基于Snake模型的醫(yī)學圖像分割算法研究.pdf

1、醫(yī)學圖像分割技術是醫(yī)學圖像處理和分析領域的基礎技術之一，它是其它醫(yī)學影像后處理（如三維可視化、手術導航等）的基礎，也是計算機視覺技術中的關鍵步驟，因此也成為近年來備受研究人員關注的熱點問題。參數活動輪廓線模型即Snake模型所特有的高度動態(tài)特性，使之非常適用于醫(yī)學圖像的分割和輪廓提取處理。
　　本文首先概述了圖像分割的目的和意義，研究的背景和現狀，并對參數活動輪廓模型的分割方法進行了綜述。其次介紹了傳統(tǒng)Snake模型的基本原理、模

2、型與變分法的關系，以及該算法的仿真結果。然后介紹了氣球模型、距離勢能等模型，并重點闡述了梯度向量流模型，并給出了一些仿真實驗。
　　本文針對Snake模型捕獲區(qū)域有限，弱邊界、漏邊界的檢測等問題，由最小化能量函數入手，提出了一種新的外力模型——方向保持梯度向量流(DPGVF)參數活動輪廓模型，并利用仿真圖像和臨床采集圖像對該方法進行了全面的測試，實驗結果表明該方法在很大程度上避免了初始輪廓線離目標很近的邊界干擾以及弱邊界、漏出邊界

3、間隙等問題，提高了對初始化位置的魯棒性，對于復雜的醫(yī)學圖像具有很好的分割效果。
　　由于醫(yī)學圖像的多樣性，使其具有灰度不均勻、噪聲干擾等特點，當初始輪廓線的位置選擇不合理時，就可能得不到準確而穩(wěn)定的分割結果。為此，本文融入了神經網絡的概念，可以直接將初始輪廓線的位置設置在目標邊界的周圍，實驗表明該方法不但縮短了演化的時間，而且在強噪聲的情況下性能穩(wěn)定，所以更加適用于醫(yī)學圖像分割領域。
　　最后，作者對自己的研究工作進行了總結