神經切片圖像中離散點狀神經束分割的方法研究.pdf

1、周圍神經損傷的治療一直是外科臨床上的難題。在周圍神經損傷修復手術中，最理想的是能做到相同性質的神經束配對吻合。在計算機中實現(xiàn)周圍神經的三維可視化可能是解決這一難題的有效途徑。目前周圍神經的三維可視化重建主要包括神經切片圖像的制備、配準、神經束邊緣輪廓的獲取、神經束類型的識別、周圍神經的三維重建等五個主要步驟。本文探索研究一種適應從大多數(shù)周圍神經切片圖像中分割神經束的算法，通過這種算法自動提取到精確的神經束邊緣，為最終實現(xiàn)周圍神經三維可視

2、化奠定基礎。
　　 本文在分析周圍神經切片圖像特征的基礎上，深入研究了采用Gabor濾波器和粗糙k-均值算法實現(xiàn)提取神經束邊緣輪廓的過程。
　　 首先，本文介紹了研究內容的相關背景知識和研究意義；分析了提取神經切片圖像中神經束邊緣輪廓的處理現(xiàn)狀、紋理圖像分析現(xiàn)狀和采用粗糙集理論的圖像區(qū)域分割現(xiàn)狀。
　　 其次，本文在分析周圍神經切片圖像具有色彩對比度低、神經束呈現(xiàn)離散點狀分布、構成同一神經束的像素點群顏色深淺不一

3、、神經束輪廓邊緣模糊不連續(xù)等特征的基礎上，將周圍神經切片圖像看作自然紋理圖像來處理，再通過對比自相關函數(shù)、傅里葉頻譜分析、灰度共生矩陣和Gabor濾波器等四種不同的描述紋理的方法的優(yōu)缺點，最終選用Gabor濾波器提取周圍神經切片圖像的紋理特征，并在此基礎上構建了目標紋理特征矩陣，為后面進行的聚類處理提供有效的圖像數(shù)據(jù)。
　　 第三，本文采用無須人為設置參數(shù)值并能達到精分割的粗糙k-均值算法對目標紋理特征矩陣進行了聚類處理，使得處

4、于神經束區(qū)域的像素單獨聚成一類，從而得到神經束的邊緣輪廓圖像。
　　 第四，本文采用設計好的算法對周圍神經切片圖像進行處理，探討算法對不同的周圍神經切片圖像進行神經束邊緣輪廓提取的適用性；并試驗使用灰度共生矩陣描述周圍神經切片紋理特征，得到紋理特征矩陣后同樣使用粗糙k-均值進行聚類處理，然后用上述算法和本文所用算法進行了實驗結果的對比；本文還提出用Gabor濾波器提取周圍神經切片圖像的紋理特征，構建出目標紋理特征矩陣后，再結合模

5、糊c-均值聚類算法來分割神經束區(qū)域的智能算法同本文所用算法進行對比。實驗結果表明：
　　 (1)在本文算法的適用性方面，本文使用Gabor濾波器來獲取神經切片圖像的紋理特征，設計了基于粗糙k-均值的分割算法，這種算法不僅可以快速準確地從周圍神經切片圖像中提取出神經束邊緣輪廓，而且無須改變參數(shù)便可以提取其它神經切片圖像中的神經束邊緣輪廓，因此這種方法具有很強的適應性；
　　 (2)在切片圖像紋理特征的描述方法方面，本文將灰

6、度共生矩陣法和Galbor濾波器進行了對比。在相同的軟硬件平臺和操作系統(tǒng)實驗條件下，用上述兩種紋理描述方法對分辨率為1600萬像素的、任選的第3、7、12和32張周圍神經切片圖像進行了紋理特征提取，然后均用粗糙k-均值算法對特征矩陣進行了聚類處理。對單張切片圖像進行處理的平均處理時間表明，采用灰度共生矩陣構建紋理特征矩陣再用粗糙k-均值進行聚類的算法的效率大概等于本文所用算法效率的45％，且通過對比提取出來的神經束邊緣輪廓圖像也可看出本

7、文所用的算法要精確于對比的算法；
　　 (3)在采用聚類算法進行神經切片圖像處理方面，本文將模糊c-均值聚類算法和粗糙k-均值聚類算法進行了對比。在相同的實驗條件下，用Gabor濾波器對分辨率為1600萬像素的、任選的第3、7、12和32張周圍神經切片圖像進行了紋理特征提取，然后分別用粗糙k-均值算法和模糊c-均值算法對特征矩陣進行了聚類處理。對單張切片圖像進行處理的平均處理時間表明，采用Gabor濾波器獲得紋理特征矩陣再用模糊