基于幾何形變模型的醫(yī)學圖像分割方法研究.pdf

1、本文主要就影響醫(yī)學圖像分割的分割速度和弱邊界目標的分割精度等幾個關(guān)鍵問題，在對水平集方法和Chan-Vese模型有了深入理解和研究的基礎之上，做了大量實驗和分析，提出了如下改進方法： 首先，提出了基于物體邊界梯度的指數(shù)級加速因子模型。該模型不僅能有選擇性地對特定目標進行加速分割，而且還能提高弱邊界目標的分割精度。實驗證明，與基于梯度加速項的方法相比，該方法對特定目標具有更好的分割效率。此外，為了解決Chan-Vese模型迭代過程

2、中費時的重新初始化問題，在模型當中引入了內(nèi)部能量項，消除了傳統(tǒng)Chan-Vese模型的重新初始化操作。 其次，提出了一種與互信息中熵相關(guān)系數(shù)概念相結(jié)合的改進了的無監(jiān)督分等級分割方法。該方法使熵相關(guān)系數(shù)(ECC)與灰度均方差值(Var)一起對分割的過程進行控制，在分割過程中的每一步使用同一個水平集函數(shù)進行分割。實驗證明，該方法能夠提取出傳統(tǒng)Chan-Vese方法所不能提取出的弱邊界目標，提高了對于弱邊界目標的提取精度。 最

3、后，提出了一種簡單的基于Chan-Vese模型和并行計算思想的二重水平集模型。通過并行處理的方式，可以使兩條水平集演化曲線分別針對具有不同邊界梯度值的目標進行加速分割，達到一次性對兩個感興趣目標進行加速提取的目的。另外，針對Chan-Vese模型的分割速度對初始水平集曲線位置敏感的問題，該模型使兩條水平集曲線分別位于圖像中不同感興趣目標的附近并行演化，在演化到規(guī)定的時間之后計算兩條演化曲線的能量函數(shù)值，選取值較小的那條演化曲線作為最終的