基于形變模型的醫(yī)學圖像分割研究.pdf

1、醫(yī)學圖像分析是圖像處理的一個重要領域。形變模型憑借其獨特的優(yōu)勢，在圖像分割領域得到了越來越廣泛地研究和應用。本文的工作圍繞著形變模型技術在醫(yī)學圖像分割中的應用而展開，在梳理已有知識的基礎上，根據(jù)醫(yī)學圖像的特點，提出了帶多指標柔性能量的Mumford-Shah模型。本文主要做了以下工作： 首先，介紹了參數(shù)活動輪廓模型。目前，活動輪廓模型已經(jīng)成為醫(yī)學圖像分析的重要工具。但傳統(tǒng)的參數(shù)模型在分割圖像時強烈地依賴于輪廓的初始位置，捕捉范圍

2、小，不僅因進入凹陷區(qū)域困難，而常陷于能量局部極值，且不支持拓撲改變；另外在外力很小時，輪廓會收縮到一點，而邊界很弱時，輪廓又會滲透過邊界；此外，模型參數(shù)的確定也沒有理論指導。 其次，對幾何形變模型，本文也作了簡明卻不失系統(tǒng)性的歸納和總結(jié)。針對Snake模型較難處理拓撲結(jié)構(gòu)改變的問題，水平集模型應運而生。近十年來，該方法的出現(xiàn)推動了非參數(shù)化的幾何活動輪廓模型的研究。幾何模型的顯著特點就是可以方便地處理拓撲結(jié)構(gòu)變化問題。但是，傳統(tǒng)的

3、水平集模型在定義速度時，往往僅使用了圖像的邊緣信息，這樣必然導致在分割具有強噪聲或具有弱邊界的圖像目標時，不能得到真實邊界，常因初始輪廓線超出區(qū)域邊界，而導致分割失敗。 最后，基于Mumford-Shah模型的水平集圖像分割方法是一種重要的基于形變模型的圖像分割方法。它依賴的特征是圖像同質(zhì)區(qū)域的全局信息，所以對于一般的圖像，它具有分割快速、準確地優(yōu)點?；贛umford-Shah模型可以同時實現(xiàn)圖像分割和恢復。分割基于一組不斷平

4、滑的重建圖像，可使分割簡單化。但是，其迭代過程要對所有圖像數(shù)據(jù)反復進行計算，因而其時間效率很低，難以實時應用。 針對Chan和Vese提出的基于Mumford-Shah泛函的水平集圖像分割算法，本文做了兩方面的改進：首先，構(gòu)造了具有柔性的演化曲線內(nèi)外能量取代C-V模型中的剛性能量，減少了C-V模型求解時的數(shù)值不穩(wěn)定和過度分割等現(xiàn)象：其次，綜合圖像的多方面特征，提出多指標集能量項構(gòu)造方法，提升了c-V模型的分割能力和精度。綜合兩方