基于主動輪廓模型的醫(yī)學圖像分割.pdf

1、醫(yī)學圖像分割在疾病診斷和治療等領域中的作用日益重要。當前，主動輪廓模型已廣泛地應用于醫(yī)學圖像分割領域。此模型對圖像分割、可視化、配準和解剖組織跟蹤等是很有效的。主動輪廓模型將復雜的分割轉化為函數(shù)的極值問題，即曲線或曲面變形的依據(jù)是根據(jù)其定義的能量函數(shù)最小化原則。 首先對傳統(tǒng)主動輪廓模型進行了闡述，指出基本思想，給出數(shù)值實現(xiàn)，并對其優(yōu)越性和局限性進行了分析。然后介紹了梯度向量流（Gradient Vector Flow，GVF）模

2、型。梯度向量流模型是一種具有代表性的主動輪廓模型，它從廣義力平衡方程出發(fā)，利用能量最小化公式，應用擴散方程擴散了邊緣區(qū)域的邊緣映射梯度，產生了一種梯度矢量場。梯度向量流模型有著自己的缺陷，如易受干擾噪聲及虛假邊緣的影響，在進行初始化時需要將輪廓設置在感興趣區(qū)域的邊界附近，并且當圖像具有又深又細的凹口時分割效果不好。 針對GVF的缺陷進行了兩方面的改進：第一，對GVF的平滑項系數(shù)進行改進。GVF的平滑項系數(shù)常常設為一個常數(shù)，而且在

3、實踐中這個常數(shù)難以確定。改進的方法把這個系數(shù)與圖像的梯度聯(lián)系起來，使得圖像的邊緣特性更好。第二，對GVF的數(shù)據(jù)項進行改進。這里引入一個單調遞減的函數(shù)－Sigmoid函數(shù)，在數(shù)據(jù)項系數(shù)里乘上這個Sigmoid函數(shù)。在迭代的前幾步中，數(shù)據(jù)項的功能較強，能有效的指示出邊緣梯度幅度值較大的區(qū)域；隨著迭代步驟的增加，其功能將越來越弱，這時外力主要由平滑項提供。 此外，改進的地方還有：第一，采用了人工干預的方法。將達不到要求的輪廓線（這些輪

4、廓線通常在凹陷處附近）截斷，在截斷的輪廓進行新的分割，此時的分割可采用主動輪廓模型或是GVF模型。然后將截斷處得到的輪廓代替被截斷的部分并與原來的輪廓線進行整合。這樣就實現(xiàn)了人機交互機制，從而允許醫(yī)學專家將他們的經(jīng)驗帶到圖像解析工作中。第二，進行數(shù)據(jù)冗余處理。本文采用Matlab實現(xiàn)主動輪廓模型算法。由于Matlab的計算精度高，過高的計算精度對于計算的輪廓坐標來說沒有必要。因此，每進行新一輪迭代之前，將輪廓進行數(shù)據(jù)冗余處理，減少了計算