基于主動(dòng)輪廓模型的醫(yī)學(xué)圖像分割.pdf

1、醫(yī)學(xué)圖像分割在疾病診斷和治療等領(lǐng)域中的作用日益重要。當(dāng)前，主動(dòng)輪廓模型已廣泛地應(yīng)用于醫(yī)學(xué)圖像分割領(lǐng)域。此模型對(duì)圖像分割、可視化、配準(zhǔn)和解剖組織跟蹤等是很有效的。主動(dòng)輪廓模型將復(fù)雜的分割轉(zhuǎn)化為函數(shù)的極值問題，即曲線或曲面變形的依據(jù)是根據(jù)其定義的能量函數(shù)最小化原則。 首先對(duì)傳統(tǒng)主動(dòng)輪廓模型進(jìn)行了闡述，指出基本思想，給出數(shù)值實(shí)現(xiàn)，并對(duì)其優(yōu)越性和局限性進(jìn)行了分析。然后介紹了梯度向量流（Gradient Vector Flow，GVF）模

2、型。梯度向量流模型是一種具有代表性的主動(dòng)輪廓模型，它從廣義力平衡方程出發(fā)，利用能量最小化公式，應(yīng)用擴(kuò)散方程擴(kuò)散了邊緣區(qū)域的邊緣映射梯度，產(chǎn)生了一種梯度矢量場(chǎng)。梯度向量流模型有著自己的缺陷，如易受干擾噪聲及虛假邊緣的影響，在進(jìn)行初始化時(shí)需要將輪廓設(shè)置在感興趣區(qū)域的邊界附近，并且當(dāng)圖像具有又深又細(xì)的凹口時(shí)分割效果不好。 針對(duì)GVF的缺陷進(jìn)行了兩方面的改進(jìn)：第一，對(duì)GVF的平滑項(xiàng)系數(shù)進(jìn)行改進(jìn)。GVF的平滑項(xiàng)系數(shù)常常設(shè)為一個(gè)常數(shù)，而且在

3、實(shí)踐中這個(gè)常數(shù)難以確定。改進(jìn)的方法把這個(gè)系數(shù)與圖像的梯度聯(lián)系起來，使得圖像的邊緣特性更好。第二，對(duì)GVF的數(shù)據(jù)項(xiàng)進(jìn)行改進(jìn)。這里引入一個(gè)單調(diào)遞減的函數(shù)－Sigmoid函數(shù)，在數(shù)據(jù)項(xiàng)系數(shù)里乘上這個(gè)Sigmoid函數(shù)。在迭代的前幾步中，數(shù)據(jù)項(xiàng)的功能較強(qiáng)，能有效的指示出邊緣梯度幅度值較大的區(qū)域；隨著迭代步驟的增加，其功能將越來越弱，這時(shí)外力主要由平滑項(xiàng)提供。 此外，改進(jìn)的地方還有：第一，采用了人工干預(yù)的方法。將達(dá)不到要求的輪廓線（這些輪

4、廓線通常在凹陷處附近）截?cái)?，在截?cái)嗟妮喞M(jìn)行新的分割，此時(shí)的分割可采用主動(dòng)輪廓模型或是GVF模型。然后將截?cái)嗵幍玫降妮喞姹唤財(cái)嗟牟糠植⑴c原來的輪廓線進(jìn)行整合。這樣就實(shí)現(xiàn)了人機(jī)交互機(jī)制，從而允許醫(yī)學(xué)專家將他們的經(jīng)驗(yàn)帶到圖像解析工作中。第二，進(jìn)行數(shù)據(jù)冗余處理。本文采用Matlab實(shí)現(xiàn)主動(dòng)輪廓模型算法。由于Matlab的計(jì)算精度高，過高的計(jì)算精度對(duì)于計(jì)算的輪廓坐標(biāo)來說沒有必要。因此，每進(jìn)行新一輪迭代之前，將輪廓進(jìn)行數(shù)據(jù)冗余處理，減少了計(jì)算