基于主動輪廓模型的醫(yī)學(xué)圖像中目標提取研究.pdf

1、醫(yī)學(xué)圖像分割是輔助診斷、量化分析、手術(shù)規(guī)劃導(dǎo)航等較高層次臨床應(yīng)用的基礎(chǔ)。但由于疾病的多樣性,造成醫(yī)學(xué)圖像背景分布極其復(fù)雜、醫(yī)學(xué)圖像中病患器官目標自身形狀變化有相當(dāng)?shù)碾S機性、以及成像過程中各種噪聲干擾和超大的數(shù)據(jù)量,均增加了傳統(tǒng)方法對醫(yī)學(xué)圖像中目標分割的難度。若要在這些復(fù)雜條件下準確、自動、有效地提取特定醫(yī)學(xué)目標,要著重以下兩方面工作。第一,選擇合適的分割模型。主動輪廓模型作為一種有效的分割模型,在醫(yī)學(xué)圖像中,有了很多成功的應(yīng)用,這也正是

2、本文研究的目標。第二,充分利用特定目標的先驗知識。根據(jù)待提取目標的不同特征,設(shè)計最有效的分割模型。本文正是在主動輪廓框架下,針對特定的醫(yī)學(xué)目標,從一般醫(yī)學(xué)器官,到血管,到肝臟各組織,到心臟各組織等醫(yī)學(xué)目標,設(shè)計出多種不同的主動輪廓模型,包括區(qū)域競爭主動輪廓、血管主動輪廓、多主動輪廓和基于先驗形狀的主動輪廓等模型,對這些醫(yī)學(xué)目標進行有效提取,并在準確分割的基礎(chǔ)上,對部分組織器官進行自動量化分析。
　　 本文首先對醫(yī)學(xué)圖像分割的研究

3、背景進行了回顧,在基于先驗知識目標分割的一般框架下,按原始圖像、分割指標函數(shù)和先驗知識三要素對基于先驗知識圖像分割的最新進展進行了綜述,側(cè)重于先驗知識描述和其與分割準則函數(shù)的結(jié)合。對于本文的研究重點目標主動輪廓模型,圍繞Snake模型和水平集模型以及二者本質(zhì)上的統(tǒng)一性,結(jié)合一些利用先驗知識對特定目標提取的具體實例進行詳細介紹。通過對基于先驗知識目標分割的有關(guān)問題進行的討論分析,認為最優(yōu)的主動輪廓模型,是充分利用目標的先驗知識,由這些先驗

4、知識指導(dǎo)主動輪廓演化從而提取特定醫(yī)學(xué)目標的模型,并對醫(yī)學(xué)圖像和主動輪廓的發(fā)展方向進行了展望。
　　 本文介紹了一種通用性的分割模型:基于區(qū)域競爭的主動輪廓模型。這一基于目標灰度統(tǒng)計概率和水平集的主動輪廓分割模型,把能量函數(shù)表示為在目標區(qū)域內(nèi)對象素點屬于目標的概率的積分,并在水平集框架下對能量函數(shù)最小化,得到分割的迭代方程。同時,通過附加的速度約束項,使得主動輪廓越過目標邊緣的時候降低速度,大大提高分割的收斂性和準確度。通過大量冠

5、狀動脈和二尖瓣分割試驗,表明該模型的有效性。
　　 針對血管樹結(jié)構(gòu)的復(fù)雜性,研究了血管的提取模型:血管主動輪廓模型。這一模型,充分利用一切和血管有關(guān)的信息,先驗灰度分布、區(qū)域信息、多尺度血管矢量場和曲率,能量方程最小化,得到包括三個主要速度項的迭代方程:基于區(qū)域競爭和先驗灰度的主動輪廓、血管矢量場、多曲率策略。該模型可以自動地對整個血管樹進行提取,不需要太多的預(yù)處理和后處理,是一種快速、準確、健壯和自動的血管提取模型。
　

6、　 肝臟作為人體最重要的器官之一,若對CT圖像中的肝臟自動檢測、分類和分割出肝臟的解剖和病理結(jié)構(gòu),包括腫瘤、肝臟和血管,得到具體病例的肝臟模型,在臨床上是意義重大的。本文通過多種主動輪廓模型來對CT圖像肝臟有關(guān)的組織結(jié)構(gòu)進行提取,實現(xiàn)肝臟的模型化。其中,本文采用基于混合高斯分布的主動輪廓模型用于肝臟和腫瘤的提取。該模型的主動輪廓在灰度圖像的混合高斯分布模型的驅(qū)動下,可以靈活機動地從復(fù)雜背景下提取出多重目標。對于肝臟內(nèi)部的血管樹狀結(jié)構(gòu),

7、本文采用增強的血管主動輪廓模型。
　　 最后,針對超聲心動圖中的瓣膜類疾病,本文采用一種把先驗區(qū)域和形狀知識融入到幾何主動輪廓模型的目標分割方法。各個層次的先驗知識表示成速度場直接指導(dǎo)水平集演化到理想輪廓。先驗區(qū)域約束水平集的演化范圍,先驗形狀驅(qū)使水平集向特定形狀收斂。在三維超聲圖像的應(yīng)用表明該方法大大減少了手工干預(yù),提高了分割效率和精度。同時,在二尖瓣自動分割的基礎(chǔ)上,對二尖瓣有關(guān)的參數(shù)進行了量化,包括瓣膜開口面積、瓣環(huán)面積、