基于改進型C-V模型的醫(yī)學超聲圖像分割及應(yīng)用.pdf

1、汕頭大學碩士學位論文題目基于改進型CV模型的醫(yī)學超聲圖像分割及應(yīng)用英文題目SegmentationofMedicalUltrasoundImageitsApplicationBasedonImprovedCVModel姓名徐宇貴徐宇貴學號11009044所在學院所在學院工學院工學院導(dǎo)師姓名導(dǎo)師姓名孫麗莎孫麗莎專業(yè)信號與信息處理信號與信息處理入學時間入學時間2010年9月答辯日期答辯日期2013年5月汕頭大學工學院2013屆碩士學位論文I

2、摘要摘要數(shù)字圖像處理技術(shù)近幾十年來得到了飛速發(fā)展，其在各行各業(yè)中也發(fā)揮了重要作用。在醫(yī)學診療中，通過數(shù)字圖像處理技術(shù)的應(yīng)用，越來越多的疾病得以在術(shù)前被發(fā)現(xiàn)，從而為患者帶來了希望，為醫(yī)生減輕了負擔，推動了醫(yī)學成像技術(shù)的發(fā)展。醫(yī)學超聲成像技術(shù)相比其他醫(yī)學成像技術(shù)，具有低成本、無輻射、實時性、可重復(fù)性好等優(yōu)點，被譽為“現(xiàn)代四大醫(yī)學成像技術(shù)”之一，目前已在乳腺、血管、腫瘤和產(chǎn)前診斷方面得到廣泛應(yīng)用。然而，由于醫(yī)學超聲成像過程中會產(chǎn)生大量斑點噪聲

3、，不僅將妨礙醫(yī)生對圖像中病灶性質(zhì)的診斷，而且也會對后期的圖像分割處理產(chǎn)生負面的影響。針對這一現(xiàn)狀，本文在深入調(diào)研超聲成像機制以及當前醫(yī)學超聲圖像去噪和分割的研究現(xiàn)狀基礎(chǔ)上，提出和改進了適用于醫(yī)學超聲圖像去噪和分割方法，并對所提出的方法進行了實驗驗證。本文首先對課題背景和意義、醫(yī)學超聲成像和本文組織結(jié)構(gòu)進行了概述。針對現(xiàn)有的醫(yī)學超聲成像去噪和分割方法進行了現(xiàn)狀介紹，然后提出了一種去噪模型和兩種改進型的CV模型，主要內(nèi)容如下：1、針對現(xiàn)有的

4、醫(yī)學超聲圖像去噪模型，深入分析了其各自特性，在此基礎(chǔ)上提出了一種自適應(yīng)SUSAN擴散去噪方法。該方法引入了SUSAN算子進行圖像邊緣檢測，并利用Kmeans算法自適應(yīng)地得到圖像的全斑點噪聲區(qū)域和相關(guān)參數(shù)，最后結(jié)合非線性擴散理論對醫(yī)學超聲圖像進行迭代去噪。實驗結(jié)果證明提出方法與PM模型、SRAD模型、NCD模型等在去噪程度和邊緣保留方面具有更好的效果。2、首先介紹了傳統(tǒng)活動輪廓模型和水平集方法，然后重點介紹了ChanVese（CV）模型，

5、并分析了它的優(yōu)缺點。從分析中可以看出該模型方法在對灰度不均勻圖像的分割方面還存在的不足，針對這種問題，本文提出了一種基于局部灰度信息的改進型CV模型，即LocalGrayChanVese（LGCV）模型，通過使用圖像局部灰度信息，該模型可以在較少的迭代次數(shù)內(nèi)分割灰度不均勻圖像。實驗結(jié)果也證明了本方法的有效性。3、當前，大多數(shù)圖像分割方法都是基于圖像灰度信息提出的，但是相比圖像灰度信息，相位信息能更準確地檢測出帶斑點噪聲的醫(yī)學超聲圖像中邊