基于可變形模型的醫(yī)學(xué)圖像分割及其在肝臟灌注分析中的應(yīng)用.pdf

1、醫(yī)學(xué)圖像分割是醫(yī)學(xué)圖像處理與分析的一個(gè)重要領(lǐng)域，同時(shí)也是計(jì)算機(jī)輔助診斷與治療的基礎(chǔ)。所謂圖像分割就是根據(jù)某種均勻性（或一致性）的原則將圖像分成若干個(gè)有意義的部分，使得每部分都符合某種一致性的要求。圖像分割在醫(yī)學(xué)圖像處理中具有十分重要的意義，比如三維可視化，計(jì)算機(jī)輔助外科手術(shù)以及放射治療等醫(yī)學(xué)應(yīng)用都假設(shè)已經(jīng)對(duì)圖像進(jìn)行了精確分割。在本文研究的肝臟灌注自動(dòng)分析中，第一步就是對(duì)肝臟進(jìn)行精確分割。 基于可變形模型的分割算法已經(jīng)漸漸發(fā)展為醫(yī)

2、學(xué)圖像分割領(lǐng)域最為活躍和成功的領(lǐng)域之一?？勺冃文Ｐ偷幕舅枷胧墙⒛Ｐ偷哪芰亢瘮?shù)，在模型內(nèi)部控制力和外部圖像力的共同作用下使曲線(xiàn)或曲面演化，并使該能量函數(shù)達(dá)到最小化，從而收斂到待分割區(qū)域的邊緣?；诳勺冃文Ｐ头指钏惴ǖ囊粋€(gè)突出的優(yōu)點(diǎn)是圖像數(shù)據(jù)、初始形狀和目標(biāo)輪廓統(tǒng)一于一致的數(shù)學(xué)模型中。其中，基于形狀先驗(yàn)的可變形模型通過(guò)并入待分割區(qū)域的形狀先驗(yàn)知識(shí)到可變形模型中，大大提高了分割的精度，成為當(dāng)前可變形分割模型研究的熱點(diǎn)。本文主要研究了基于平

3、均形狀先驗(yàn)可變形分割模型的原理、數(shù)值實(shí)現(xiàn)和實(shí)驗(yàn)。 水平集方法（Level Set Methods）是可變形模型的數(shù)學(xué)基礎(chǔ)，也是一種在醫(yī)學(xué)圖像處理上應(yīng)用非常廣泛的分割算法。水平集方法的優(yōu)點(diǎn)在于它的迭代演化過(guò)程不依賴(lài)具體參數(shù)，演化曲線(xiàn)或曲面可以隱式地表達(dá)為高維函數(shù)的零水平集，因此可以自動(dòng)處理感興趣區(qū)域的拓?fù)浣Y(jié)構(gòu)變化。但是水平集方法的缺點(diǎn)在于經(jīng)常出現(xiàn)欠分割、過(guò)分割和溢出等問(wèn)題。因此，通過(guò)對(duì)水平集算法進(jìn)行改進(jìn)來(lái)解決欠分割、過(guò)分割和溢出等

4、問(wèn)題就成為一項(xiàng)非常重要的課題。為了解決這些問(wèn)題，許多學(xué)者已經(jīng)做了大量研究。本文主要在多初始化和改進(jìn)速度函數(shù)的定義上來(lái)改進(jìn)水平集分割算法。 本文的主要工作和創(chuàng)新點(diǎn)如下： 1. 介紹常用的醫(yī)學(xué)圖像分割算法的研究現(xiàn)狀及其優(yōu)缺點(diǎn)。重點(diǎn)討論了可變形模型中的主動(dòng)輪廓模型和基于水平集的分割算法。 2. 提出多初始化水平集分割算法。針對(duì)傳統(tǒng)水平集分割算法經(jīng)常出現(xiàn)的欠分割、過(guò)分割和溢出等問(wèn)題進(jìn)行研究。本文在改進(jìn)速度函數(shù)的基礎(chǔ)上，提

5、出了多初始化水平集分割算法，基本上解決了這些問(wèn)題。 3. 提出基于平均形狀先驗(yàn)的可變形模型。本文提出基于平均形狀先驗(yàn)的可變形模型分割算法，及其數(shù)值實(shí)現(xiàn)。 4. 實(shí)現(xiàn)腹腔MR圖像肝臟的分割。本文用多初始化水平集算法從充滿(mǎn)噪聲并且邊緣不明顯的腹腔MR圖像分割出肝臟，并且和其它分割方法的實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比和評(píng)價(jià)。 5. 實(shí)現(xiàn)肝臟灌注的自動(dòng)測(cè)量。本文用改進(jìn)的Chamfer Matching 算法自動(dòng)跟蹤MR圖像序列中每一幅