基于形狀學(xué)習(xí)和曲線演化的醫(yī)學(xué)圖像分割研究.pdf

1、醫(yī)學(xué)影像的迅猛發(fā)展，為醫(yī)學(xué)圖像領(lǐng)域的研究人員提供了廣闊的舞臺(tái)。從醫(yī)學(xué)圖像中分割出解剖結(jié)構(gòu)并構(gòu)造出形狀的幾何表達(dá)。這是醫(yī)學(xué)圖象分析處理中的一項(xiàng)重要的基礎(chǔ)工作。它在生物醫(yī)學(xué)圖像，臨床診斷，病理分析具有很重要的意義，是醫(yī)學(xué)圖像處理、分析和理解的基礎(chǔ)。基于水平集方法的曲線演化模型因?yàn)槟軌蚍浅Ｗ杂傻馗淖冃螤疃諗康侥繕?biāo)的輪廓，在醫(yī)學(xué)圖像分割領(lǐng)域上取得了較好的應(yīng)用。但同時(shí)也反映出一些局限性，首先，模型本身結(jié)合的關(guān)于目標(biāo)輪廓先驗(yàn)形狀的知識(shí)較少；其次，

2、對于很多實(shí)際醫(yī)學(xué)圖像中出現(xiàn)的灰度不均勻現(xiàn)象，一些經(jīng)典的曲線演化模型都未能很好進(jìn)行分割。 因此，首先針對缺乏形狀先驗(yàn)知識(shí)的問題，本文提出一種基于形狀約束的水平集演化模型，將形狀先驗(yàn)知識(shí)引入模型中，用來約束曲線的演化過程。該模型主要是基于簡化的Mumford-Shah模型，對需要分割目標(biāo)進(jìn)行統(tǒng)計(jì)形狀先驗(yàn)的學(xué)習(xí)，然后在模型中引入需要分割的目標(biāo)的形狀能量項(xiàng)，然后，最小化新的能量函數(shù)，以正確得到分割結(jié)果。本文針對腦部MRI圖像進(jìn)行了應(yīng)用，

3、對腦部MRI圖像進(jìn)行腦表皮分割，實(shí)驗(yàn)證明，本文提出的方法具有很好的分割效果。 為了解決此灰度不均勻問題，本文提出一種基于灰度矩的水平集圖像分割方法，方法首先計(jì)算原始圖像的灰度矩，得到圖像的邊緣參數(shù)，由于灰度矩得到的邊緣定位精度已達(dá)到亞像素級(jí)，所以得到的邊緣參數(shù)能夠更加精確的描述目標(biāo)。然后，將計(jì)算得到的圖像邊緣參數(shù)結(jié)合到LBF主動(dòng)輪廓模型中，進(jìn)行能量最小化的計(jì)算，最終得到精確的分割結(jié)果。本方法解決了適應(yīng)函數(shù)在曲線演化過程中依賴于水平

4、集函數(shù)，需不斷地重新迭代計(jì)算的問題。由于利用圖像自身的信息，將邊緣兩邊的灰度值作為適應(yīng)函數(shù)的最優(yōu)化值，使其不依賴于不斷進(jìn)化的水平集函數(shù)，成功解決了初始化依賴的問題；且由于只在第一步就計(jì)算出最優(yōu)化的值，大大減少了分割速度。為了證明算法的有效性，我們對血管圖像進(jìn)行了應(yīng)用，血管圖像具有典型的灰度不均勻現(xiàn)象。實(shí)驗(yàn)結(jié)果表明，血管圖像的分割結(jié)果不但精確，而且分割時(shí)間相比其它算法來說，也大大地較少了，提高了分割過程的魯棒性和分割結(jié)果的精確性及分割速度