基于改進(jìn)型C-V模型的醫(yī)學(xué)超聲圖像分割及應(yīng)用.pdf

1、汕頭大學(xué)碩士學(xué)位論文題目基于改進(jìn)型CV模型的醫(yī)學(xué)超聲圖像分割及應(yīng)用英文題目SegmentationofMedicalUltrasoundImageitsApplicationBasedonImprovedCVModel姓名徐宇貴徐宇貴學(xué)號(hào)11009044所在學(xué)院所在學(xué)院工學(xué)院工學(xué)院導(dǎo)師姓名導(dǎo)師姓名孫麗莎孫麗莎專業(yè)信號(hào)與信息處理信號(hào)與信息處理入學(xué)時(shí)間入學(xué)時(shí)間2010年9月答辯日期答辯日期2013年5月汕頭大學(xué)工學(xué)院2013屆碩士學(xué)位論文I

2、摘要摘要數(shù)字圖像處理技術(shù)近幾十年來(lái)得到了飛速發(fā)展，其在各行各業(yè)中也發(fā)揮了重要作用。在醫(yī)學(xué)診療中，通過(guò)數(shù)字圖像處理技術(shù)的應(yīng)用，越來(lái)越多的疾病得以在術(shù)前被發(fā)現(xiàn)，從而為患者帶來(lái)了希望，為醫(yī)生減輕了負(fù)擔(dān)，推動(dòng)了醫(yī)學(xué)成像技術(shù)的發(fā)展。醫(yī)學(xué)超聲成像技術(shù)相比其他醫(yī)學(xué)成像技術(shù)，具有低成本、無(wú)輻射、實(shí)時(shí)性、可重復(fù)性好等優(yōu)點(diǎn)，被譽(yù)為“現(xiàn)代四大醫(yī)學(xué)成像技術(shù)”之一，目前已在乳腺、血管、腫瘤和產(chǎn)前診斷方面得到廣泛應(yīng)用。然而，由于醫(yī)學(xué)超聲成像過(guò)程中會(huì)產(chǎn)生大量斑點(diǎn)噪聲

3、，不僅將妨礙醫(yī)生對(duì)圖像中病灶性質(zhì)的診斷，而且也會(huì)對(duì)后期的圖像分割處理產(chǎn)生負(fù)面的影響。針對(duì)這一現(xiàn)狀，本文在深入調(diào)研超聲成像機(jī)制以及當(dāng)前醫(yī)學(xué)超聲圖像去噪和分割的研究現(xiàn)狀基礎(chǔ)上，提出和改進(jìn)了適用于醫(yī)學(xué)超聲圖像去噪和分割方法，并對(duì)所提出的方法進(jìn)行了實(shí)驗(yàn)驗(yàn)證。本文首先對(duì)課題背景和意義、醫(yī)學(xué)超聲成像和本文組織結(jié)構(gòu)進(jìn)行了概述。針對(duì)現(xiàn)有的醫(yī)學(xué)超聲成像去噪和分割方法進(jìn)行了現(xiàn)狀介紹，然后提出了一種去噪模型和兩種改進(jìn)型的CV模型，主要內(nèi)容如下：1、針對(duì)現(xiàn)有的

4、醫(yī)學(xué)超聲圖像去噪模型，深入分析了其各自特性，在此基礎(chǔ)上提出了一種自適應(yīng)SUSAN擴(kuò)散去噪方法。該方法引入了SUSAN算子進(jìn)行圖像邊緣檢測(cè)，并利用Kmeans算法自適應(yīng)地得到圖像的全斑點(diǎn)噪聲區(qū)域和相關(guān)參數(shù)，最后結(jié)合非線性擴(kuò)散理論對(duì)醫(yī)學(xué)超聲圖像進(jìn)行迭代去噪。實(shí)驗(yàn)結(jié)果證明提出方法與PM模型、SRAD模型、NCD模型等在去噪程度和邊緣保留方面具有更好的效果。2、首先介紹了傳統(tǒng)活動(dòng)輪廓模型和水平集方法，然后重點(diǎn)介紹了ChanVese（CV）模型，

5、并分析了它的優(yōu)缺點(diǎn)。從分析中可以看出該模型方法在對(duì)灰度不均勻圖像的分割方面還存在的不足，針對(duì)這種問(wèn)題，本文提出了一種基于局部灰度信息的改進(jìn)型CV模型，即LocalGrayChanVese（LGCV）模型，通過(guò)使用圖像局部灰度信息，該模型可以在較少的迭代次數(shù)內(nèi)分割灰度不均勻圖像。實(shí)驗(yàn)結(jié)果也證明了本方法的有效性。3、當(dāng)前，大多數(shù)圖像分割方法都是基于圖像灰度信息提出的，但是相比圖像灰度信息，相位信息能更準(zhǔn)確地檢測(cè)出帶斑點(diǎn)噪聲的醫(yī)學(xué)超聲圖像中邊