醫(yī)學(xué)圖像分割與配準(zhǔn)若干關(guān)鍵問題研究.pdf

1、醫(yī)學(xué)成像技術(shù)的快速發(fā)展和影像數(shù)據(jù)的高速增長對于醫(yī)學(xué)圖像處理與分析領(lǐng)域研究起到了巨大的推動作用。其中如何量化提取和分析圖像中蘊(yùn)含的結(jié)構(gòu)、功能和病理信息，以便輔助醫(yī)生進(jìn)行診斷、制定手術(shù)規(guī)劃和評估治療效果等，逐漸成為醫(yī)學(xué)圖像分析領(lǐng)域關(guān)注的熱點(diǎn)。醫(yī)學(xué)圖像分割和醫(yī)學(xué)圖像配準(zhǔn)正是這些研究熱點(diǎn)的基礎(chǔ)和前提。但由于醫(yī)學(xué)成像中存在多種噪聲干擾、偽影等，以及各個(gè)組織器官、病變的多樣性以及個(gè)體差異性等，使得醫(yī)學(xué)圖像分割和配準(zhǔn)中也存在很多難點(diǎn)問題。
　　

2、 在此背景下，為了能對醫(yī)學(xué)圖像進(jìn)行更加魯棒、精確的目標(biāo)分割和配準(zhǔn)，本文研究思路主要遵循以下兩個(gè)方面:一是根據(jù)不同的應(yīng)用背景設(shè)計(jì)適合的模型并進(jìn)行改進(jìn);二是依據(jù)待分割、配準(zhǔn)的目標(biāo)來提取局部統(tǒng)計(jì)特征或者采用稀疏表示提取結(jié)構(gòu)性特征.并結(jié)合目標(biāo)的先驗(yàn)知識來指導(dǎo)模型優(yōu)化過程。所取得的研究成果如下:提出了基于局部統(tǒng)計(jì)相似度特征的主動輪廓模型和圖切分模型、基于LBP紋理特征的隨機(jī)游走模型、基于分布式判別字典學(xué)習(xí)的形變模型和層次式稀疏約束下的圖匹配模型

3、。本文主要研究內(nèi)容及創(chuàng)新之處如下:
　　 1.為了解決醫(yī)學(xué)圖像在弱邊界下分割泄露問題，將圖像的局部統(tǒng)計(jì)分布特征和Bhattacharyya相似度信息相結(jié)合并引入到測地線主動輪廓模型(Geodesic Active Contour，GAC)和圖切分（Grapb Cuts，GC）模型的能量函數(shù)構(gòu)造中。改進(jìn)后GAC算法相當(dāng)于為模型引入了一個(gè)基于似然比檢驗(yàn)的回拉力，可有效阻止弱邊界處泄露;基于非參數(shù)估計(jì)的能量函數(shù)構(gòu)造更適用于小樣本和分布

4、函數(shù)不恒定的情況，使得改進(jìn)GC模型更完整地提取圖像目標(biāo)的細(xì)節(jié)部分。將改進(jìn)GAC和GC模型應(yīng)用至膝關(guān)節(jié)MRI序列分割，提出完整分割各骨骼與半月板等結(jié)構(gòu)的框架。在實(shí)驗(yàn)與分析部分，進(jìn)行了定量與定性的實(shí)驗(yàn)對比。對噪聲與局部體效應(yīng)影響下的膝關(guān)節(jié)MRI序列及其它醫(yī)學(xué)圖像，結(jié)果表明所提出的方法能夠有效提高分割精度。
　　 2.針對傳統(tǒng)隨機(jī)游走圖像分割方法僅考慮圖像邊界信息的局限性，通過求解融入紋理特征信息的對稱、半正定線性方程組，提出一種新的

5、基于隨機(jī)游走的紋理圖像分割算法。為了構(gòu)造該方程組，首先通過局部二元模式(Local Binary Pattern，LBP)算子來描述紋理，將圖像映射至不同紋理之間有顯著區(qū)別的LBP圖上，進(jìn)而將其與梯度和幾何信息結(jié)合并構(gòu)造倒數(shù)型像素相似度，形成方程所需的權(quán)值矩陣，在隨機(jī)游走模型下使已標(biāo)號區(qū)域向未知區(qū)域傳遞，從而實(shí)現(xiàn)紋理圖像分割。最后以紋理圖像、噪聲合成圖像、MRI、CT圖像為實(shí)驗(yàn)對象來驗(yàn)證算法的有效性。定性及定量實(shí)驗(yàn)結(jié)果表明，在多目標(biāo)分割

6、任務(wù)下，所提方法有更好的有效性和精確性。
　　 3.針對主動外觀/形狀模型中需要圖像外觀/形狀滿足高斯分布假設(shè)的局限性，提出了一種新的分布式判別字典（Distributed Discriminative Dictionary，DDD）學(xué)習(xí)算法，并與形變模型結(jié)合指導(dǎo)MR圖像中三維前列腺目標(biāo)的自動分割。DDD學(xué)習(xí)算法可以非參數(shù)形式且有判別性地描述圖像外觀特征，從而引導(dǎo)形變模型的演化和分割過程。具體來說，DDD模型中主要采用了以下三種

7、策略來提高其判別能力。首先分布式判別字典學(xué)習(xí)算法通過mRMR特征選擇約束稀疏學(xué)習(xí)在一個(gè)高判別性的特征空間中。然后對稀疏學(xué)習(xí)后得到的表示殘差使用線性判別分析進(jìn)行進(jìn)一步學(xué)習(xí)分類，提高不同類別間分類性能。最后采用“分而治之”的思想取代傳統(tǒng)的全局字典學(xué)習(xí)，即先將形變模型沿前列腺邊界進(jìn)行分塊，再對每塊單獨(dú)訓(xùn)練得到一個(gè)判別字典，稱之為分布式學(xué)習(xí)。由于在局部區(qū)域中所蘊(yùn)含的圖像外觀變化較小，故分布式字典學(xué)習(xí)可以更好的區(qū)分局部上的解剖組織類別。此外，在非

8、高斯分布形狀變化的情況下，使用Sparse Shape Composition(SSC)算法來描述形狀統(tǒng)計(jì)的非參數(shù)模型，從而對形狀模型先驗(yàn)進(jìn)行建模，保持模型與形狀空間的一致性.在3D前列腺M(fèi)R圖像庫上進(jìn)行實(shí)驗(yàn)表明，基于DDD學(xué)習(xí)的形變模型的分割結(jié)果在視覺和量化評價(jià)上均得到更好的效果。
　　 4.在處理具有較大目標(biāo)形變的醫(yī)學(xué)圖像對應(yīng)點(diǎn)檢測問題中，計(jì)算機(jī)視覺領(lǐng)域中的經(jīng)典圖匹配算法所得到的匹配精度往往不令人滿意。針對這一問題，提出了一

9、種新的稀疏約束下層次式圖匹配算法，稱為層次式稀疏圖匹配算法（Hierarchical Sparse Graph Matching，HSGM）。具體來說，在層次式稀疏圖匹配算法中，首先提出Linepatch概念（即對局部圖像塊采樣得到的一系列灰度剖面）來計(jì)算特征點(diǎn)對間的外觀相似度，并與經(jīng)典圖匹配算法中的幾何相似度相結(jié)合，提高了對應(yīng)點(diǎn)匹配中對應(yīng)點(diǎn)間相似度計(jì)算的可靠性。其次，在匹配概率上引入稀疏約束，實(shí)現(xiàn)了對錯(cuò)誤匹配的抑制，提高了一一對應(yīng)的精