基于機器學(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，是計算機輔助診斷和手術(shù)規(guī)劃的一個基本而重要的步驟。分割結(jié)果的精度在很大程度上會影響醫(yī)生對疾病真實情況的判斷，進而影響診斷結(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)圖像分割是一個具有挑戰(zhàn)性的問題。由于成像機理、目標(biāo)器官的運動、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)圖像處理的一個研究熱點。
　　本文討論了基于機器學(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，詳細討論了可變形模型的兩個重要部分：外觀模型和形狀模型。為了增強目標(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的分割中，取得了滿意的分割效果。本文的主要工作和貢獻如下：
　　1.提出了一個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)記點和邊界框的檢測，通過給活動形狀模型上的每個點訓(xùn)練一個標(biāo)記點檢測器，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，由于三維形狀模型上大量的頂點和為標(biāo)記點檢測器建立三維點對點對應(yīng)關(guān)系的困

4、難，作為標(biāo)記點檢測器的回歸森林不適合用來引導(dǎo)三維可變形模型。本文引入隨機森林作為邊緣回歸器為整個目標(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)測從給定的體素到最近目標(biāo)邊緣點的三維偏移量。依據(jù)預(yù)測的結(jié)果，從不同的位置給目標(biāo)器官的整個邊界投票，得到邊緣投票圖。然后通過沿每個模型點的法線方向?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(和模型點數(shù)相同)的標(biāo)記點

5、檢測器，以及建立準(zhǔn)確的三維點對點對應(yīng)關(guān)系。
　　2.提出了一個新的基于稀疏學(xué)習(xí)的局部外觀模型。在傳統(tǒng)的Active ShapeModel(ASM)中，基于手動標(biāo)記點的外觀模型假設(shè)是服從高斯分布的。然而這個假設(shè)在許多的應(yīng)用中并不成立。為了解決這個局限性，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。在每一個邊界段上，算法學(xué)習(xí)一個判別字典，建立一個基于稀疏表示分類的局部外觀模型。然后，根據(jù)稀疏表

6、示的殘差把每個體素分類為目標(biāo)區(qū)域和背景區(qū)域，并通過沿模型點法線方向?qū)ふ译A躍型邊緣引導(dǎo)可變形模型分割。實驗證明，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分割目標(biāo)的形狀通過Principal Component Analysis(PCA)來建立形狀模型。在實際應(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。如果形狀細節(jié)在統(tǒng)計上不顯著，就有可能被忽略掉。為了更好的描述目標(biāo)形狀的細節(jié)，算法通過聚類的方法將整個目標(biāo)形狀劃分成變化一致的形狀段。在每個形狀段上，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，我們在每一段上使用Sparse Shape Composition約束形變的形狀，引導(dǎo)目標(biāo)的分割。實驗表明，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、模形狀的細節(jié)。
　　4.提出了一個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的體素在邊緣預(yù)測時可以提供更多的信息，我們限制那些距離遠的體素投票，只使用邊緣附近的區(qū)域預(yù)測目標(biāo)邊緣。通過結(jié)合自動上下文模型，訓(xùn)練一系列的基于邊緣回歸的外觀模型，迭代的增強邊緣預(yù)測的準(zhǔn)確性。然后基于得到的邊緣投票圖，并結(jié)合形狀先驗，我們使用可變形模型分割前列腺和直腸。實驗結(jié)果表明，本文提出的基于回歸的邊緣增

9、強方法比基于分類的邊緣增強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爭力的分割精度。
　　5.提出了一個基于形狀和外觀稀疏學(xué)習(xí)的肺場分割方法。首先，該方法利用基于結(jié)構(gòu)約束的標(biāo)記點定位和稀疏形狀表示，設(shè)計了一個魯棒的初始化方法來產(chǎn)生一個初始形狀。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節(jié)。然后，為了處理肺邊