基于機(jī)器學(xué)習(xí)可變形模型的醫(yī)學(xué)圖像分割.pdf

1、隨著現(xiàn)代醫(yī)學(xué)成像技術(shù)的不斷進(jìn)步，醫(yī)學(xué)圖像為醫(yī)生無創(chuàng)診斷和后續(xù)治療提供了有效的手段。從醫(yī)學(xué)圖像中準(zhǔn)確的分割醫(yī)生感興趣的組織，是計(jì)算機(jī)輔助診斷和手術(shù)規(guī)劃的一個(gè)基本而重要的步驟。分割結(jié)果的精度在很大程度上會(huì)影響醫(yī)生對(duì)疾病真實(shí)情況的判斷，進(jìn)而影響診斷結(jié)論和治療方案。因此，準(zhǔn)確的醫(yī)學(xué)圖像分割對(duì)基于影像的臨床診斷和治療具有重要的意義。
　　然而，準(zhǔn)確的醫(yī)學(xué)圖像分割是一個(gè)具有挑戰(zhàn)性的問題。由于成像機(jī)理、目標(biāo)器官的運(yùn)動(dòng)、解剖結(jié)構(gòu)的復(fù)雜性和周圍組織

2、與病灶的干擾等原因，很多情況下醫(yī)生感興趣的目標(biāo)器官在圖像中沒有明確的邊界，而且器官的形狀和外觀也不盡相同。這些使得醫(yī)學(xué)圖像分割一直成為醫(yī)學(xué)圖像處理的一個(gè)研究熱點(diǎn)。
　　本文討論了基于機(jī)器學(xué)習(xí)可變形模型的醫(yī)學(xué)圖像分割。在分析現(xiàn)有方法的基礎(chǔ)上，詳細(xì)討論了可變形模型的兩個(gè)重要部分：外觀模型和形狀模型。為了增強(qiáng)目標(biāo)器官的邊緣，我們提出了基于邊緣回歸的外觀模型及基于稀疏學(xué)習(xí)的局部外觀模；為了更好的建模器官形狀，我們提出了基于稀疏學(xué)習(xí)的局部形

3、狀模型。在此基礎(chǔ)上，針對(duì)具體的臨床應(yīng)用，把提出的外觀和形狀模型應(yīng)用到三維前列腺與直腸和二維肺場(chǎng)的分割中，取得了滿意的分割效果。本文的主要工作和貢獻(xiàn)如下：
　　1.提出了一個(gè)新穎的基于邊緣回歸的外觀模型。目前，回歸森林主要用于二維器官標(biāo)記點(diǎn)和邊界框的檢測(cè)，通過給活動(dòng)形狀模型上的每個(gè)點(diǎn)訓(xùn)練一個(gè)標(biāo)記點(diǎn)檢測(cè)器，引導(dǎo)可變形模型分割目標(biāo)區(qū)域。然而把回歸森林應(yīng)用于三維圖像時(shí)，由于三維形狀模型上大量的頂點(diǎn)和為標(biāo)記點(diǎn)檢測(cè)器建立三維點(diǎn)對(duì)點(diǎn)對(duì)應(yīng)關(guān)系的困

4、難，作為標(biāo)記點(diǎn)檢測(cè)器的回歸森林不適合用來引導(dǎo)三維可變形模型。本文引入隨機(jī)森林作為邊緣回歸器為整個(gè)目標(biāo)器官的邊緣投票。算法根據(jù)圖像體素的局部外觀特性，使用回歸森林預(yù)測(cè)從給定的體素到最近目標(biāo)邊緣點(diǎn)的三維偏移量。依據(jù)預(yù)測(cè)的結(jié)果，從不同的位置給目標(biāo)器官的整個(gè)邊界投票，得到邊緣投票圖。然后通過沿每個(gè)模型點(diǎn)的法線方向?qū)ふ易畲笸镀蔽恢?，邊緣投票圖可以把可變形模型引導(dǎo)到目標(biāo)邊緣上。這樣，基于邊緣回歸的外觀模型避免了訓(xùn)練數(shù)量巨大(和模型點(diǎn)數(shù)相同)的標(biāo)記點(diǎn)

5、檢測(cè)器，以及建立準(zhǔn)確的三維點(diǎn)對(duì)點(diǎn)對(duì)應(yīng)關(guān)系。
　　2.提出了一個(gè)新的基于稀疏學(xué)習(xí)的局部外觀模型。在傳統(tǒng)的Active ShapeModel(ASM)中，基于手動(dòng)標(biāo)記點(diǎn)的外觀模型假設(shè)是服從高斯分布的。然而這個(gè)假設(shè)在許多的應(yīng)用中并不成立。為了解決這個(gè)局限性，基于稀疏學(xué)習(xí)的局部外觀模型通過聚類的方式將目標(biāo)邊界分成外觀變化一致、空間連續(xù)的邊界段。在每一個(gè)邊界段上，算法學(xué)習(xí)一個(gè)判別字典，建立一個(gè)基于稀疏表示分類的局部外觀模型。然后，根據(jù)稀疏表

6、示的殘差把每個(gè)體素分類為目標(biāo)區(qū)域和背景區(qū)域，并通過沿模型點(diǎn)法線方向?qū)ふ译A躍型邊緣引導(dǎo)可變形模型分割。實(shí)驗(yàn)證明，基于稀疏學(xué)習(xí)的局部外觀模型可以取得比基于高斯分布的外觀模型更好的分割性能。
　　3.提出了一個(gè)新的基于稀疏學(xué)習(xí)的局部形狀模型。在傳統(tǒng)的ASM中，基于高斯分布的假設(shè)，形狀模型是使用整個(gè)分割目標(biāo)的形狀通過Principal Component Analysis(PCA)來建立形狀模型。在實(shí)際應(yīng)用中，由于形狀變化復(fù)雜，很少能滿足

7、高斯分布的要求。因此PCA的主要形狀變化不能很好的表示各種各樣的形狀。如果形狀細(xì)節(jié)在統(tǒng)計(jì)上不顯著，就有可能被忽略掉。為了更好的描述目標(biāo)形狀的細(xì)節(jié)，算法通過聚類的方法將整個(gè)目標(biāo)形狀劃分成變化一致的形狀段。在每個(gè)形狀段上，構(gòu)建稀疏表示的形狀字典。在基于可變形模型的分割過程中，我們?cè)诿恳欢紊鲜褂肧parse Shape Composition約束形變的形狀，引導(dǎo)目標(biāo)的分割。實(shí)驗(yàn)表明，在形狀變化復(fù)雜的情況下，基于稀疏學(xué)習(xí)的局部形狀模型能更好的建

8、模形狀的細(xì)節(jié)。
　　4.提出了一個(gè)基于邊緣回歸的分割框架，并應(yīng)用于三維CT圖像的前列腺和直腸分割。由于邊緣附近的體素比那些更遠(yuǎn)的體素在邊緣預(yù)測(cè)時(shí)可以提供更多的信息，我們限制那些距離遠(yuǎn)的體素投票，只使用邊緣附近的區(qū)域預(yù)測(cè)目標(biāo)邊緣。通過結(jié)合自動(dòng)上下文模型，訓(xùn)練一系列的基于邊緣回歸的外觀模型，迭代的增強(qiáng)邊緣預(yù)測(cè)的準(zhǔn)確性。然后基于得到的邊緣投票圖，并結(jié)合形狀先驗(yàn)，我們使用可變形模型分割前列腺和直腸。實(shí)驗(yàn)結(jié)果表明，本文提出的基于回歸的邊緣增

9、強(qiáng)方法比基于分類的邊緣增強(qiáng)方法可以取得更好的分割結(jié)果。相比于最新的方法，本文的方法也取得有競(jìng)爭(zhēng)力的分割精度。
　　5.提出了一個(gè)基于形狀和外觀稀疏學(xué)習(xí)的肺場(chǎng)分割方法。首先，該方法利用基于結(jié)構(gòu)約束的標(biāo)記點(diǎn)定位和稀疏形狀表示，設(shè)計(jì)了一個(gè)魯棒的初始化方法來產(chǎn)生一個(gè)初始形狀。其次，采用一組局部Sparse Shape Composition(局部SSC)模型分段描述肺的形狀，使形狀表示更加靈活，而且保持了局部的形狀細(xì)節(jié)。然后，為了處理肺邊