迭代梯度矢量流方法及其在醫(yī)學(xué)圖像分割中的應(yīng)用.pdf

1、醫(yī)學(xué)圖像分割是圖像研究中的一個(gè)重要領(lǐng)域。由于醫(yī)學(xué)圖像的復(fù)雜性，普通的圖像分割模型不能滿足醫(yī)學(xué)圖像分割的需要。變形模型是近幾年發(fā)展起來的一種新的圖像分割方法并被廣泛應(yīng)用于醫(yī)學(xué)圖象分割中。變形模型分為參數(shù)變形模型和幾何變形模型兩種。最近約翰斯．霍普金斯大學(xué)的XuChenyang提出了GVF變形模型，通過擴(kuò)展外力在圖像區(qū)域的作用范圍，改善了傳統(tǒng)變形模型對初始輪廓的敏感性以及不能進(jìn)入圖像邊界凹口的弱點(diǎn)。但對于含有又深又細(xì)凹口的復(fù)雜圖像，GVF方

2、法依然無能為力。本文提出了迭代梯度矢量流參數(shù)變形模型(IGVF)。IGVF方法迭代使用GVF，每一次迭代時(shí)對上一次GVF產(chǎn)生的結(jié)果進(jìn)行調(diào)整做為新的初始輪廓。輪廓調(diào)整主要在圖像中又深又細(xì)的凹口附近GVF無法進(jìn)入的區(qū)域進(jìn)行。本文還對去除噪音和邊緣檢測等圖像預(yù)處理技術(shù)作了深入的探討。最后，本文將IGVF和圖像預(yù)處理技術(shù)應(yīng)用于實(shí)際的醫(yī)學(xué)圖像分割中，包括人的小腿與大腦切片圖像。其中大腦切片圖像含有大量復(fù)雜的邊界和又深又細(xì)的凹口。實(shí)驗(yàn)結(jié)果表明，相比