基于幾何流的醫(yī)學圖像分割方法及其應用研究.pdf

1、醫(yī)學圖像分割是指從醫(yī)學圖像中提取感興趣區(qū)域，為臨床診療和病理學研究提供可靠的依據(jù)，它在特征提取、定量測量以及人體器官三維重建等許多醫(yī)學圖像分析與理解應用中起著關鍵作用。近年來，隨著生物醫(yī)學成像技術的發(fā)展，醫(yī)學圖像得到越來越廣泛的應用；同時，醫(yī)學圖像日益復雜化、海量化，傳統(tǒng)的分割方法已逐漸不能滿足實際需要，因此，對醫(yī)學圖像分割的研究具有重要意義。本文以曲線演化理論、水平集方法和信息熵原理為基礎，對基于幾何流的圖像分割模型、醫(yī)學三維圖像分割

2、方法和圖像分割評價方法及其在醫(yī)學磁共振圖像分割中的應用等當前研究熱點進行了深入研究。
　　針對Chan-Vese模型在演化過程中每次迭代都必須在整個圖像區(qū)域上計算而導致無法采用快速算法的缺陷，從基本理論公式的推導出發(fā)，根據(jù)區(qū)域和區(qū)域中像素的動態(tài)變化，采用增量方式迭代求取區(qū)域的平均灰度，將其解析公式改進為遞進迭代公式，從而可以采用窄帶法等快速算法，較大地提高了分割效率，使得該模型更具實際意義。
　　為進一步改善幾何活動輪廓模型

3、對于圖層中的間斷邊緣或弱邊緣時出現(xiàn)的邊緣泄漏現(xiàn)象，通過在邊緣檢測函數(shù)中引入鄰層先驗信息對曲線演化的停止條件進行了改進，提出了先驗知識測地流模型。該模型將已分割切片中的局部區(qū)域特征帶入相鄰的未待割切片中，并引導待分割切片中的輪廓曲線收斂到目標的實際邊界，因而提高了幾何活動輪廓模型的精確性和穩(wěn)定性。
　　針對傳統(tǒng)的Watershed算法易受噪聲和量化誤差的影響而產(chǎn)生大量的過度分割現(xiàn)象，構造了采用梯度矢量流(GradientVector

4、Flow，GVF)的標量圖作為輸入梯度圖像的GVF-Watershed算法，該算法將突變的梯度信息平緩地擴散到圖像中，既能準確地檢測到真實圖像邊緣，又增強了對圖像噪聲和量化誤差的免疫能力，從而改善了過度分割現(xiàn)象。
　　為提高三維醫(yī)學圖像分割的質量和效率，將GVF-Watershed算法f簡稱為GW)和基于LevelSet方法(簡稱為LSM)的幾何流分割模型結合起來，形成GW-LSM框架。該框架的基本思想是先采用GVF-Waters

5、hed算法對三維醫(yī)學圖像進行粗分割，然后利用窄帶LevelSet方法的幾何流變形模型進行細分割。前者具有快速捕捉所有邊緣等特點，但易產(chǎn)生過度分割現(xiàn)象；后者具有拓撲結構變化的自適應性、分割精確等特點，但計算量過大。二者相結合，互相取長補短。在該框架下，針對目標層間相似性較弱的三維醫(yī)學圖像，設計了基于GW-LSM框架的三維分割法，提高了分割效率；針對目標層間相似性較強的三維醫(yī)學圖像，引入層間梯度相似性作為先驗知識，設計了基于GW-LSM框架

6、的2.5維分割法，提高了分割精度和速度。
　　為研究新的有效的醫(yī)學圖像分割定量評價方法并對本文方法進行客觀評價，根據(jù)圖像分割的本質及醫(yī)學圖像自身的特點，從區(qū)域內部的同質性的角度，提出了分割信息熵的概念，并以此為評價測度提出了基于分割信息熵的評價方法；從區(qū)域之間的異質性角度，引入了非線性相關信息熵作為評價測度，提出了基于區(qū)域相關熵的評價方法。前者計算相對簡單，后者能在單位閉區(qū)間上給出定量評價。這兩種評價方法都能給出有效的、準確的客觀