基于活動(dòng)輪廓模型的醫(yī)學(xué)圖像分割關(guān)鍵技術(shù)研究.pdf

1、醫(yī)學(xué)成像技術(shù)的發(fā)展，大大促進(jìn)了以數(shù)字圖像處理為基礎(chǔ)的計(jì)算機(jī)輔助診斷領(lǐng)域的發(fā)展。醫(yī)學(xué)圖像分割是對(duì)圖像中感興趣區(qū)域進(jìn)行劃分的過(guò)程，是計(jì)算機(jī)輔助診斷系統(tǒng)進(jìn)一步處理、分析醫(yī)學(xué)圖像的基礎(chǔ)，包括特征提取、三維重建、疾病檢測(cè)、定量分析等。
　　近年來(lái)，活動(dòng)輪廓模型憑借其多樣的形式、靈活的結(jié)構(gòu)以及優(yōu)越的性能，在醫(yī)學(xué)圖像分割領(lǐng)域受到了越來(lái)越廣泛的研究和應(yīng)用。本文對(duì)活動(dòng)輪廓模型在醫(yī)學(xué)圖像分割中的應(yīng)用進(jìn)行了較為深入的研究，主要的研究?jī)?nèi)容及其創(chuàng)新點(diǎn)包括:

2、
　　(1)針對(duì)傳統(tǒng)肺實(shí)質(zhì)分割算法對(duì)病變肺部CT圖像分割效果不理想的問(wèn)題，本文提出一種以生理解剖學(xué)知識(shí)為基礎(chǔ)并基于改進(jìn)的Snake模型的肺實(shí)質(zhì)分割算法，該算法以肋骨邊緣為初始輪廓，利用基于Snake模型的輪廓曲線在演化過(guò)程中連續(xù)不間斷以及對(duì)凹陷區(qū)域不敏感的特點(diǎn)，并在Snake模型能量函數(shù)中增加能體現(xiàn)肋骨位置的變量，從而使得肋骨對(duì)輪廓曲線產(chǎn)生吸引，實(shí)現(xiàn)對(duì)病變肺部CT圖像的肺實(shí)質(zhì)分割。該算法克服了病變?cè)斐傻姆尾緾T圖像的離散、斷裂、凹

3、陷等情況。
　　(2)針對(duì)肺部序列CT圖像的肺實(shí)質(zhì)分割問(wèn)題，本文提出一種交互式的肺實(shí)質(zhì)分割算法，即LW-Snake模型。該模型充分利用序列CT圖像相鄰層中肺實(shí)質(zhì)輪廓變化平滑的特點(diǎn)，結(jié)合且改進(jìn)了Live-Wire模型、Snake模型以及輪廓插值方法，并輔以操作人員的專(zhuān)業(yè)知識(shí)。首先在序列CT圖像中手動(dòng)的選取肺實(shí)質(zhì)的關(guān)鍵層，然后通過(guò)Live-Wire模型交互式地勾勒其輪廓，再進(jìn)行輪廓插值得到其他層肺實(shí)質(zhì)的初始輪廓，最后通過(guò)Snake模型

4、演化得到所有層的肺實(shí)質(zhì)準(zhǔn)確分割結(jié)果，并加以手工修正。該算法既解決了手動(dòng)分割序列醫(yī)學(xué)圖像工作量大、耗時(shí)長(zhǎng)、不可重現(xiàn)的缺點(diǎn)，又解決了自動(dòng)分割準(zhǔn)確率不高的缺點(diǎn)。
　　(3)針對(duì)腦部擴(kuò)散張量圖像的腦白質(zhì)纖維束分割問(wèn)題，本文提出一種基于Riemannian流形的腦白質(zhì)纖維束分割算法。首先通過(guò)擴(kuò)散張量圖像為每個(gè)體素構(gòu)造一個(gè)3×3的對(duì)稱(chēng)、正定、協(xié)變張量，并由此生成張量場(chǎng)，用以描述腦白質(zhì)的性質(zhì);然后將該張量場(chǎng)看做一個(gè)Riemannian流形，并引

5、入Navier-Stoke方程來(lái)表達(dá)擴(kuò)散張量場(chǎng)中流體的運(yùn)動(dòng)，從而將腦白質(zhì)中任意兩點(diǎn)間的纖維束分割問(wèn)題轉(zhuǎn)化為計(jì)算Riemannian流形中兩點(diǎn)間最小距離的問(wèn)題;最后通過(guò)測(cè)地線表示該Riemannian流形中兩點(diǎn)間距離，并基于Level-Set計(jì)算測(cè)地線，作為腦白質(zhì)中兩點(diǎn)間的纖維束。與傳統(tǒng)腦白質(zhì)纖維束分割算法相比，該算法在準(zhǔn)確性、魯棒性方面均有明顯提高。
　　(4)針對(duì)腦脊液、腦白質(zhì)、腦灰質(zhì)的分割，本文摒棄了基于常規(guī)MR圖像分割腦脊液

6、、腦白質(zhì)、腦灰質(zhì)的傳統(tǒng)思路，提出基于擴(kuò)散張量圖像各個(gè)特征參數(shù)的圖像分量分割方法。首先，計(jì)算擴(kuò)散張量圖像的各向異性參數(shù)和擴(kuò)散參數(shù)，并得到各個(gè)參數(shù)下的腦部圖像;然后，通過(guò)EM(Expectation maximization)模型求得各個(gè)各向異性參數(shù)圖像的腦白質(zhì)和非腦白質(zhì)區(qū)域，以及各個(gè)擴(kuò)散參數(shù)圖像的腦脊液和非腦脊液區(qū)域;最后，通過(guò)改進(jìn)的STAPLE(Simultaneous Truth and PerformanceLevel Estima