基于图割的CT影像分割算法研究

论文摘要

医学影像分割是把医学影像划分为各具特色的区域并提取出感兴趣器官或组织的过程和技术。它是医学影像处理、可视化及计算机辅助诊断等领域的关键问题之一,其分割精度也直接影响着后续处理的结果,因此医学影像分割一直是研究热点之一。基于图割的影像分割算法是近年来发展起来的新方法,图割方法是将图像以马尔可夫随机场的形式构造s-t网络,并利用最大流最小割算法进行优化的技术。其核心思想在于构造一个合理的能量函数,并运用组合优化技术使之最小化。其具有结合区域与边缘信息、全局最优化、无拓扑限制及可结合多种先验知识等特点。本文首先介绍医学影像分割的背景知识,包括医学影像分割算法的研究现状、分割评价体系和医学影像算法平台研究等；其次对图割算法的相关基础知识进行梳理,包括与图割算法相关的图论基础知识、最大流最小割算法及图割算法基本流程等。所有这些前人优秀的研究成果构成了本文研究的基础。本文以图割理论为核心,对图割算法从算法效率、精确度和交互方式三个方面进行改进：（1）用均值漂移算法作为图割算法的预处理步骤,提高图割算法的效率。其思路为：对原始图像利用均值漂移算法进行过分割处理,以其产生的过分割区域作为一个超像素来替代单个像素参与图割算法,从而减少实际运行中图的顶点和边的数目,因而可大幅提高图割算法的效率。均值漂移算法、分水岭法和聚类算法均可看做超像素法,但分水岭法对噪声敏感且边界保持性不好,聚类算法需要设定聚类数目,而均值漂移算法具有良好的边界保持特性、不需要设定聚类数目且对噪声有一定的抑制作用等特点,因此选用均值漂移算法作为超像素法来结合图割算法。本文选取三维脊椎骨CT（Computed Tomography）影像进行实验,利用“对称位置的平均表面距离”这一指标来评价算法,本文算法这一指标约为1.208mm,而分水岭法和图割结合算法约为2.924mm,面绘制结果也验证了本文算法的有效性。（2）用概率图谱和图割算法结合,提高图割算法的精确性。为得到更精确的分割结果,可在基于图割的影像分割算法框架中引入先验形状知识来指导分割。本文选取概率图谱方法作为先验形状信息,它是一种无参的形状模型约束方法,简化了建模的复杂度。它通过训练图像与待分割图像的配准,经过一定的运算获得与待分割图像大小一致、灰度值为该像素属于某种器官的概率值的图像,即待分割图像某一器官的概率图谱。本文把概率图谱作为先验形状信息,并和原始图像的灰度值一起作为图割算法的区域信息因子,实现了高层先验知识与底层信息结合进行分割的效果。本文选取腹部CT影像来分割肝脏进行实验,利用临床评价体系对分割结果进行分析,本文结果得分约为69分（手工分割结果设为75分）,基本达到了一定的临床要求。（3）实现自动分割。对某一解剖部位的医学影像,邀请放射科医师通过训练获取该影像中目标和背景的均值和标准差,作为该解剖结构的先验信息,并将其作为分割该部位医学影像的参考指标输入到程序中,以实现对该部位的类医学影像进行自动分割,本文图割算法均为利用该方法的自动分割方法。

论文目录

• 中文摘要
• Abstract
• 前言
• 1.1 医学影像分割算法的研究意义
• 1.2 医学影像分割算法的研究现状
• 1.2.1 图像分割算法
• 1.2.2 基于图割的图像分割算法
• 1.3 医学影像分割评价体系
• 1.4 医学影像算法平台
• 1.4.1 VTK简介
• 1.4.2 ITK简介
• 1.5 本文研究内容及章节安排
• 1.5.1 本文研究内容及改进之处
• 1.5.2 章节安排
• 二、图割理论
• 2.1 图论的基础知识
• 2.1.1 图的定义
• 2.1.2 s-t网络与割
• 2.2 最大流最小割算法
• 2.2.1 增广路径方法
• 2.2.2 图割算法中最大流最小割算法
• 2.2.3 推进重标号方法
• 2.3 图割算法基本流程
• 2.3.1 图割算法的基本框架
• 2.3.2 图割算法基础
• 三、结合图割与均值漂移算法的分割方法
• 3.1 前言
• 3.2 超像素法作为预处理的图割算法
• 3.3 均值漂移算法
• 3.3.1 均值漂移算法思想
• 3.3.2 均值漂移算法在图像分割上的应用
• 3.4 图割和均值漂移的结合算法
• 3.5 实验结果与分析
• 3.6 本章小结
• 四、结合图割与概率图谱算法的分割方法
• 4.1 前言
• 4.2 概率图谱
• 4.2.1 概率图谱技术
• 4.2.2 概率图谱技术中的配准方法
• 4.3 图割与概率图谱的结合算法
• 4.4 实验结果与分析
• 4.5 本章小结
• 五、总结与展望
• 5.1 总结
• 5.2 后续工作展望
• 参考文献
• 发表论文和参加科研情况说明
• 综述 医学影像分割方法综述
• 综述参考文献
• 致谢