《基于水平集几何主动轮廓模型的医学图像分割方法研究（学位论文-工学）》由会员分享，可在线阅读，更多相关《基于水平集几何主动轮廓模型的医学图像分割方法研究（学位论文-工学）（75页珍藏版）》请在金锄头文库上搜索。
1、图 表 1基 于 水 平 集 几 何 主 动 轮 廓 模 型 的 医 学 图 像 分 割 方 法 研 究Research on Medical Image Segmentation Based onLevel Set Geometrical Active Contour Model作 者 姓 名 李 敏学 位 类 型 学 历 硕 士学 科 、 专 业 信 号 与 信 息 处 理研 究 方 向 数 字 图 像 分 析 与 处 理导 师 及 职 称 詹 曙 副 教 授2013 年 4 月图 表 2图 表 3基 于 水 平 集 几 何 主 动 轮 廓 模 型 的 医 学 图 像 分 割 方 法 研
2、究摘 要医 学 图 像 分 割 是 对 正 常 组 织 和 病 变 组 织 进 行 定 量 分 析 、 三 维 重 建 的 基 础 ，是 计 算 机 辅 助 诊 断 的 关 键 步 骤 ， 因 此 要 求 分 割 具 有 很 强 的 目 标 性 和 很 高 的 准 确性 。 然 而 ， 在 临 床 应 用 中 ， 由 于 医 学 图 像 本 身 的 复 杂 性 、 多 样 性 和 各 种 不 确 定因 素 的 影 响 ， 导 致 准 确 分 割 成 为 医 学 图 像 分 析 处 理 的 难 点 。基 于 水 平 集 几 何 主 动 轮 廓 模 型 的 图 像 分 割 方 法 ， 既 能 够
3、利 用 图 像 本 身 低 层信 息 ， 又 允 许 高 层 知 识 介 入 指 导 ， 因 此 在 处 理 结 构 复 杂 多 样 的 医 学 图 像 时 ， 显示 其 独 特 的 优 越 性 和 广 泛 的 适 用 性 。 本 文 以 脑 MR 图 像 为 主 要 研 究 对 象 ， 以 精确 的 分 割 作 为 研 究 目 标 ，针 对 特 定 的 组 织 结 构 选 择 合 理 的 分 割 算 法 和 分 割 策 略 ，对 基 于 水 平 集 的 几 何 主 动 轮 廓 分 割 算 法 提 出 了 几 点 改 进 ， 并 在 脑 MR 等 医 学 图像 分 割 实 验 中 验 证 了
4、改 进 模 型 的 有 效 性 。 主 要 工 作 和 贡 献 如 下 ：（ 1） 大 量 的 医 学 图 像 中 存 在 的 灰 度 不 均 匀 现 象 给 分 割 带 来 很 大 挑 战 ， 图 像分 割 算 法 中 广 泛 采 用 的 基 于 区 域 的 分 割 模 型 常 常 依 赖 图 像 灰 度 的 均 匀 性 ， 因 此在 处 理 灰 度 不 均 匀 图 像 时 无 法 得 到 理 想 的 分 割 结 果 。 针 对 这 一 问 题 ， 将 图 像 的局 部 统 计 特 征 引 入 到 互 信 息 度 量 的 分 割 模 型 中 ， 抛 开 全 局 性 的 约 束 ， 提 出 一
5、 种局 域 化 互 信 息 度 量 的 变 分 水 平 集 模 型 。 首 先 ， 基 于 灰 度 不 均 匀 图 像 模 型 ， 在 每点 局 部 邻 域 内 对 图 像 灰 度 特 征 进 行 描 述 ， 构 造 一 种 局 域 化 互 信 息 作 为 分 割 的 准则 。 再 将 该 准 则 引 入 到 水 平 集 的 框 架 中 ， 定 义 出 一 种 水 平 集 函 数 表 述 的 能 量 模型 ， 通 过 能 量 函 数 的 最 小 化 ， 能 同 时 达 到 分 割 和 偏 场 估 计 的 联 合 优 化 。 脑 MR等 各 类 灰 度 不 均 匀 的 医 学 图 像 分 割 实
6、 验 结 果 表 明 ， 本 模 型 提 高 了 灰 度 不 均 匀 场景 下 的 目 标 边 界 识 别 的 精 度 。（ 2） 在 传 统 水 平 集 方 法 中 ， 为 保 证 演 化 的 稳 定 ， 需 要 周 期 性 地 初 始 化 水 平集 函 数 为 符 号 距 离 函 数 。 但 现 有 的 大 量 重 新 初 始 化 方 法 都 可 能 使 零 水 平 集 的 位置 发 生 偏 移 ， 而 且 重 新 初 始 化 计 算 复 杂 耗 时 。 针 对 此 问 题 ， 提 出 了 一 种 无 需 重新 初 始 化 的 水 平 集 方 法 ， 在 每 次 迭 代 后 采 用 常 量
7、 核 与 水 平 集 函 数 的 卷 积 操 作 来规 则 化 水 平 集 函 数 。 本 方 法 保 持 了 水 平 集 函 数 的 符 号 距 离 函 数 性 质 ， 因 此 保 证了 演 化 的 稳 定 性 ， 且 实 现 简 单 。关 键 词 ： 医 学 图 像 分 割 ； 几 何 主 动 轮 廓 模 型 ； 水 平 集 ； 灰 度 不 均 匀 性 ； 偏 场 校正Research on Medical Image Segmentation Based onLevel Set Geometrical Active Contour ModelABSTRACTMedical image s
8、egmentation is not only the foundation of quantitative analysis,three-dimensional reconstruction of the normal and diseased tissues, but also thekey step of computer aided diagnoses. Thus it should have an unambiguoussegmentation target and require high segmentation accuracy. However, due to thecomp
9、lexity, diversity, and many other uncertain effects on medical images, accuratesegmentation is a difficult topic in Processing and Analysis of Medical Images.The level-set geometric active contour model-based image segmentationmethod, which is able to take advantage of low-level image information, a
10、nd allowthe high-level knowledge intervention guidance, has shown its unique advantageand comprehensive applicability in the segmentation of medical images especiallywhen apply to complicated and diverse structures. In this dissertation, in order tosegment brain Magnetic Resonance Imaging (MRI) imag
11、es accurately， we choosereasonable segmentation algorithm and strategy for particular tissues. We proposesome improvements to the level-set geometrical active contour model, and validatethe validity of the algorithms in the segmentation of brain MRI and other medicalimages. The main work and contrib
12、utions are as follows:(1) Intensity inhomogeneity often exists in most medical images, it bringsabout a considerable challenge in image segmentation. Region-based segmentationmodel is the most widely used image segmentation algorithms, but it relies on thehomogeneity of the image intensities typical
13、ly, so it often fails to provide idealsegmentation results when dealing with intensity inhomogeneity images. In order tosolve this problem， we propose a variational level-set model based on local mutualinformation, using the local statistical characteristic of an image, despite the globalconstraints
14、. First, based on the model of images with intensity inhomogeneities, wedescribe the image intensity features in a local neighborhood of each point, andbuild a localized mutual information as a criterion of image segmentation. Thenbring this criterion in a level set formulation, to define an energy
15、in terms of thelevel set functions. By minimizing this energy, our method is able tosimultaneously segment the image and estimate the bias eld. Our model has beenvalidated on medical images with intensity inhomogeneity such as brain MR, theexperimental results show that our model has improved the ta
16、rget boundaryidentification accuracy in the case of inhomogeneous intensity.(2) In the traditional level set methods, the level set function is initializedto be an signed distance functions(SDF) to its interface to ensure the stability of theevolution. Unfortunately many existing re-initialization methods
