基于活動輪廓模型的醫(yī)學圖像分割關鍵技術研究.pdf

1、醫(yī)學成像技術的發(fā)展，大大促進了以數字圖像處理為基礎的計算機輔助診斷領域的發(fā)展。醫(yī)學圖像分割是對圖像中感興趣區(qū)域進行劃分的過程，是計算機輔助診斷系統(tǒng)進一步處理、分析醫(yī)學圖像的基礎，包括特征提取、三維重建、疾病檢測、定量分析等。
　　近年來，活動輪廓模型憑借其多樣的形式、靈活的結構以及優(yōu)越的性能，在醫(yī)學圖像分割領域受到了越來越廣泛的研究和應用。本文對活動輪廓模型在醫(yī)學圖像分割中的應用進行了較為深入的研究，主要的研究內容及其創(chuàng)新點包括:

2、
　　(1)針對傳統(tǒng)肺實質分割算法對病變肺部CT圖像分割效果不理想的問題，本文提出一種以生理解剖學知識為基礎并基于改進的Snake模型的肺實質分割算法，該算法以肋骨邊緣為初始輪廓，利用基于Snake模型的輪廓曲線在演化過程中連續(xù)不間斷以及對凹陷區(qū)域不敏感的特點，并在Snake模型能量函數中增加能體現(xiàn)肋骨位置的變量，從而使得肋骨對輪廓曲線產生吸引，實現(xiàn)對病變肺部CT圖像的肺實質分割。該算法克服了病變造成的肺部CT圖像的離散、斷裂、凹

3、陷等情況。
　　(2)針對肺部序列CT圖像的肺實質分割問題，本文提出一種交互式的肺實質分割算法，即LW-Snake模型。該模型充分利用序列CT圖像相鄰層中肺實質輪廓變化平滑的特點，結合且改進了Live-Wire模型、Snake模型以及輪廓插值方法，并輔以操作人員的專業(yè)知識。首先在序列CT圖像中手動的選取肺實質的關鍵層，然后通過Live-Wire模型交互式地勾勒其輪廓，再進行輪廓插值得到其他層肺實質的初始輪廓，最后通過Snake模型

4、演化得到所有層的肺實質準確分割結果，并加以手工修正。該算法既解決了手動分割序列醫(yī)學圖像工作量大、耗時長、不可重現(xiàn)的缺點，又解決了自動分割準確率不高的缺點。
　　(3)針對腦部擴散張量圖像的腦白質纖維束分割問題，本文提出一種基于Riemannian流形的腦白質纖維束分割算法。首先通過擴散張量圖像為每個體素構造一個3×3的對稱、正定、協(xié)變張量，并由此生成張量場，用以描述腦白質的性質;然后將該張量場看做一個Riemannian流形，并引

5、入Navier-Stoke方程來表達擴散張量場中流體的運動，從而將腦白質中任意兩點間的纖維束分割問題轉化為計算Riemannian流形中兩點間最小距離的問題;最后通過測地線表示該Riemannian流形中兩點間距離，并基于Level-Set計算測地線，作為腦白質中兩點間的纖維束。與傳統(tǒng)腦白質纖維束分割算法相比，該算法在準確性、魯棒性方面均有明顯提高。
　　(4)針對腦脊液、腦白質、腦灰質的分割，本文摒棄了基于常規(guī)MR圖像分割腦脊液

6、、腦白質、腦灰質的傳統(tǒng)思路，提出基于擴散張量圖像各個特征參數的圖像分量分割方法。首先，計算擴散張量圖像的各向異性參數和擴散參數，并得到各個參數下的腦部圖像;然后，通過EM(Expectation maximization)模型求得各個各向異性參數圖像的腦白質和非腦白質區(qū)域，以及各個擴散參數圖像的腦脊液和非腦脊液區(qū)域;最后，通過改進的STAPLE(Simultaneous Truth and PerformanceLevel Estima