基于先验信息的图像分割算法及其在医学影像中的应用

发布时间：2021-01-22 16:22

　　在医学图像分割中,针对特定解剖结构的分割是计算机辅助医疗的重要组成部分.CT对骨组织显像精度较高,研究对CT数据的分割,对骨科患者的术前规划、术后效果诊断有着重要的意义.但由于骨质疏松、骨质病变等问题导致骨组织边界模糊,骨头之间缝隙较小,使得从CT中精准分割出骨组织的难度增大.本文针对CT序列提出一种基于先验信息的特定目标水平集分割模型.首先,我们对CT序列进行预处理.然后,提取图像的特征,通过机器学习对这些特征进行学习,构造出判别函数.紧接着,用判别函数约束水平集泛函中的灰度拟合项,结合判别函数和图像的梯度特征构建新的边缘停止函数,进而利用图像的统计信息和梯度信息构建能量泛函.再根据切片间的联系与当前切片的灰度信息,设计水平集的初始曲线,最后,通过变分法和梯度下降流求解能量泛函,完成对CT序列中特定目标的准确分割.本文的主要贡献:1.基于自动先验特征提取融合构建判别函数.2.基于先验特征的曲线演化算法. 

【文章来源】：上海大学上海市 211工程院校

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

DRLSE模型零水平集演化.

从而避免了水平集迭代一定次数后需要重新初始化的问题.图2.1表示DRLSE模型分割的结果, (a)表示原始图像, (b)表示迭代20次后的分割结果, (c)表示迭代60次后的分割结果. 图2.2中的(a)、(b)、(c)分别对应图2.1中(a)、(b)、(c)时刻的水平集函数, 红色曲线表示当前时刻的零水平集.(a)初始零水平集. (b) 迭代20次后的零水平集.(c)迭代60次后的零水平集.图 2.1: DRLSE模型零水平集演化.在图2.2中, 能够看出DRLSE模型的水平集函数在正则项的约束下, 变

LBF 模 型 的 分 割 效 果 如 图 2.3 所 示. 图 2.3 (a) 是 关 于 血 管 的 灰 度 图 像,可以看出图像的信噪比较低, 目标的边界十分模糊, 图中红色曲线表示初始时刻的零水平集, 其对应的水平集函数如图2.4(a)所示. 图2.3(b)和图2.3(c)分别是LBF模型迭代50, 150次的分割结果, 其对应的水平集函数图像为图2.4(b)与图2.4(c).(a)初始水平集函数. (b) 迭代50次后的水平集函数.(c)迭 代150次 后 的 水 平集函数

【参考文献】：
博士论文
[1]医学CT图像分割方法研究[D]. 周生俊.哈尔滨工业大学 2014

硕士论文
[1]基于深度学习的图像分割研究与应用[D]. 张华博.电子科技大学 2018
[2]基于卷积自编码神经网络的肺结节检测[D]. 吴川北.华中科技大学 2017



本文编号：2993542