《学习和曲线演化的医学图像分割研究》由会员分享，可在线阅读，更多相关《学习和曲线演化的医学图像分割研究（76页珍藏版）》请在金锄头文库上搜索。
1、上海交通大学硕士学位论文基于形状学习和曲线演化的医学图像分割研究姓名：周娟申请学位级别：硕士专业：模式识别与智能系统指导教师：姚莉200902011 基于形状学习和曲线演化的医学图像分割研究 基于形状学习和曲线演化的医学图像分割研究 摘摘 要 要 医学影像的迅猛发展，为医学图像领域的研究人员提供了广阔的舞台。从医学图像中分割出解剖结构并构造出形状的几何表达。 这是医学图象分析处理中的一项重要的基础工作。它在生物医学图像，临床诊断，病理分析具有很重要的意义，是医学图像处理、分析和理解的基础。基于水平集方法的曲线演化模型因为能够非常自由地改变形状而收敛到目标的轮廓，在医学图像分割领域上取得了较好的
2、应用。但同时也反映出一些局限性，首先，模型本身结合的关于目标轮廓先验形状的知识较少；其次，对于很多实际医学图像中出现的灰度不均匀现象， 一些经典的曲线演化模型都未能很好进行分割。 因此，首先针对缺乏形状先验知识的问题，本文提出一种基于形状约束的水平集演化模型，将形状先验知识引入模型中，用来约束曲线的演化过程。该模型主要是基于简化的 Mumford-Shah 模型，对需要分割目标进行统计形状先验的学习，然后在模型中引入需要分割的目标的形状能量项，然后，最小化新的能量函数，以正确得到分割结果。本文针对脑部 MRI 图像进行了应用，对脑部 MRI 图像进行脑表皮分割，实验证明，本文提出的方法具有很好
3、的分割效果。 为了解决此灰度不均匀问题，本文提出一种基于灰度矩的水平集图像分割方法，方法首先计算原始图像的灰度矩，得到图像的边缘参数，由于灰度矩得到的边缘定位精度已达到亚像素级，所以得到的边缘参数能够更加精确的描述目标。然后，将计算得到的图像边缘参数结合到 LBF 主动轮廓模型中，进行能量最小化的计算，最终得到精确的分割结果。本方法解决了适应函数在曲线演化过程中依赖于水平集函数，需不断地重新迭代计算的问题。由于利用图像自身的信息，将边缘两边的灰度值作为适应函数的最优化值，使其不依赖于不断进化的水平集函数，成功解决了初始化依赖的问题；且由于只在第一步就计算出最优化的值，大大减少了分割速度。为了证
4、明算法的2 有效性，我们对血管图像进行了应用，血管图像具有典型的灰度不均匀现象。实验结果表明，血管图像的分割结果不但精确，而且分割时间相比其它算法来说，也大大地较少了，提高了分割过程的鲁棒性和分割结果的精确性及分割速度。 关键词：关键词：形状学习，曲线演化，水平集，主动活动轮廓，图像分割 3 Medical Image Segmentation Based on Shape learning and Curve Evolution ABSTRACT The development of the technology of medical image has provided a platfor
5、m for the researchers of medical image. The segmentation of anatomical structures from medical images is a very important step in the medical image analysis and processing. It is the foundation work of the biomedical image, clinic diagnose and pathology analysis. The level set curve evolution segmen
6、tation models are now the very popular method of the medical image segmentation. They can cope with the change of topological structure and have been widely applied in the medical images. However, meantime they also have some limitations. First, shape prior knowledge is seldom used in the models. Th
7、en, Intensity inhomogeneity often occurs in real images from different modalities, for medical images, intensity inhomogeneity is usually due to technical limitations or artifacts introduced by the object being imaged. In such situation, the traditional level set curve evolution models cannot segmen
8、t medical images correctly. In order to introduce the shape prior knowledge to the level set curve evolution models, this paper presents a new level set model which incorporates the shape information to restrict the curve evolution. The new method is based on Chan-Vese model, we first apply the stat
9、istical shape learning to the target object which needs to be segmented, then build a shape energy function and add it to the model energy function, and then minimize this total energy function, and finally get the correct segmentation results. We apply this new method to the brain MRI images, and s
10、egment the brain skins. The experiment results demonstrate that the new method has the very good segmentation results. Intensity inhomogeneities often occur in real-world images and may cause considerable difficulties in image segmentation. In order to overcome the 4 difficulties caused by intensity
11、 inhomogeneities, this paper presents a novel level set method for image segmentation. Gray-level moments are used to estimate two fitting functions that approximate local intensities on the two sides of object boundaries, which are then incorporated into a variational level set framework. Energy fu
12、nctional is defined on a contour, which characterizes the approximation of local intensities on the two sides of the contour by the two fitting functions. This energy can be minimized when the contour is on the object boundary. Thus, image segmentation is performed by minimizing this energy function
13、al. A desirable feature of our method is that it is not sensitive to the contour initialization and is able to segment images with intensity inhomogeneity. Only a small number of iterations are needed to obtain the final result, which makes our method more efficient than previous level set methods.
14、Keywords: Shape learning, curve evolution, level set, active contour model, image segmentation 上海交通大学上海交通大学 学位论文原创性声明学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果。 除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。 学位论文作者签名：周 娟 日期：2009 年 2 月 2 日 上海
15、交通大学上海交通大学 学位论文版权使用授权书学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。 本人授权上海交通大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 保密保密，在 年解密后适用本授权书。 本学位论文属于 不保密不保密。 （请在以上方框内打“” ） 学位论文作者签名：周 娟 指导教师签名：姚莉秀 日期：2009 年 2 月 2 日 日期：2009 年 2 月 2 日 硕士学位论文 1 第一章第一章 绪论绪论
16、 1.1 图像分割原理图像分割原理 图像分割是一种重要的图像技术，在理论研究和实际应用中都得到了人们的广泛重视。图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一，它是对图像进行视觉分析和模式识别的基本前提。具体来讲，图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显的不同。图像分割可借助集合概念给出比较正式的定义： 定义定义 令集合R代表整个图像区域，对R的分割可看作R分成若干个满足一下5个条件的非空的子集（子区域）12,.,nR RR： （1）1ni iRR=（2）,ijRRij= （3）(),1,2,.,jP RTRUE in= （4）(),ijP RRFALSEij= （5）对1,2,., ,iin R=是连通的区域 其中()iP R是对所有在集合iR中元素的逻辑谓词，是空集。 条件（1）指
