基于磁共振顱腦影像的腦組織自動(dòng)分割方法的研究.pdf

1、近幾十年來，醫(yī)學(xué)成像技術(shù)取得了長足發(fā)展，出現(xiàn)了X射線計(jì)算機(jī)體層成像(CT)、數(shù)字減影(DSA)、磁共振成像(MRI)等技術(shù)。與其它成像技術(shù)相比，由于核磁共振成像具有對人體無損傷，空間分辨率及軟組織對比度高等特點(diǎn)，因此越來越多的受到了廣泛的研究和應(yīng)用，尤其是在一些解剖結(jié)構(gòu)復(fù)雜的組織部位，如腦組織。腦MR影像為神經(jīng)科學(xué)醫(yī)師提供了極有價(jià)值的參考，由于核磁共振成像對顯示解剖結(jié)構(gòu)和病變較敏感，可以直接觀察到人腦內(nèi)部的組織病變，因此可以有效的提高腦

2、部疾病診斷的正確率，制定有效的治療方案。
　　醫(yī)學(xué)影像處理技術(shù)的出現(xiàn)為醫(yī)生的診斷提供了極大便利，醫(yī)生可以通過計(jì)算機(jī)輔助分析，獲得特定組織部位的形狀、體積、多角度視圖等。醫(yī)學(xué)圖像分割是醫(yī)學(xué)影像處理的重要環(huán)節(jié)，是后續(xù)配準(zhǔn)融合、三維重建、定量分析的基礎(chǔ)，因此本文著重研究了基于磁共振顱腦影像的腦組織自動(dòng)分割方法，完成了如下有創(chuàng)新意義的工作:
　　(1)提出一種具有邊緣保護(hù)的MR影像同步去噪增強(qiáng)算法。MR影像具有邊緣模糊、含有噪聲、對

3、比度差的特點(diǎn)，這些都嚴(yán)重干擾了影像的分割及配準(zhǔn)的準(zhǔn)確性。傳統(tǒng)的處理方法通過先增強(qiáng)、后去噪，或者先去噪、后增強(qiáng)的方式解決該問題，然而由于這種方法本身存在著矛盾性，因此往往得不到理想的處理結(jié)果。針對這類問題，提出一種既能保護(hù)邊緣，又能兼顧去噪及增強(qiáng)的模型。通過構(gòu)造自適應(yīng)直方圖均衡化的偏微分方程，并結(jié)合PM平滑算法的優(yōu)點(diǎn)，增加系數(shù)調(diào)節(jié)項(xiàng)，達(dá)到同步去噪增強(qiáng)的目的。該算法吸取了兩種模型的優(yōu)點(diǎn)，實(shí)驗(yàn)結(jié)果證明了這種方法的準(zhǔn)確性及實(shí)用性。
　　(

4、2)通過對CV模型進(jìn)行三方面的改進(jìn)，提出一種新的腦組織提取方法。首先，通過改進(jìn)經(jīng)典的距離函數(shù)，在保證準(zhǔn)確度的同時(shí)，可以在很大程度上加快距離函數(shù)的收斂，提高分割速度。其次，改進(jìn)了收斂結(jié)果的唯一性，使邊緣停止在欲提取的目標(biāo)類灰度上，用于去除腦脊液，使腦灰質(zhì)、白質(zhì)的提取更加準(zhǔn)確。最后，提出了迭代收斂的動(dòng)態(tài)結(jié)束條件，通過對間隔幀的對比，改進(jìn)了以往通過經(jīng)驗(yàn)迭代次數(shù)的設(shè)定，使得分割結(jié)果或是不夠理想、或是迭代次數(shù)過多的不足，從而使分割效果與迭代時(shí)間達(dá)

5、到較優(yōu)。改進(jìn)后的算法適用于二維及三維影像分割。實(shí)驗(yàn)結(jié)果表明，該算法在腦組織的分割速度及準(zhǔn)確性上有了很大提高。
　　(3)顱底組織的解剖結(jié)構(gòu)復(fù)雜，某些非腦組織常與腦組織相連，灰度也極為相似，多數(shù)分割算法很難完成這部分的腦組織提取。針對這種顱底組織連接處“粘連”的問題，提出一種結(jié)合CV模型的形態(tài)學(xué)算法，用于顱底影像的分割。首先采用CV模型對輸入的影像進(jìn)行預(yù)分割，由于某些腦組織會(huì)與視覺神經(jīng)等部位的灰度相同，而CV模型是基于區(qū)域平均灰度的

6、分割，因此導(dǎo)致分割后無法提取腦組織。為了解決這一問題，采用一種形態(tài)學(xué)的腐蝕膨脹算法，通過循環(huán)腐蝕邊界，得到粘連組織分離時(shí)刻的影像，再通過膨脹算法，使分離后的影像膨脹到腐蝕前的位置，與水平集算法結(jié)果取交集，從而完成腦組織的正確提取。
　　(4)由于CV模型是一種分割單目標(biāo)的方法，為了可以同時(shí)對灰質(zhì)、白質(zhì)等腦組織進(jìn)行多目標(biāo)提取，提出了一種基于MCV（改進(jìn)多目標(biāo)CV）模型的分割方法。首先通過改進(jìn)的K均值聚類算法對原始影像進(jìn)行粗分割，避免

7、了多目標(biāo)CV模型陷入局部最優(yōu)解。為了提高K均值聚類的收斂速度，對其初值的選取進(jìn)行了改進(jìn)，而后采用改進(jìn)的Heviside函數(shù)通過多目標(biāo)CV模型完成精確分割。實(shí)驗(yàn)結(jié)果表明，該方法可以較好的完成腦組織的分割。
　　(5)為使采用計(jì)算機(jī)進(jìn)行手動(dòng)分割的結(jié)果更為便利、準(zhǔn)確，提出一種結(jié)合改進(jìn)的Live-Wire模型及NGGVF Snake模型的交互式腦腫瘤分割方法。首先，通過臨床醫(yī)生的專業(yè)知識(shí)，采用改進(jìn)的Live-Wire模型確定初始輪廓。改進(jìn)

8、后模型的優(yōu)點(diǎn)是可通過較少的交互點(diǎn)，更為準(zhǔn)確的確定目標(biāo)輪廓，尤其是曲率較大的部分。而后采用NGGVF Snake模型對初始輪廓進(jìn)行修正，不僅克服了局部最優(yōu)解問題，而且可使曲線深入凹槽部分，提高了分割的準(zhǔn)確性。
　　(6)由于腦腫瘤分割常采用半交互式的方法，該方法的缺點(diǎn)是不能對批量數(shù)據(jù)進(jìn)行處理，為此提出一種基于樹形聚類匹配的腦腫瘤分割方法，用于大量腦MR腫瘤影像的自動(dòng)分割。通過對分割后的腦組織影像進(jìn)行中心定位，建立樹形索引匹配結(jié)構(gòu)，采

9、用一種節(jié)點(diǎn)匹配算法完成粗分割，最后根據(jù)粗分割結(jié)果，采用形變模型或動(dòng)態(tài)閾值區(qū)域增長算法完成精確分割。這種方法能夠較為準(zhǔn)確的完成腦腫瘤的自動(dòng)分割，實(shí)驗(yàn)結(jié)果驗(yàn)證了算法的實(shí)用性及可行性。
　　本文從三方面設(shè)計(jì)并實(shí)現(xiàn)了腦組織分割的相關(guān)算法:同步去噪增強(qiáng)算法、常規(guī)腦組織分割算法及病變（腦腫瘤）腦組織分割算法。其中去噪增強(qiáng)算法的處理結(jié)果可以作為分割算法的輸入，而分割算法的結(jié)果又是組織測量、配準(zhǔn)融合、病變判斷等后續(xù)處理步驟的基礎(chǔ)，因此本文算法可以