基于水平集主動輪廓模型的醫(yī)學圖像分割方法的研究.pdf

1、醫(yī)學圖像分割是對正常組織和病變組織進行定量分析、定性識別的基礎，是計算機輔助診斷的關鍵步驟，因此要求很強的分割目標性和很高的分割準確性。然而，在臨床應用中，由于醫(yī)學圖像本身的復雜性、多樣性和各種不確定因素的影響，導致準確分割成為醫(yī)學圖像分析處理的難點。
　　 基于水平集主動輪廓模型的圖像分割方法，既可以利用低層的圖像信息，又可以結合高層的目標先驗知識，因此在處理結構復雜多樣的醫(yī)學圖像時，顯示出其獨特的優(yōu)越性和廣泛的適用性。本文以

2、骨關節(jié)核磁共振圖像（MRI）為研究對象，對基于水平集的幾何主動輪廓分割算法提出了幾點改進，并在骨關節(jié)正常骨骼和病灶分割實驗中驗證了改進模型的有效性。具體工作如下：
　　 （1）提出一種局部自適應的變分水平集模型。相對于Li的無需重新初始化的水平集模型，主要有兩點改進：一是利用圖像的局部特性自適應決定曲線的演化方向，能較好的解決初始化曲線跨越目標邊界的分割問題；二是將全局Chan-Vese能量項局部化，改進邊界停止函數，提高了對灰

3、度分布重疊、分布不均勻問題處理的魯棒性，增強了算法的適應性。最后結合醫(yī)學序列圖像特點，利用Heaviside 函數對當前圖像分割結果進行分段常量化后投射至相鄰圖像作為初始化曲線，實現對序列圖像的自動分割。完成了對骨關節(jié)MRI序列圖像中骨腫瘤目標的自動分割。
　　 （2）膝關節(jié)MRI 圖像結構復雜，各軟組織之間對比度低，分界模糊，給關節(jié)軟骨的分割帶來了很大的難度，只利用低層圖像信息的水平集方法往往難以得到較滿意的分割結果。本文提出