發(fā)布時(shí)間：2015-06-27 08:39

 

【摘要】 醫(yī)學(xué)圖像分割在臨床診斷、病理分析以及治療方面具有重要的意義，分割的準(zhǔn)確性對(duì)醫(yī)生判斷疾病的真實(shí)情況并做出正確的診斷計(jì)劃至關(guān)重要。在醫(yī)學(xué)圖像分割中，對(duì)腦部腫瘤圖像進(jìn)行精確分割的研究具有重要的臨床實(shí)用價(jià)值。精確的腦組織分割是放療計(jì)劃的制定、外科手術(shù)計(jì)劃的制定、腦腫瘤結(jié)構(gòu)的3D可視化和定量測(cè)量等應(yīng)用研究的先決條件。由于醫(yī)學(xué)圖像的復(fù)雜性，到目前為止，還沒(méi)有一種對(duì)所有醫(yī)學(xué)圖像都能產(chǎn)生滿意的分割效果的分割方法。本文通過(guò)對(duì)現(xiàn)有的醫(yī)學(xué)圖像分割算法進(jìn)行研究分析，對(duì)腦部腫瘤MR圖像的分割技術(shù)進(jìn)行了初步探索。工作主要有以下幾個(gè)方面：1.研究了基于聚類的腦部腫瘤分割方法。將K均值算法和FCM算法應(yīng)用于腦部腫瘤MR圖像的分割中，并對(duì)兩種算法的分割結(jié)果進(jìn)行了分析。K均值算法簡(jiǎn)單易行，但是對(duì)于邊緣模糊、低對(duì)比度的醫(yī)學(xué)圖像分割效果不好。FCM算法由于引入了模糊集合理論，能夠?qū)�K均值算法所無(wú)法提取的腫瘤輪廓清晰的顯示出來(lái)。2.研究了基于數(shù)學(xué)形態(tài)學(xué)的腦部腫瘤的分割方法。針對(duì)傳統(tǒng)的分水嶺算法存在過(guò)分割的問(wèn)題，采用控制標(biāo)記和強(qiáng)制最小技術(shù)改進(jìn)分水嶺算法。同時(shí)針對(duì)醫(yī)學(xué)圖像存在模糊、低對(duì)比度這一現(xiàn)象，先采用高帽和低帽變換增強(qiáng)圖像的對(duì)比度，再使用改進(jìn)的分水嶺算法進(jìn)行分割。與傳統(tǒng)的分水嶺算法相比，過(guò)分割現(xiàn)象得到了很好的抑制，分割效果良好。3.研究了基于GVF Snake模型的腦部腫瘤分割方法。對(duì)GVF Snake模型進(jìn)行了改進(jìn)，采用Canny算子獲取GVF Snake模型的邊緣映射圖，并用分水嶺算法自動(dòng)獲取GVF Snake模型分割的初始輪廓，將改進(jìn)的GVF Snake算法用于腦部腫瘤圖像的分割，既避免了GVF Snake模型中人工選取初始輪廓的復(fù)雜性和主觀性，又提高了算法的迭代效率和準(zhǔn)確性。綜上，本文所提出的GVF Snake模型的分割效果最好。 

1 緒論

隨著醫(yī)學(xué)影像技術(shù)的飛速發(fā)展，近年來(lái)醫(yī)學(xué)影像已成為醫(yī)學(xué)診斷中最為活躍的研究領(lǐng)域之一。醫(yī)學(xué)影像分割是醫(yī)學(xué)圖像處理和醫(yī)學(xué)分析中的一項(xiàng)重要技術(shù)，在疾病診斷、病變組織定位及計(jì)算機(jī)指導(dǎo)手術(shù)等各種場(chǎng)合得到了廣泛的應(yīng)用。由于核磁共振成像(MRI)具有高質(zhì)量的圖像顯示效果，所以被廣泛的用于醫(yī)學(xué)成像中，而對(duì)于腦部腫瘤的檢測(cè)就是較為重要的應(yīng)用之一。將核磁共振成像用于腦部腫瘤的檢測(cè)以及分割上，對(duì)于醫(yī)學(xué)診斷是非常重要的，因?yàn)樗�提供了�?duì)于制定治療計(jì)劃和病人跟蹤系統(tǒng)所必要的解剖結(jié)構(gòu)和潛在的異常組織的信息。腦部腫瘤的分割也可以有利于建立通用的病變大腦模型和圖譜。精確的腦組織分割對(duì)于制定放療計(jì)劃、外科手術(shù)計(jì)劃以及腦腫瘤結(jié)構(gòu)的 3D 可視化等應(yīng)用研究具有重要的意義[1]。
..........

2 基于 FCM 算法的腦部腫瘤圖像分割

2.1 聚類分析
聚類也被稱為聚類分析，聚類分析是一種用數(shù)學(xué)方法研究和處理事物的分類的方法。聚類算法是一種無(wú)監(jiān)督的分類方法。無(wú)監(jiān)督的圖像分割方法是根據(jù)圖像像素間的相似性進(jìn)行分割，無(wú)需對(duì)目標(biāo)對(duì)象的特征進(jìn)行優(yōu)化，整個(gè)過(guò)程不需要人工干預(yù)，從而使分割方法具有一定的自動(dòng)化和智能化。聚類算法是根據(jù)樣本間的相似性測(cè)度進(jìn)而對(duì)一個(gè)沒(méi)有類別標(biāo)記的樣本集進(jìn)行劃分的，即將樣本中相似的數(shù)據(jù)點(diǎn)或者目標(biāo)點(diǎn)歸為一類的一種數(shù)學(xué)方法。

2.2 K 均值算法
Zadeh 于 1965 年發(fā)表了論文《模糊集（Fuzzy Sets）》，首次引入表達(dá)事物模糊性的隸屬度函數(shù)的概念，并提出了用模糊理論來(lái)研究不確定性和不精確性，從而創(chuàng)建了模糊集合理論[16]。在傳統(tǒng)的集合理論中，元素與集合之間的隸屬關(guān)系是 N:1 的對(duì)應(yīng)關(guān)系，即元素對(duì)于集合的歸屬性不存在中間狀態(tài)；而在模糊集合中，元素與集合的隸屬關(guān)系是 N:N 的對(duì)應(yīng)關(guān)系，即元素對(duì)于集合的歸屬性是多樣的。從圖 2-1(c)和圖 2-1(f)可以看到 FCM 算法可以把 K 均值算法無(wú)法提取的腫瘤輪廓分割出來(lái)，算法的分割效果遠(yuǎn)優(yōu)于 K 均值算法。FCM 算法由于引入了模糊集合理論，所以在分割過(guò)程中能夠保留更多的原始圖像信息，比 K 均值算法具有更好的魯棒性。因?yàn)?FCM 算法可以有效地分割邊緣模糊、低對(duì)比度的圖像，所以該算法被廣泛應(yīng)用于醫(yī)學(xué)圖像分割中，其獨(dú)特的優(yōu)勢(shì)在腦部腫瘤 MR 圖像的分割中也被顯示出來(lái)。

 

3 基于數(shù)學(xué)形態(tài)學(xué)分水嶺算法的腦部腫瘤圖像的分割 ....................12
3.1 數(shù)學(xué)形態(tài)學(xué)基本運(yùn)算 .........................................12
3.2 灰度圖像形態(tài)學(xué)處理 .........................................15
4 基于 GVF Snake 模型的腦部腫瘤圖像分割............................23
4.1 傳統(tǒng)的 Snake 模型 ...........................................23
4.2 Snake 模型的兩種外力改進(jìn)模型................................25
5 總結(jié)與展望........................................39
5.1 本文工作總結(jié) ....................................39
5.2 展望 ........................................39

4 基于 GVF Snake 模型的腦部腫瘤圖像分割

4.1 傳統(tǒng)的 Snake 模型
對(duì) GVF Snake 模型進(jìn)行仿真實(shí)驗(yàn)，并與傳統(tǒng)的 Snake 模型和氣球力 Snake模型進(jìn)行比較。圖 4-1 是 GVF Snake 模型對(duì) U 型物體檢測(cè)結(jié)果。從圖 4-1(b)和圖4-1(c)的可以看出，GVF Snake 模型能夠收斂到 U 型物體的底部，而且所需的迭代次數(shù)比較少。在設(shè)置的初始輪廓相同的情況下，傳統(tǒng)的 Snake 模型經(jīng)過(guò)了 500次的迭代后，仍然不能收斂到凹陷區(qū)域的底部，并且在繼續(xù)增加迭代次數(shù)的情況下，輪廓線停止迭代收斂，不能完成對(duì)深度凹陷物體的分割；而 GVF Snake 模型僅進(jìn)行了 100 次迭代，就能夠很好的收斂到凹陷區(qū)域的底部。比較可得，GVFSnake 模型比傳統(tǒng)的 Snake 模型有更大的捕捉范圍，能夠收斂到凹陷物體的底部區(qū)域。

4.2 Snake 模型的兩種外力改進(jìn)模型
圖 4-2 是 GVF 模型與目標(biāo)邊緣相交時(shí)的檢測(cè)結(jié)果。將圖 4-2(b)和圖 4-2(c)的進(jìn)行比較，圖 4-2(b)顯示了 GVF Snake 模型在迭代 100 次就能收斂到凹陷區(qū)域的底部；而在同樣的初始輪條件下，圖 4-2(c)表明，高斯力 Snake 模型即使在迭代了 2000 次后，依然無(wú)法收斂到凹陷區(qū)域的底部，而是收斂到了局部極值處�？梢钥闯�，GVF Snake 模型解決了傳統(tǒng) Snake 模型對(duì)初始輪廓的位置過(guò)于敏感的問(wèn)題。
.........

5 總結(jié)與展望

5.1 本文工作總結(jié)
對(duì)腦部腫瘤的準(zhǔn)確分割在臨床上具有重要價(jià)值，但由于腦腫瘤結(jié)構(gòu)復(fù)雜、邊界模糊且與正常腦組織混疊在一起，，因此，要實(shí)現(xiàn)對(duì)腦腫瘤的準(zhǔn)確而自動(dòng)的分割是非常困難。針對(duì)腦部腫瘤MR圖像分割的問(wèn)題，本文做了如下研究工作：(1)闡述了腦部腫瘤圖像分割的研究背景及意義，并對(duì)醫(yī)學(xué)圖像分割方法進(jìn)行了詳細(xì)的綜述；(2)研究了K均值算法和FCM算法的基本原理，并在腦部腫瘤圖像的分割上進(jìn)行了仿真實(shí)驗(yàn)，對(duì)它們的分割結(jié)果進(jìn)行了對(duì)比分析；(3)詳細(xì)論述了傳統(tǒng)的分水嶺算法及控制標(biāo)記的分水嶺算法的原理，并結(jié)合腦部腫瘤MR圖像的特點(diǎn)，利用形態(tài)學(xué)高帽低帽變換進(jìn)行增強(qiáng)對(duì)比度的預(yù)處理，再用分水嶺算法進(jìn)行分割，并對(duì)傳統(tǒng)的分水嶺算法及控制標(biāo)記的分水嶺算法的分割結(jié)果進(jìn)行了對(duì)比與分析；(4)研究了基于GVF Snake模型的分割方法，并與本文所使用的其它方法做了對(duì)比分析。針對(duì)傳統(tǒng)的GVF Snake模型對(duì)噪聲比較敏感，運(yùn)算量大，仍然過(guò)分的依賴初始輪廓的問(wèn)題，通過(guò)采用Canny算子的邊緣檢測(cè)結(jié)果作為GVF擴(kuò)散方程計(jì)算的邊緣映射圖的方法，提高了GVF Snake模型的抗噪性；用分水嶺算法自動(dòng)獲取的輪廓作為GVF Snake模型分割的初始輪廓的方法，降低了GVF力場(chǎng)計(jì)算的復(fù)雜性和分割時(shí)輪廓線的迭代次數(shù)。將改進(jìn)的GVF Snake算法用于腦部腫瘤圖像的分割，既避免了GVF Snake模型中人工選取初始輪廓的復(fù)雜性和主觀性，又提高了算法的迭代效率和準(zhǔn)確性，且分割所得輪廓的邊緣連續(xù)光滑，分割效果良好。

5.2 展望
總的來(lái)說(shuō)，本文基本實(shí)現(xiàn)了FCM算法、控制標(biāo)記的分水嶺算法、改進(jìn)的GVFSnake模型算法在腦部腫瘤MR圖像分割上的應(yīng)用，但還有以下幾方面的問(wèn)題有待進(jìn)一步的研究和完善。(1)由于實(shí)際中實(shí)驗(yàn)數(shù)據(jù)有限，算法的有效性和魯棒性均得不到充分的驗(yàn)證。所以，對(duì)腦部腫瘤圖像分割的算法要使用更多的數(shù)據(jù)進(jìn)行驗(yàn)證；(2)參數(shù)化活動(dòng)輪廓模型的一個(gè)缺點(diǎn)是不能解決拓?fù)渥儞Q問(wèn)題，所以不能適用于圖像中包含多個(gè)目標(biāo)的分割中，因此對(duì)于參數(shù)化活動(dòng)輪廓模型的輪廓生長(zhǎng)模式應(yīng)做更多的研究，使其能夠自動(dòng)的改變拓?fù)浣Y(jié)構(gòu)；(3)將本文所取得的部分成果擴(kuò)展到三維領(lǐng)域，使之更適合臨床應(yīng)用。

 

.........

參考文獻(xiàn)（略） 

本文編號(hào)：19219