基于CT图像的肝肿瘤图像分割及三维重建算法研究
发布时间：2021-08-15 09:24
高质量高效的医疗可以提高人们的生活质量。而肝肿瘤作为一种恶性肿瘤严重威胁着人们的生命健康。因此肝肿瘤的射频消融（Radio Frequency Ablation,RFA）治疗逐渐受到广泛关注,各地区的RFA治疗水平也亟待提高。为了准确地实现肝肿瘤的RFA治疗,需要在手术前借助CT图像进行RFA治疗肝肿瘤的布针方案设计。在进行RFA设计时,需要CT图像中的肝肿瘤准确分割作为重要依据。同时,肝肿瘤的三维重建将给RFA治疗设计带来更大的便捷,因此对于CT的三维重建的研究是具有重要意义的。本文结合医学图像处理与深度学习的相关方法,首先对CT图像中的肝肿瘤进行分割,其次在肝肿瘤分割的基础上对CT图像中的不同组织进行三维重建,最后基于建立好的三维重建模型完成RFA治疗肝肿瘤的布针方案设计。本文针对传统算法的不足针对性地做了以下研究:（1）针对目前在CT图像中肝肿瘤分割精度不足的问题,本文提出了一种基于U-net网络的肝肿瘤分割算法。该算法用到两个参与分割任务的深度卷积神经网络,分别针对肝脏分割任务和肝肿瘤分割任务。整个方法分为离线阶段与在线阶段两个部分。在离线阶段中对网络进行训练,在在线阶段,将训...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
平滑滤波效果
哈尔滨工业大学工学硕士学位论文-15-其中，I′(x,y)表示分割后的图像。当最终的图像目标区域和背景之间不仅仅分布在两个灰度范围内，此时需要两个或以上的阈值来提取目标。在图像I(x,y)中找到特征值1T和2T，则分割后的图像表示为：()()121,,0TIxyTIxy≤<′=，，其他(2-7)在阈值法中，设定一个阈值仅仅可以将图像分割成两类，这只能满足少量的分割需求。当需要进行分割的部分的灰度值介于整张图像灰度值的中间时，那么就需要设定多个阈值对其进行分割。其中自适应阈值图像分割可以通过自动计算阈值将图像分为目标和背景两个部分。背景和目标之间的类间方差越大，说明这两部分的差别越大。为了便于计算，用0ω表示所需分割的像素点个数占全部像素个数的比例，平均灰度记为0μ；用1ω表示不需分割的像素点个数占全部像素个数的比例，并把平均灰度记为1μ。那么图像I(x,y)的总平均灰度μ的计算公式如式(2-8)所示：0011μ=ωμ+ωμ(2-8)类间方差g可由公式(2-9)计算得到：()()220011g=ωμμ+ωμμ(2-9)遍历整张图像计算类间方差g使其最大，此时就得到了图像最佳的阈值标准。针对CT图像的分割任务，由于CT图像中骨头部分的Hu值较大，当映射到灰度值后，从图中可以看到与其他组织有很大的差异，因此可采用阈值分割方法做初步的分割。通过设定一个比较合理的阈值，将骨架部分提取出来，其余的部分作为背景处理，分割结果如图2-5所示。图2-5基于阈值分割算法的骨架提取但对于肝肿瘤的分割，由于肝肿瘤部分的Hu值与其他的肝组织的Hu值存在重叠，在整张CT图像上使用基于阈值分割方法会导致大量的误分割，使分割精度很低。因此本文进行了改进的阈值分割实验，分割结果如图2-6所示。
哈尔滨工业大学工学硕士学位论文-16-图2-6基于阈值分割算法的肝肿瘤提取从图2-6中可以看出，由于肝肿瘤与其周围的组织之间常常存在着区分的差异，想到先人工缩小分割范围，在缩小后的局部空间上设定一个合理的阈值，将肝肿瘤部分提取出来。但是这种方法有一个很明显的缺点，就是需要人工缩小分割范围。在大量的医学图像面前，这往往需要巨大的人力物力投入，显然是不可行的。2.3.2基于区域生长的分割算法基于区域生长的分割算法需要人为设定两个条件，一是种子点，二是分割的判定准则。以设定的种子点作为分割的起点，在与起点相连的像素点中寻找满足分割判定准则的像素点，这个起点也被称为参考点，用于判断其他像素与参考像素之间是否具有联系。然后根据一定的生长判别准则，判断种子像素周围像素是否符合生长准则，并将满足生长准则的像素进行合并。详细的基于区域生长的分割算法的流程如表2-2所示：表2-2基于区域生长的分割算法流程输入：待分割的CT图像I(x,y)输出：CT图像的肝肿瘤分割I′(x,y)第一步：种子()00x,y生成；第二步：取出种子()00x,y邻域中的任意一点(x,y)；第三步：根据判定准则，判断(x,y)是否与种子()00x,y相似；如果相似，将(x,y)与种子()00x,y合并到同一区域；第四步：取出区域内的一个像素作为()00x,y返回到第二步；第五步：当无满足判定准则的点存在时，输出分割结果。
【参考文献】：
期刊论文
[1]Edge detection and mathematic fitting for corneal surface with Matlab software[J]. Yue Di,Mei-Yan Li,Tong Qiao,Na Lu. International Journal of Ophthalmology. 2017(03)
[2]基于Ray-Casting算法对医学图像进行三维体绘制重建[J]. 周娟. 计算机科学. 2016(S2)
[3]基于Krisch算子和绝对关联度的图像边缘检测[J]. 薛文格,邝天福. 计算机与数字工程. 2015(10)
[4]医学图像三维重建及应用[J]. 付淼. 中国医学工程. 2013(09)
[5]基于二维Otsu阈值修正的图像分割新方法[J]. 田野,章锦文,赵广州. 计算机与数字工程. 2012(05)
[6]基于最近邻Marching Cubes的医学图像三维重建[J]. 王旭初,王赞. 计算机工程与应用. 2012(18)
[7]最小误差阈值分割法的改进算法[J]. 朱齐丹,荆丽秋,毕荣生,吴叶斌. 光电工程. 2010(07)
[8]医学图像三维重建的研究[J]. 金天弘,刘振宅. 医疗卫生装备. 2008(02)
[9]医学图像分割方法综述[J]. 林瑶,田捷. 模式识别与人工智能. 2002(02)
本文编号：3344280
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：61 页
【学位级别】：硕士
【部分图文】：
平滑滤波效果
哈尔滨工业大学工学硕士学位论文-15-其中，I′(x,y)表示分割后的图像。当最终的图像目标区域和背景之间不仅仅分布在两个灰度范围内，此时需要两个或以上的阈值来提取目标。在图像I(x,y)中找到特征值1T和2T，则分割后的图像表示为：()()121,,0TIxyTIxy≤<′=，，其他(2-7)在阈值法中，设定一个阈值仅仅可以将图像分割成两类，这只能满足少量的分割需求。当需要进行分割的部分的灰度值介于整张图像灰度值的中间时，那么就需要设定多个阈值对其进行分割。其中自适应阈值图像分割可以通过自动计算阈值将图像分为目标和背景两个部分。背景和目标之间的类间方差越大，说明这两部分的差别越大。为了便于计算，用0ω表示所需分割的像素点个数占全部像素个数的比例，平均灰度记为0μ；用1ω表示不需分割的像素点个数占全部像素个数的比例，并把平均灰度记为1μ。那么图像I(x,y)的总平均灰度μ的计算公式如式(2-8)所示：0011μ=ωμ+ωμ(2-8)类间方差g可由公式(2-9)计算得到：()()220011g=ωμμ+ωμμ(2-9)遍历整张图像计算类间方差g使其最大，此时就得到了图像最佳的阈值标准。针对CT图像的分割任务，由于CT图像中骨头部分的Hu值较大，当映射到灰度值后，从图中可以看到与其他组织有很大的差异，因此可采用阈值分割方法做初步的分割。通过设定一个比较合理的阈值，将骨架部分提取出来，其余的部分作为背景处理，分割结果如图2-5所示。图2-5基于阈值分割算法的骨架提取但对于肝肿瘤的分割，由于肝肿瘤部分的Hu值与其他的肝组织的Hu值存在重叠，在整张CT图像上使用基于阈值分割方法会导致大量的误分割，使分割精度很低。因此本文进行了改进的阈值分割实验，分割结果如图2-6所示。
哈尔滨工业大学工学硕士学位论文-16-图2-6基于阈值分割算法的肝肿瘤提取从图2-6中可以看出，由于肝肿瘤与其周围的组织之间常常存在着区分的差异，想到先人工缩小分割范围，在缩小后的局部空间上设定一个合理的阈值，将肝肿瘤部分提取出来。但是这种方法有一个很明显的缺点，就是需要人工缩小分割范围。在大量的医学图像面前，这往往需要巨大的人力物力投入，显然是不可行的。2.3.2基于区域生长的分割算法基于区域生长的分割算法需要人为设定两个条件，一是种子点，二是分割的判定准则。以设定的种子点作为分割的起点，在与起点相连的像素点中寻找满足分割判定准则的像素点，这个起点也被称为参考点，用于判断其他像素与参考像素之间是否具有联系。然后根据一定的生长判别准则，判断种子像素周围像素是否符合生长准则，并将满足生长准则的像素进行合并。详细的基于区域生长的分割算法的流程如表2-2所示：表2-2基于区域生长的分割算法流程输入：待分割的CT图像I(x,y)输出：CT图像的肝肿瘤分割I′(x,y)第一步：种子()00x,y生成；第二步：取出种子()00x,y邻域中的任意一点(x,y)；第三步：根据判定准则，判断(x,y)是否与种子()00x,y相似；如果相似，将(x,y)与种子()00x,y合并到同一区域；第四步：取出区域内的一个像素作为()00x,y返回到第二步；第五步：当无满足判定准则的点存在时，输出分割结果。
【参考文献】：
期刊论文
[1]Edge detection and mathematic fitting for corneal surface with Matlab software[J]. Yue Di,Mei-Yan Li,Tong Qiao,Na Lu. International Journal of Ophthalmology. 2017(03)
[2]基于Ray-Casting算法对医学图像进行三维体绘制重建[J]. 周娟. 计算机科学. 2016(S2)
[3]基于Krisch算子和绝对关联度的图像边缘检测[J]. 薛文格,邝天福. 计算机与数字工程. 2015(10)
[4]医学图像三维重建及应用[J]. 付淼. 中国医学工程. 2013(09)
[5]基于二维Otsu阈值修正的图像分割新方法[J]. 田野,章锦文,赵广州. 计算机与数字工程. 2012(05)
[6]基于最近邻Marching Cubes的医学图像三维重建[J]. 王旭初,王赞. 计算机工程与应用. 2012(18)
[7]最小误差阈值分割法的改进算法[J]. 朱齐丹,荆丽秋,毕荣生,吴叶斌. 光电工程. 2010(07)
[8]医学图像三维重建的研究[J]. 金天弘,刘振宅. 医疗卫生装备. 2008(02)
[9]医学图像分割方法综述[J]. 林瑶,田捷. 模式识别与人工智能. 2002(02)
本文编号：3344280
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3344280.html
最近更新
教材专著
