形變模型技術研究及其在醫(yī)學圖像分割中的應用.pdf

1、基于形變模型技術的圖像分割方法,出于既利用了底層的圖像數(shù)據(jù)信息,又結合了高層的目標先驗知識,在處理形式多樣、結構復雜的醫(yī)學圖像時,顯示出其獨特的優(yōu)越性和廣泛的適用性。如何進一步完善其理論和方法,將該模型推廣應用到醫(yī)學圖像分割領域,是本論文準備探討的主要內(nèi)容。
　　作者在廣泛調研基于形變模型的醫(yī)學圖像分割方法的基礎上,提出了一種新的分類方法,從新的視角對形變模型技術進行了系統(tǒng)的分類和知識的梳理。然后詳細探討了兩類重要的形變模型——主

2、動輪廓模型和主動形狀模型的基本原理和實現(xiàn)方法。在此基礎上,針對醫(yī)學圖像分割中的具體問題,提出和實現(xiàn)了幾種改進的方法,并在實際應用過程中取得了滿意的效果。本文研究工作的創(chuàng)新性主要表現(xiàn)在以下三個方面:
　　1) 形變模型技術的系統(tǒng)分類和知識梳理。形變模型技術的研究方興未艾,但是至今沒有一個統(tǒng)一的分類方法,作者在廣泛調研相關工作的基礎上,參照前人提出的分類思想,提出了一種新的分類方法,把形變模型技術大致分為自由形態(tài)和受限形態(tài)兩類模型,從

3、新的視角對形變模型技術進行了系統(tǒng)分類和知識梳理,回顧了形變模型技術的主要工作及其在醫(yī)學圖像分割領域中的應用,并且在這個分類框架之下,敘述了各種形變模型的基本表述方式、國內(nèi)外的主要工作及其典型應用,為研究者對這一領域的總體把握提供了有益的參考。
　　2)主動輪廓模型在數(shù)字人切片圖像分割中的應用。數(shù)字人切片圖像數(shù)據(jù)量大,相鄰切片圖像在位置和形狀上卻有很大的相似性。傳統(tǒng)的分割方法多是針對每張切片進行單獨分割,而沒有充分利用這種相似性。作

4、者首先利用經(jīng)過改進的彩色空間動態(tài)閾值法和形態(tài)學處理提取切片圖像的定位桿坐標,在此基礎上對原始圖像進行二位投影變換,從而實現(xiàn)了數(shù)據(jù)集的配準。其次根據(jù)配準后數(shù)據(jù)集相鄰切片目標輪廓在位置和形狀上的相似性,利用前層切片分割結果指導初始化位置和限制搜索空間的主動輪廓模型,實現(xiàn)了配準后數(shù)據(jù)集的自動分割。此方法不僅有效的克服了模型本身存在的對初始位置敏感的問題，而且加快了分割速度，提高了分割精度。
　　3)點分布模型約束的主動輪廓及其在腦MR圖

5、像分割中的應用。針對腦部MR圖像結構復雜，使用傳統(tǒng)的主動輪廓進行分割時，對初始化位置敏感，且易受非目標輪廓干擾，陷入局部極值等問題，提出了利用點分布模型進行形狀約束的梯度矢量流主動輪廓模型。該方法在訓練樣本集的基礎上，建立反映待分割目標輪廓先驗形狀信息的點分布模型，以模型的均值作為參考初始化主動輪廓，并使用模型提供的參數(shù)限制主動輪廓運動過程中的形變范圍，有效地解決了使用傳統(tǒng)主動輪廓對復雜圖像往往不能收斂到期望形狀的問題。此方法被成功運用