第一章 緒論

1.1 課題研究背景與意義
胃癌是最常見的消化道惡性腫瘤疾病之一，威脅著人們的身體健康。在我國，胃癌的發(fā)病率和病死率是全球高發(fā)區(qū)之一[1]。胃癌的發(fā)病率與年齡有一定的關系，年齡超過 40 歲的胃癌的發(fā)病率會隨著年齡的增加而上升。胃癌的發(fā)生除了年齡之外，還有性別差異，男女之比約 2:1。胃癌的病因與飲食習慣、食物的構成以及胃的慢性炎癥、胃潰瘍、胃切除等因素有肯定的關系。未經(jīng)治療者平均壽命約為13 個月[2][3][4]。如何治療胃癌是我們目前要解決的首要任務，胃癌中的病灶區(qū)域淋巴結的大小及轉移情況影響確定治療方案的關鍵因素。隨著醫(yī)學影像的發(fā)展，醫(yī)生可以通過觀察醫(yī)學圖像，來判斷病人生病的具體情況。Hur 等[5]研究顯示，如果胃原發(fā)腫瘤有較高的 SFDG 攝人值而且局部淋巴結有 SFDG 攝人，則說明了腫瘤比較嚴重，已經(jīng)進入了進展期，根治的可能性比較小，不能盲目開腹手術。確定正確的分期是對胃癌要進行綜合治療的前提和基礎[6][7]。但是胃癌分析是與淋巴結轉移密切相關[8]。進展期胃癌是指侵犯胃固有肌層以上的胃癌，對于進展期胃癌，推薦進行標準胃癌根治手術。我國大部分胃癌患者在診斷胃癌時已為進展期，早期胃癌的診斷率一般低于 10％。進展期胃癌患者的治療不是手術切術可以治療的，需要制定綜合性的治療方案。術后輔助治療可以改善患者的生活質量，但對于輔助治療方案，我們要注重患者的安全、生活質量和療效[9]。CT 技術應用于胃癌診斷始于 20 世紀 90 年代初期[10]。
…………

1.2 胃部 CT 圖像及胃癌
在 20 世紀 70 年代，Hounsfield 設計了 CT 技術。隨著影像學的迅速發(fā)展，現(xiàn)在 CT 已經(jīng)非常成熟，可以用于胃部的成像，利用 X 射線對人體某待檢測部位進行計算機斷層掃描，從而形成數(shù)字圖像。CT 與 X 成像是不同的，CT 是用 X 線對人體某部位進行人體斷層掃描，通過探測器可以得到 CT 值，在通過計算機系統(tǒng)顯示裝置獲取 CT 圖像。目前 CT 技術已經(jīng)被用到到各個需要的醫(yī)院部門，CT 為臨床診斷部門提供了非常可靠清晰的斷層圖像，是現(xiàn)在醫(yī)學不可或缺的先進診斷技術。因此，在 1979 年，hounsfield 獲得了諾貝爾獎。CT 目前還是用 X 線對人體某部位進行層面掃描，CT 的裝置是由掃描裝置、計算機圖像顯示裝置及存儲系統(tǒng)來組成。CT 裝置中的掃面裝置包含了探測器，通過探測器可以接收到 X 線，再到 X 先轉變成可見光，再用掃面裝置中的信號轉化器把可見光信號轉化為電信號，再把電信號轉化為數(shù)字，最后通過掃描裝置的計算機圖像顯示裝置及存儲系統(tǒng)，來輸出最后的數(shù)字圖像，即 CT 圖像。CT 圖像是根據(jù)像素的灰度值排列構成矩陣，這些像素的灰度值直接反應的是人體相應體素的 X 線吸收的系數(shù)，不同的 CT 機其圖像的像素個數(shù)不相同，像素越小，像素數(shù)目越多，構成的圖像越清晰細致，空間分辨率也越高。CT 圖像通過電信號轉化為數(shù)字后，可以對其進行圖像后處理，即對圖像進行重建，我們可以根據(jù)需要采用不同的重建算法，常用的重建算法有標準算法、骨算法和軟組織算法等，要根據(jù)檢查部位的組成成分和密度差異來選擇合適的數(shù)學演算方式。CT 圖像具有較高的分辨力，由于 CT 圖像是對 X 線對相應組織進行吸收得到系數(shù)，其對該系數(shù)的測量非常精確，所以可以分辨出不同的較小差異的組織[13]。因此，CT 圖像適合于醫(yī)生對病變組織的查看，方便醫(yī)生做出下一步的診斷方案。從上述可以 CT 圖像是重建圖像。我們可以通過不同的數(shù)學算法來算出每個體素的 X 線吸收系數(shù)[12]。
…………

第二章 背景知識

2.1 圖像分割的原理概述
圖像分割是把具有某種相似性的區(qū)域分割出來，可以把圖像劃分成不同的區(qū)域，從而可以得到人們感興趣的部分，做進一步的處理和研究。圖像分割是其它高級圖像處理的基礎，比如圖像特征提取、圖像理解等。所以對圖像分割方法的研究一直是科研工作者的熱點。圖像分割為圖像進行高級處理做準備工作，分割效果直接影響圖像識別及分析。隨著醫(yī)學影像學的飛速發(fā)展和醫(yī)學圖像處理的巨大使用價值，對醫(yī)學圖像的分割方法也層出不窮，但是醫(yī)學圖像的邊緣模糊，且不用組織之間的有著某種的相似性，現(xiàn)有的分割方法不能很好的應用到醫(yī)學圖像分割的問題中，這些問題都加大了醫(yī)學圖像的分割。醫(yī)學圖像的個體差異性也加大了醫(yī)學圖像的分割難度。因此，我們需要找到一種適合醫(yī)學圖像分割的分割方法。目前，醫(yī)學圖像的應用逐漸普遍，數(shù)據(jù)量也在逐漸增大，這就需要對醫(yī)學圖像進行自動分割。
………..

2.2 醫(yī)學圖像分割方法簡介
醫(yī)學圖像分割是目前圖像分割的一個熱點。由于醫(yī)學圖像的病灶區(qū)域的邊界比較模糊，我們需要找到一個更加精確的分割方法來找到病灶區(qū)域的邊緣。由于病灶區(qū)域的邊界也是醫(yī)生重要關注的因素，也是區(qū)別于其它非病灶區(qū)域的重要因素。隨著影像學的發(fā)展，現(xiàn)在出現(xiàn)了許多醫(yī)學新的成像技術，比如計算機斷層成像（CT）、核磁共振成像（MRI）、超聲（US）等目前已經(jīng)應用到了醫(yī)療診斷中，且在診斷的各個環(huán)節(jié)中都有著廣泛應用。目前，對于不同的醫(yī)學圖像，分割的對象也是不同的，比如對于細胞的醫(yī)學圖像分割主要以各種細胞為分割對象，對于胃癌診斷的醫(yī)學圖像主要以淋巴結為分割對象等。醫(yī)學圖像一般用于疾病的診斷，所以一般病灶區(qū)域是我們所感興趣的區(qū)域，但是病灶區(qū)域的形狀、空間位置及灰度值和一些非病灶區(qū)域非常相似，如何把病灶區(qū)域分割出來，并識別出病灶區(qū)域是我們所要解決的問題。由于其關聯(lián)的社會需求和實際的應用價值，目前的對醫(yī)學圖像的分割探究越來越受到科研工作者的關注，對醫(yī)學圖像的分割算法也層出不窮。
………

第三章 基于模糊 C-均值和邊界先驗的疑似淋巴結提取.......15
3.1 引言......15
3.2 基于模糊 C-均值的胃部 CT 圖像分割算法.......15
3.2.1 模糊集合理論概述.......15
3.2.2 C-均值聚類算法簡介........16
3.2.3 模糊 C-均值聚類算法的詳細推導.......17
3.3 邊界先驗的疑似淋巴結提取......20
3.3.1 邊界檢測........20
3.3.2 疑似淋巴結提取.....22
3.4 實驗結果及分析......24
3.5 本章小結.......27
第四章 基于自適應窗口和直方圖統(tǒng)計特征的淋巴........29
4.1 引言......29
4.2 血管跟蹤算法.....33
4.2.1 血管跟蹤算法詳細介紹....33
4.2.2 血管跟蹤算法實驗結果....36
4.3 淋巴結跟蹤算法......38
4.3.1 相似度的定義.....38
4.3.2 淋巴結跟蹤算法的詳細介紹......39
4.4 基于自適應窗口和直方圖統(tǒng)計特征的淋巴結跟蹤檢測算法....43
4.5 實驗仿真及分析......51
4.5.1 直方圖統(tǒng)計....51
4.5.2 淋巴結跟蹤檢測方法的仿真結果........52
4.5.3 淋巴結跟蹤檢測方法仿真結果分析....53
第五章 總結與展望........57
5.1 總結.....57
5.2 展望.....58

第四章 基于自適應窗口和直方圖統(tǒng)計特征的淋巴結跟蹤檢測算法

4.1 引言
我們通過基于模糊 C-均值和邊界先驗的疑似淋巴結提取方法，得到每個單幅胃部 CT 圖像的疑似淋巴結，疑似淋巴結包括淋巴結、血管和其它雜點等。由于淋巴結的形狀、灰度和空間位置與血管很相近，提取出每個單幅胃部 CT 圖像中的疑似淋巴結存在淋巴結和血管難于區(qū)分的問題；針對該問題，本文設計了基于自適應窗口和直方圖統(tǒng)計特征的淋巴結跟蹤檢測方法。由于血管的面積變化不大，并且血管中心位置是有偏移；而一個完整的淋巴結序列的面積基本上是從小到大，再從大到小并且最后消失的變化規(guī)律，并且淋巴結的序列是在切片面積最大的淋巴結的中心像素位置附近變化，不會偏離該中心位置；針對上述淋巴結序列的變化規(guī)律和血管的變化規(guī)律，我們設計的基于自適應窗口和直方圖統(tǒng)計特征的淋巴結檢測方法，可以在區(qū)分血管和淋巴結的同時，還可以標記血管和淋巴結，該基于自適應窗口和直方圖統(tǒng)計特征的淋巴結檢測方法包含了淋巴結的跟蹤方法和血管的跟蹤方法。

總結

本文詳細了討論的胃癌的基本特征、胃部 CT 圖像的基本特點、診斷方法及相關領域研究進展的基礎上，提出了基于自適應窗口和直方圖統(tǒng)計特征的胃部 CT圖像淋巴結跟蹤檢測方法。我們最終的目的是跟蹤檢測病灶區(qū)域，即淋巴結。本文首先利用基于模糊C均值和邊界先驗的疑似淋巴結提取方法獲取每個單幅胃部CT 圖像的疑似淋巴結；然后設計了基于自適應窗口和直方圖統(tǒng)計特征的淋巴結跟蹤檢測方法，該方法可以區(qū)分疑似淋巴結中淋巴結和血管。首先我們利用模糊 C 均值對胃部 CT 圖像進行分割，模糊 C 均值（FCM）是無監(jiān)督機器學習的主要技術之一，它通過優(yōu)化目標函數(shù)得到每個樣本點對所有類的隸屬度，從而決定樣本點的類屬以達到自動對樣本進行分類的目的，使得被劃分到同一類的對象之間相似度最大，而不同類之間的相似度最小。模糊 C 均值能夠很好的分割胃部 CT 圖像，把胃部 CT 圖像分割為三部分：背景區(qū)域，脂肪區(qū)域，，淋巴結血管等組成的區(qū)域。分割之后得到淋巴結血管等組成的區(qū)域圖像中包含了原胃部 CT 圖像的所有淋巴結，我們需要從該淋巴結血管等組成的區(qū)域圖像上提取出淋巴結，由于淋巴結的外邊界在脂肪區(qū)域中，利用該邊界先驗知識，我們可以提取出該胃部 CT 圖像的所有未粘連的淋巴結，我們跟蹤是按每個疑似淋巴結最大切片面積自適應定義每個疑似淋巴結的窗口并把最大切片面積所在 CT圖像作為當前幀；從當前幀開始在感興趣區(qū)域圖像上向前和向后進行跟蹤操作，所以我們的跟蹤檢測方法沒有必要提取出該淋巴結序列對應的所有淋巴結，至少提取出該淋巴結序列中的一個相對比較大就行了，從而對提取出的淋巴結的依賴條件變弱了。
…………
參考文獻（略）