基于偏微分方程超聲醫(yī)學(xué)圖像處理.pdf

1、醫(yī)學(xué)圖像平滑與分割是對醫(yī)學(xué)圖像進(jìn)行分析的基本步驟,也是利用醫(yī)學(xué)圖像進(jìn)行定量分析的一個(gè)至關(guān)重要的環(huán)節(jié).不同成像模式的醫(yī)學(xué)圖像,如:CT、核磁共振(MRI)、超聲圖像具有不同的圖像特征,也就需要不同的處理方法.本文在對醫(yī)學(xué)超聲圖像預(yù)處理,如:平滑或降噪作了基本研究后,重點(diǎn)對醫(yī)學(xué)超聲圖像的分割算法做了一些研究工作.在分析超聲圖像特有斑點(diǎn)噪聲和紋理特征的前提下,重點(diǎn)研究基于偏微分方程的非線性擴(kuò)散模型的總變分平滑方法.經(jīng)過平滑預(yù)處理后,著重研究與

2、平滑方法基于統(tǒng)一偏微分方程的形變模型分割方法,對當(dāng)前流行的主動(dòng)活動(dòng)輪廓線模型和基于該模型的數(shù)值解方法在醫(yī)學(xué)超聲圖像分割中的應(yīng)用作分析并改進(jìn).最后在對小兒心臟超聲圖像左心室與二尖瓣膜分割的基礎(chǔ)上,利用彈性匹配算法對分割的輪廓線進(jìn)行匹配.本文首先介紹了醫(yī)學(xué)圖像分割的研究背景和國內(nèi)外的研究現(xiàn)狀,分析了醫(yī)學(xué)超聲圖像的特點(diǎn),討論了當(dāng)前醫(yī)學(xué)超聲圖像平滑與分割算法,比較它們的優(yōu)缺點(diǎn)和應(yīng)用對象,總結(jié)了當(dāng)前算法存在的問題.最后得出基于偏微分方程的各向異性

3、平滑方法特別適用于信噪比或?qū)Ρ榷容^差的超聲圖像增強(qiáng).基于形變模型的分割技術(shù)特別適用于超聲序列圖像的分割,且能提高分割的魯棒性和準(zhǔn)確性,提高分割的自動(dòng)化程度,減少人工干預(yù). 本文對基于各向異性的總變分?jǐn)U散方法作了重點(diǎn)研究.傳統(tǒng)的各向同性平滑方法,如拉普拉斯平滑方法,雖然能去掉圖像的斑點(diǎn)噪聲,但同時(shí)也可能使超聲圖像中感興趣目標(biāo)具有的紋理特征變得模糊甚至丟失.針對這種情況,基于總變分的平滑方法得到重視,它可以在去除噪聲的同時(shí),對邊緣和

4、紋理信息進(jìn)行增強(qiáng).但是基于總變分方法的計(jì)算量大,用傳統(tǒng)的松弛迭代算法的收斂速度比較慢.因此本文引入了多網(wǎng)格算法和共軛梯度算法解總變分問題.計(jì)算結(jié)果表明,共軛梯度法的收斂速度明顯高于松弛法,而采用多網(wǎng)格法則可以使收斂速度得到進(jìn)一步提高.針對目標(biāo)邊緣比較模糊或者各段邊緣特征不盡相同的二維超聲心動(dòng)序列圖像的分割,本文提出了一種改進(jìn)的主動(dòng)活動(dòng)輪廓線模型.觀察到相鄰序列圖像解剖結(jié)構(gòu)具有相近的形狀與位置信息,該模型利用彈性匹配的理論將來源于相鄰圖像

5、分割好的信息結(jié)合到主動(dòng)活動(dòng)輪廓線模型中.在新模型中,模型的演化不僅受到經(jīng)典的內(nèi)部能量和外部能量的驅(qū)使,而且用一個(gè)匹配程度的能量來衡量先驗(yàn)形狀與演化曲線的相似程度.其次,針對主動(dòng)活動(dòng)輪廓線模型中,初始化的曲線必須離分割目標(biāo)比較近的要求,本文對相鄰的先驗(yàn)形狀利用廣義哈夫變換來粗略估計(jì)初始化曲線的位置以利后續(xù)的分割.由于采用了此變換,該模型特別適用于相鄰圖像中位置變化比較大的解剖結(jié)構(gòu)的分割,如瓣膜,此外,該方法解決了主動(dòng)活動(dòng)輪廓線模型可能收斂

6、到局部最優(yōu)解的缺點(diǎn),提高了自動(dòng)化分割程度. 最后,為了提高分割的魯棒性和準(zhǔn)確性,避免主動(dòng)活動(dòng)輪廓線分割方法容易出現(xiàn)的泄漏或誤分割,本文在分割過程中引入心臟的形變模型,基于Duncan等提出的彈性匹配方法對心臟輪廓線進(jìn)行匹配,以獲得時(shí)間序列心臟超聲圖像中心室內(nèi)壁與瓣膜的彈性匹配形變模型和運(yùn)動(dòng)狀態(tài).輪廓線匹配是計(jì)算機(jī)視覺研究中的一個(gè)重要課題.傳統(tǒng)的輪廓線匹配方法大都是基于輪廓線特征的形式符號(hào)法描述,但是匹配的精度不高,本文著重研究了