基于Hessian矩陣的血管圖像增強(qiáng)與水平集分割算法研究.pdf

1、血管圖像分割是基于計(jì)算機(jī)輔助的血管分析的前提，也是血管定量分析、手術(shù)導(dǎo)航和疾病變化跟蹤的基礎(chǔ)。血管圖像由于噪音、局部體效應(yīng)和組織運(yùn)動(dòng)等的影響，具有模糊、不均勻性等特點(diǎn)，此外，血管結(jié)構(gòu)本身的復(fù)雜性、背景目標(biāo)混雜等都給血管分割帶來很大的困難。通常，將血管圖像增強(qiáng)作為分割的預(yù)處理步驟。本文針對(duì)兩鄰近血管互相干擾、血管圖像中目標(biāo)背景對(duì)比度低、血管微細(xì)復(fù)雜等情況進(jìn)行研究，主要研究內(nèi)容如下：
　　(1)由于多尺度融合中邊緣擴(kuò)散導(dǎo)致兩相鄰血管檢

2、測(cè)失敗，本文用梯度矢量流代替?zhèn)鹘y(tǒng)的高斯尺度空間計(jì)算的多尺度梯度向量。梯度矢量流是一種保留邊緣的各向異性擴(kuò)散，在圖像邊界處約等于圖像梯度，當(dāng)勻質(zhì)區(qū)域緩慢變化時(shí)，和多尺度梯度向量性質(zhì)一樣，從而避免了多尺度分析。此外，本文提出了一個(gè)更適合血管圖像分割的血管相似性函數(shù)，它對(duì)線性結(jié)構(gòu)的響應(yīng)較大并且很均勻，背景響應(yīng)為負(fù)值，能很好的抑制分割過程中的邊緣泄露。
　　(2)由于水平集的方法能夠靈活的處理拓?fù)浣Y(jié)構(gòu)的變化、平滑曲線能夠很好的描述血管結(jié)構(gòu)

3、等優(yōu)點(diǎn)，本文針對(duì)基于梯度矢量流的血管增強(qiáng)結(jié)果的特點(diǎn)，構(gòu)建了一個(gè)基于水平集方法的血管圖像分割模型。該模型中引入了一個(gè)用來驅(qū)使水平集函數(shù)接近符號(hào)距離函數(shù)的懲罰項(xiàng)，從而，在曲線演化的過程中不需要進(jìn)行重新初始化，大大降低了計(jì)算成本。
　　(3)為了驗(yàn)證本文模型的性能，本文用面積交疊度、錯(cuò)分率和漏分率三種圖像分割評(píng)價(jià)方法對(duì)本文的血管圖像分割算法進(jìn)行客觀的評(píng)價(jià)。實(shí)驗(yàn)對(duì)象為DRIVE數(shù)據(jù)庫中提供的測(cè)試集中的20幅視網(wǎng)膜血管圖像，標(biāo)準(zhǔn)參考圖像為兩