）采用全局隸屬度構(gòu)造邊界停止函數(shù)。通過全局隸屬度來構(gòu)造邊界停止函數(shù)，解決了邊界泄露的問題；2）采用局部隸屬度構(gòu)造輪廓模型的數(shù)據(jù)項(xiàng)，加強(qiáng)了GGO肺結(jié)節(jié)

4、與背景的對(duì)比度；3）采用全局隸屬度來獲取初始輪廓曲線，提高了模型的效率和收斂速度。
　　其次，針對(duì)基于邊界的輪廓模型（Edge-based Active Contour Model，EACM）和基于區(qū)域活動(dòng)輪廓模型（Region-based Active Contour Model，RACM）分割JV型肺結(jié)節(jié)存在的問題：邊界泄露、對(duì)噪聲敏感、收斂速度慢和沒充分考慮圖像先驗(yàn)知識(shí)等。本文在EACM和 RACM模型基礎(chǔ)上提出了改進(jìn)的基于

5、模糊速度的活動(dòng)輪廓模型（Fuzzy velocity function based on active contour model，F(xiàn)VFACM）的分割方法：1）構(gòu)造亮度和形狀特征的二維向量并結(jié)合模糊聚類算法計(jì)算模糊隸屬度，并根據(jù)隸屬度構(gòu)造速度函數(shù)。2）將模糊速度函數(shù)引入到活動(dòng)輪廓模型中，將模糊速度作為內(nèi)部能量和外部能量的權(quán)重系數(shù)?；谝陨蟽牲c(diǎn)的改變，該模型有效的處理了邊界泄露、對(duì)噪聲敏感和收斂速度慢的問題，同時(shí)也提高了模型的分割精度。