基于形狀學習和曲線演化的醫(yī)學圖像分割研究.pdf

1、醫(yī)學影像的迅猛發(fā)展，為醫(yī)學圖像領域的研究人員提供了廣闊的舞臺。從醫(yī)學圖像中分割出解剖結構并構造出形狀的幾何表達。這是醫(yī)學圖象分析處理中的一項重要的基礎工作。它在生物醫(yī)學圖像，臨床診斷，病理分析具有很重要的意義，是醫(yī)學圖像處理、分析和理解的基礎?；谒郊椒ǖ那€演化模型因為能夠非常自由地改變形狀而收斂到目標的輪廓，在醫(yī)學圖像分割領域上取得了較好的應用。但同時也反映出一些局限性，首先，模型本身結合的關于目標輪廓先驗形狀的知識較少；其次，

2、對于很多實際醫(yī)學圖像中出現(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行分割。 因此，首先針對缺乏形狀先驗知識的問題，本文提出一種基于形狀約束的水平集演化模型，將形狀先驗知識引入模型中，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，對需要分割目標進行統(tǒng)計形狀先驗的學習，然后在模型中引入需要分割的目標的形狀能量項，然后，最小化新的能量函數(shù)，以正確得到分割結果。本文針對腦部MRI圖像進行了應用，

3、對腦部MRI圖像進行腦表皮分割，實驗證明，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到亞像素級，所以得到的邊緣參數(shù)能夠更加精確的描述目標。然后，將計算得到的圖像邊緣參數(shù)結合到LBF主動輪廓模型中，進行能量最小化的計算，最終得到精確的分割結果。本方法解決了適應函數(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函數(shù)的最優(yōu)化值，使其不依賴于不斷進化的水平集函數(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，我們對血管圖像進行了應用，血管圖像具有典型的灰度不均勻現(xiàn)象。實驗結果表明，血管圖像的分割結果不但精確，而且分割時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果的精確性及分割速度