基于活动轮廓模型的医学图像分割

论文摘要

医学图像主要包括X射线断层（CT）、超声、磁共振（MR）等图像,其在人体内部组织器官的定量分析、实时监控和治疗规划等方面都具有重要的作用。利用医学图像进行诊断时,常根据需要将特定的组织器官或感兴趣的区域（ROI）提取出来,以便更好地对其进行分析和诊察,这个过程就是图像分割。医学图像分割是医学图像处理与分析的一个重要领域,同时也是计算机辅助诊断与治疗的基础。所谓图像分割,也就是根据某种均匀性或一致性的原则将图像分割成若干个有意义的部分,使得每一部分都符合某种一致性的要求,而任意两个相邻部分的合并都会破坏这种一致性。图像分割在医学图像处理中具有十分重要的意义,比如三维可视化,计算机辅助外科手术以及放射治疗等医学应用都假设已经对图像进行了精确分割。由于医学图像本身分辨率较低、对比度较低,以及固有噪声的影响,使用传统的图像分割方法很难达到要求。活动轮廓模型法是近十几年来使用较广泛的新的图像分割和跟踪方法,它从动力学角度来研究曲线的演化过程,通过计算能量函数的最小值得到图像感兴趣区域的连续闭合边界。由于活动轮廓模型易于建模且可以提取任意形状的目标轮廓等优点,在医学图像分割、边缘检测、运动跟踪等领域有了广泛的应用和较大的发展。并且活动轮廓模型具有高效且简单的计算能力。实践已经证明,它较以往的图像分割方法有较大改进,适用于比较适合医学图像的分割。但由于该方法本身还存在一些问题,这在一定程度上限制了它在临床中的实际应用。针对以上情况,本文旨在通过对活动轮廓模型法的深入研究的基础上,改进或提出适用于医学图像的分割处理方法。因此,本文对基于活动轮廓模型的医学图像分割这一课题进行了深入、系统的研究。本文首先对医学图像分割方法进行了总结,并分析了各方法的优缺点,然后对两大类活动轮廓模型（参数活动轮廓模型和几何活动轮廓模型）和水平集方法作了讨论和分析。重点介绍了Chan-Vese （CV）模型,并分析了它在非均匀图像尤其是医学图像中的应用。从分析中可以看出该模型方法在某些方面还存在一定的不足,因此,对其进行了改进。以下是本文的工作内容：1.针对CV模型在非均匀图像分割中参数设置困难,提出了基于Kullback-Leibler （KL）距离加权的CV模型（简称KLCV模型）。KL距离随着曲线的进化而变化,因此能够自动调节参数,使其适应于能量函数中的同质性平衡。另外,该模型在传统模型的基础上加入了统计信息,不再只考虑图像的全局信息,进而提高对曲线进化的控制力。2.由于医学图像中存在的灰度不均匀、组织器官结构复杂等问题,基于图像全局信息的传统CV模型和KLCV模型在医学图像分割领域并没有较为理想的效果。因此本文在以上模型的基础上引入了局部邻域信息,提出了基于KL距离加权和局部邻域信息的CV模型。该模型对图像的分析由图像全局区域信息改为只考虑进化曲线附近的灰度信息,在小的范围内检测灰度的变化,使得图像中远离曲线的不均匀区域不会对曲线的进化造成影响,从而提高新模型在非均匀图像分割中的分割性能。3.通过对大量的临床医学图像的分割实验,以及对分割结果的比较,验证了新模型能够准确地将目标分割出来,曲线具有良好的稳定性。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题研究背景及意义
• 1.2 国内外医学图像分割方法研究现状
• 1.2.1 基于区域的分割方法
• 1.2.2 基于统计学的方法
• 1.2.3 基于信息论的方法
• 1.2.4 基于模糊集理论的方法
• 1.2.5 基于神经网络的方法
• 1.2.6 基于小波变换的方法
• 1.3 本文主要研究工作和创新点
• 第二章 活动轮廓模型和水平集方法
• 2.1 引言
• 2.2 参数活动轮廓模型
• 2.3 几何活动轮廓模型
• 2.4 水平集方法
• 2.4.1 曲线演化理论
• 2.4.2 水平集算法曲线演化
• 2.4.3 水平集函数的数值解
• 2.5 本章小结
• 第三章 基于KL距离和局部邻域信息的CV模型
• 3.1 引言
• 3.2 Chan-Vese模型（简称CV模型）
• 3.3 水平集表达的CV模型
• 3.4 Kullback-Leibler（KL）距离加权的CV模型
• 3.4.1 KL距离
• 3.4.2 KL距离加权的CV模型（简称KLCV模型）
• 3.5 基于KL距离加权和局部邻域信息的CV模型（简称KLNCV模型）
• 3.5.1 局部邻域信息
• 3.5.2 KLNCV模型
• 第四章 实验和讨论
• 4.1 引言
• 4.2 实验环境
• 4.3 分割结果评价方法
• 4.3.1 像素重叠率
• 4.3.2 Hausdorff距离
• 4.4 LBF模型（Local Binary Fitting Model）
• 4.5 实验结果与分析
• 4.5.1 肾脏分割结果比较
• 4.5.2 脑部肿瘤分割结果比较
• 4.5.3 局部邻域大小对分割的影响
• 4.5.4 初始轮廓对分割的影响
• 4.6 本章小结
• 第五章 总结与展望
• 5.1 本文工作总结
• 5.2 未来工作展望
• 参考文献
• 攻读学位期间成果
• 致谢
• 统计学合格证明