《医学病理切片图像中真皮区域分割算法研究摘要》由会员分享，可在线阅读，更多相关《医学病理切片图像中真皮区域分割算法研究摘要（26页珍藏版）》请在金锄头文库上搜索。
1、医学病理切片图像中真皮区域分割算法研究摘要图像分割是一种重要的和关键的图像分析技术，也是当今医学领域备受研究人员关注的热点问题。医学图像分割是正常组织和病变组织的三维可视化、手术模拟、图形引导手术等后续处理的基础，分割的准确性对医生判断患者疾病的真实情况并做出相应的诊断计划至关重要。因此，图像分割在医学应用中具有特殊的重要意义，特别是对人类生命健康相关的人体切片图像分割研究成为医学图像可视化研究中的一个非常重要的部分，是科学计算可视化中研究的热点问题。本文在前人研究成果的基础上，简述了医学病理切片图像中真皮区域分割研究背景，研究意义，国内外在该领域的研究进展，并且展示了医学病理切片图像中真皮区
2、域分割的实现流程，分析K-means和LDA分类算法的原理，研究并实现基于K-means算法和基于LDA算法的医学病理切片图像中真皮区域分割算法，以及利用MATLAB编程语言对K-means算法和LDA分类算法做了大量的仿真实验，验证了以上两种算法的可行性和有效性。关键词：医学图像区域分割；K-means；LDA；重合率 Research on the segmentation algorithm for medical pathological section image of dermal regionAbstractImage segmentation is a key technolo
3、gy of image analysis, and it is also a popular issue in medical field. Medical image segmentation is the foundation of 3D visualization of both normal and diseased tissue, surgery simulation, graphics to guide the operation and follow-up treatment. the accuracy of the segmentation is important to do
4、ctors judge the real situation of the disease and make corresponding diagnosis . Therefore, image segmentation is specially important in the medical application, especially for human life and health related human slice image segmentation research has become an attractive part of medical image visual
5、ization, scientific computing visualization research hot issues.In this paper based on the previous research results, describes the dermal region medical pathological image segmentation research background, research significance, research progress in this field at home and abroad and show the medica
6、l pathological image in the dermal region segmentation process, understand the principle of kmeans and LDA classification algorithm. Research and implementation of based on kmeans algorithm and segmentation algorithm based on LDA Algorithm medical pathological image in dermal regions, and a large nu
7、mber of simulation experiments of K-means algorithm and LDA classification algorithm using MATLAB programming language to verify the feasibility and effectiveness of the above two algorithms.Keywords: medical image segmentation, K- means clustering, LDA, coincidence rate目录 1. 绪论11.1 引言21.2 课题研究的背景及意
8、义21.3 医学图像分割的研究现状41.4 本文的主要研究内容52. 医学图像分割概述62.1引言62.1.1 医学图像分割特点62.1.2 医学图像分割定义72.1.3图像分割算法评估标准72.2 医学图像分割典型算法82.2.1 区域生长和分裂合并法82.2.2 阈值分割法92.2.3 分类器和聚类102.3 本章小结113. 医学病理切片中真皮组织区域分割算法123.1引言123.2 基于K-means医学图像分割算法123.2.1 K-means算法简介123.2.2 K-means算法流程123.2.3 仿真结果133.2.4算法评估与分析163.3基于LDA医学图像分割算法183.
9、3.1 LDA算法简介183.3.2仿真结果193.4 本章小结204. 总结与展望214.1 总结214.2 展望21致谢23参考文献243 第 页1. 绪论1.1 引言图像处理的目的应是符合对图像的正确理解，即对图像中特定物体的正确认识，以指导下一步的研究工作。如图1-1所示，依据研究方法的不同，图像技术具体可以分为三个层次：处理、分析和理解。在整个过程中，图像分割（Image Segmentation）是最关键的一步。图1-1 图像技术的层次结构图像分割是一种关键的图像技术，它不仅得到人们的广泛重视，也在实际中得到大量的应用。图像分割能够自动或半自动描绘出医学图像中的解剖结构和其它感兴趣
10、的区域, 从而有助于医学诊断。图像分割在不同领域中有时也用其它名称，如阈值化技术、目标轮廓技术、图像区分或求差技术、目标跟踪技术、目标识别技术、目标检测技术等，这些技术本身或核心实际上也是图像分割技术。1.2 课题研究的背景及意义 在对图像的研究和应用中，人们往往只对每幅图像中的某些部分感兴趣，这些部分常常被称为一幅图像的目标或者前景，它们一般对应图像中特定的、具有独特性质的区域。为了辨别和分析目标，需要将这些有关区域分离提取出来，在此基础上才有可能对目标进行进一步的利用，如进行特征提取和测量。图像分割就是把图像分割成各具特色、各有特点的区域，并从这些区域中提取出感兴趣的目标的技术和过程。根据
11、需要的不同，提取的特征可以是一幅图像的灰度、颜色、纹理等，而且分割的目标可以对应单个区域，也可以对应多个区域。图像分割是由图像处理过渡到图像分析的关键步骤，也是一种基本的计算机视觉技术。利用计算机进行图像处理有两个目的:一是产生出适合人观察和识别的图像，二是希望能由计算机自动识别和理解图像。无论为了哪种目的，关键的一步就是能够对包含大量、各式各样景物信息的图像进行分解。分解的最终结果是一些具有某种特征的最小成分即图像的基元。而这种基元，相对于整幅图像来说，更容易被人或计算机快速处理。这是因为图像的分割、目标的分离、特征的提取和参数的测量将会使原始图像转化为一种更为抽象更为紧凑的形式，使得更高层
12、的分析和理解成为可能。同时图像分割技术又是一个经典难题，多年来一直吸引着国内外科研人员为之努力，到现在己经提出了上千个各种类型的分割算法。由于各种图像分割算法都只利用了图像信息中的部分特征，所以必然都带有局限性，因此只能针对各种不同的领域、不同的用途来适当的选择所需的分割算法。到目前为止还没有一种通用的、适用于各种领域的分割算法。 目前图像分割的方法很多，但是由于人体具有解剖结构的复杂性、组织器官的不规则、个体之间也存在较大的差异以及不同医学成像模式成像特征不同、成像设备的不同也会给图像分割带来较大的麻烦，还有获取的图像的噪音、场偏移效应、局部体效应的影响等，这些都给医学图像的分割带来了困难，
13、使医学图像分割成为目前图像处理与分析领域的一个极具挑战性的课题。所以一般的图像分割方法对医学图像的处理效果并不理想。医学分割通常具有很强的针对性，没有哪种分割方法能对所有的图像模式都适用。 图像采集技术包括磁共振造影(MRI)、脑磁图(MEG)、三维超声成像、计算机断层扫描(CT)，解正电子发射断层照相(PET)、单光子发射计算机断层(SPECT ) ,功能磁共振(FMRI)、漫射加权成像(DWI)等。它们所产生的图像各有所长，能够分别以不同的时空分辨率提供各种解剖信息和功能信息，用来协助医生的诊断和治疗。计算机断层扫描(CT)对于骨组织、牙齿等具有很高的分辨率，而核磁共振图像对于软组织和肿瘤
14、成像清晰，而PET图像则能提供人体的功能信息。在医学中用的最广泛的图像是计算机断层扫描(CT)和核磁共振(MRI)图像。医学图像的分割是当前图像分割方法研究领域一个非常活跃的部分。医学临床实践和研究经常需要对人体某种组织和器官的形状、边界、截面面积以及体积进行测量，从而得出该组织病理或者功能方面的重要信息。精确的测量对疾病的诊断和治疗有重要的临床意义。它不但能节省患者治疗时的花费，而且能使病人减少病情检查时带来的痛苦，如:虚拟内窥镜的使用可以使医生不用再将摄像头置入患者体内就可以观察患者体内病灶部位的情况，给患者省掉不少痛苦，而且也能增加诊断的准确性。1.3 医学图像分割的研究现状医学图像分割
15、技术一直是医学图像领域研究的一个热点课题。如图1-2所示其发展过程经历了一个从人工分割到半自动分割到现在的自动分割。早期的人工分割是让医生利用手工描绘出所需部分的边界，然后提取出所要解剖结构的区域信息，这是一个工作量非常大，而且容易让人厌烦，容易出错的过程。它的精确度也不容易保证。随着计算机技术的发展，计算机硬件价格的逐渐降低以及图像处理技术的发展，半自动分割方法逐渐取代了人工操作。半自动分割法是凭借医生的经验以及对图像知识的理解，通过一定的人机交互，由计算机完成分割，具有较快的分割速度和比较高的分割精度，是人工分割技术后的一大突破，现在广泛的应用于各种大型医院的临床医疗中。但是半自动分割技术受操作者的经验与知识限制比较大。使得半自动分割很难再实现比较大的突破。近年来，由于大量新兴技术的兴起，如：模糊技术、神经网络技术和人工智能技术在图像分割中的应用，医学图像分割领域也涌现出一些自动分割技术，但是这些技术的复杂性较高，对算法要求比较高，运算量也比较大，从一定程度上制约了自动分割技术的发展，目前仍处在实验阶段，真正用于实践，造福患者的还不多。有鉴于此，一种可重复性好、效率高、精度高的自动图像分割
