基于活動(dòng)輪廓模型的超聲醫(yī)學(xué)圖像分割.pdf

1、超聲醫(yī)學(xué)成像因其無(wú)損傷、無(wú)痛苦、實(shí)時(shí)顯示、可反復(fù)進(jìn)行、價(jià)格低廉、適合軟組織診斷等特點(diǎn)，是臨床診斷中重要的檢測(cè)手段。超聲醫(yī)學(xué)圖像分割是對(duì)超聲圖像進(jìn)行分析的基本步驟，也是利用超聲圖像進(jìn)行定性、定量分析的一個(gè)至關(guān)重要的環(huán)節(jié)。然而在超聲醫(yī)學(xué)圖像處理與分析中，對(duì)目標(biāo)和病灶的識(shí)別、定位及定量分析還主要依賴圖像的手動(dòng)分割。隨著超聲醫(yī)學(xué)成像在臨床應(yīng)用中越來(lái)越廣泛，需要利用計(jì)算機(jī)算法對(duì)解剖結(jié)構(gòu)或其他感興趣區(qū)域進(jìn)行自動(dòng)分割描述。分割的準(zhǔn)確性對(duì)醫(yī)生判斷疾病的

2、真實(shí)情況并做出相應(yīng)的診斷計(jì)劃至關(guān)重要，在醫(yī)學(xué)超聲領(lǐng)域研究自動(dòng)或半自動(dòng)分割方法是非常重要的。 活動(dòng)輪廓模型因其能夠?qū)⒏邔右曈X(jué)知識(shí)與低層圖像信息有機(jī)結(jié)合，近年來(lái)廣泛應(yīng)用于醫(yī)學(xué)圖像分割。本研究將活動(dòng)輪廓模型應(yīng)用于超聲醫(yī)學(xué)圖像的分割，通過(guò)對(duì)傳統(tǒng)活動(dòng)輪廓模型及其幾種主要的改進(jìn)模型的分析，將模型的內(nèi)部能量和外部能量做出了以下改進(jìn)：1、在模型的內(nèi)部能量中加入輪廓平均長(zhǎng)度項(xiàng)的控制，從而避免輪廓中相鄰控制點(diǎn)在迭代過(guò)程中的互相匯聚，2、在模型的外部

3、能量中加入了梯度方向勢(shì)能，避免活動(dòng)輪廓停留在錯(cuò)誤的物體邊緣處，3、針對(duì)超聲圖像特有的speckle噪聲較大的特點(diǎn)，采用了基于圖像統(tǒng)計(jì)特征的區(qū)域能量作為模型的外部能量，使模型能量有效的避免speckle噪聲的干擾。同時(shí)，為使算法具有實(shí)用價(jià)值，采用速度較快的貪婪算法作為求解模型能量最小的算法，并提出區(qū)域能量在貪婪算法中的快速求解方法。最后，采用多分辨率優(yōu)化方法進(jìn)一步提高模型的收斂速度。 實(shí)驗(yàn)中分別采用了模擬圖像和超聲醫(yī)學(xué)圖像來(lái)驗(yàn)證算

4、法的準(zhǔn)確性與實(shí)用性，模擬圖像為添加不同程度高斯白噪聲的圖像(噪聲強(qiáng)度從10％到60％)，超聲圖像選用了乳腺腫瘤圖像和肝臟腫瘤圖像。將實(shí)驗(yàn)結(jié)果與傳統(tǒng)經(jīng)典的活動(dòng)輪廓模型以及著名的GVF模型的分割結(jié)果對(duì)比，本算法在噪聲強(qiáng)度較大的模擬圖像(噪聲強(qiáng)度>20％)和超聲醫(yī)學(xué)圖像中均取得了同人工分割近似的結(jié)果，而傳統(tǒng)活動(dòng)輪廓模型和GvF模型受噪聲干擾較大，證明本算法有效地克服了圖像中噪聲對(duì)分割結(jié)果的影響；不同形狀和大小的初始輪廓的分割結(jié)果表明算法對(duì)于初