基于改進的因式分解與B樣條水平集的肝臟腫瘤圖像自動分割研究.pdf

1、圖像分割就是根據(jù)與圖像底層相關(guān)的特征，在原始圖像中分割出感興趣區(qū)域（ROI）。而在圖像分割中的醫(yī)學(xué)圖像的分割領(lǐng)域，由于它具有很大的現(xiàn)實意義、實用價值和臨床需求，因而受到了專家和研究者們的普遍關(guān)注。本文主要研究的是在CT圖像基礎(chǔ)上肝臟腫瘤的分割問題，準(zhǔn)確的分割結(jié)果對于術(shù)前評價和手術(shù)規(guī)劃都具有十分重要的參考價值。如何利用算法不僅能準(zhǔn)確的提取出肝臟腫瘤，而且只需少量交互操作。因此本文實現(xiàn)了一種改進的因式分解方法分割肝臟腫瘤，并提出了一種結(jié)合混

2、合高斯模型與B樣條水平集的肝臟腫瘤自動分割算法。
　　首先，本文對目前為止比較普遍使用的圖像分割方法和具體針對肝臟腫瘤分割方面的算法探究,以及在肝臟腫瘤分割問題中存在的難點進行分析。其次，本文簡要說明了CT圖像的成像原理，并對醫(yī)學(xué)圖像的DICOM格式文件做全面解讀，并探究了DICOM顯示原理和與BMP文件格式互換的思路。再次，本文對水平集的相關(guān)理論進行分析，并將不同類型的水平集效果對比論證。最后，本文選擇對于肝臟腫瘤而言效果還不錯

3、的經(jīng)典DRLSE水平集方法和改進的因式分解的肝臟腫瘤分割的方法進行對比，并提出一種肝臟腫瘤的自動分割算法，結(jié)合了混合高斯模型和B樣條水平集。
　　本文實現(xiàn)了改進的因式分解的肝臟腫瘤分割算法，使用局部像素不均勻因子（LPIF）方法進行圖像預(yù)處理。本方法與水平集方法不同的是此方法規(guī)避了水平集在圖像分割中重新初始化初始輪廓的操作，是一種自動分割的方法。與DRLSE相比，此方法的效果比較好，但是由于腫瘤邊緣像素不連續(xù)以及圖像本身存在的噪聲

4、對此方法有一定影響，因此分割結(jié)果和標(biāo)準(zhǔn)分割還具有一定差距。
　　本文提出的結(jié)合混合高斯模型和B樣條水平集的肝臟腫瘤自動分割的方法，避免了在傳統(tǒng)水平集中必需的對輪廓初始化的操作，自動根據(jù)混合高斯模型處理后的結(jié)果確定初始輪廓，減少了人工交互。實驗結(jié)果表明，本文的算法取得了特別好的分割效果，并且在醫(yī)學(xué)影像學(xué)與輔助診斷中具有一定的實用價值。
　　上述內(nèi)容中所提出的算法，都是經(jīng)過了多次理論論證和實驗證明，其實驗數(shù)據(jù)是由醫(yī)院提供的真實病