基于自适应权重活动轮廓模型的医学图像分割研究
发布时间：2021-09-17 03:54
在医学领域,计算机X射线断层（Computed Tomography,CT）、磁共振（Magnetic Resonance Imaging,MRI）和超声等医学图像在疾病的诊断和治疗中占据重要地位,准确地对医学图像进行分割是进一步分析病灶区域的前提,因而医学图像分割成为广大研究者关注的热点。各种分割方法在医学图像中被广泛应用,并且有望改变临床实践,帮助临床医生诊断疾病、确定预后、制定治疗计划以及跟踪治疗反应。但由于医学图像往往图像质量差,存在噪声,模糊边界,灰度不均匀等不良因素,给实际地分割带来了巨大的挑战。活动轮廓模型自引入并首次应用于医学图像分割以来,由于其在拓扑结构以及平滑方面优越的表现,被作为一种通用框架而日益流行。本文针对医学图像中存在的以上问题,提出了一种新的基于局部灰度差异的自适应权重活动轮廓模型（Self-adaptive Weighted active contour model based on Local Intensity Difference,SWLD）,以提供精确的医学图像分割结果用于临床研究。相较于现有的基于活动轮廓模型的分割算法,本文所提出的SWLD算法...
【文章来源】：南方医科大学广东省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
图１－１腮腺导管ＣＢＣＴ图像和舌癌肿瘤ＭＲＩ图像??
出其随时间ｔ变化的水平集函数，进??而使得复杂的曲线运动过程变为更高维函数的演化过程。??由上文可知，函数＝?０时是对曲线的隐式表达，则有当以时，??点落在曲线的内部，当时，点落在曲线的外部。在水平集函数的演化??过程中，通常用符号距离函数（Ｓｉｇｎｅｄ?Ｄｉｓｔａｎｃｅ?Ｆｕｎｃｔｉｏｎ，ＳＤＦ）来表示点与闭合演??化曲线的位置关系，其表达式如下：??＜／）［ｘ，ｙ，ｔ）?＝?±ｄ?（２－５）??其中ｄ为点（ｘ，ｙ）到曲线的最短距离，其符号取决于点在曲线内部还是曲线外??部。图２－２（Ａ）中红色曲线为初始曲线，则演化后的蓝色曲线是在初始曲线的内部，??此时其ｄ符号为负，在三维空间内的表达如图２－２（Ｂ）所示（ｚ轴表示ｄ的取值），??位于ｚ轴的负半轴。同理，图２－２（Ａ）中演化后的绿色曲线在初始曲线的外部，ｄ??符号为正，在三维空间上位于ｚ轴的正半轴。??符号距离函数极大的方便了水平集在对于点与曲线位置关系的表述，但是在??实际演化过程中，点与曲线位置关系的表达仍然存在缺陷。因为曲线往往需要进??行多次演化，当对演化曲线进行初始化之后，可以确定该次（第一次）演化过程??中点与曲线之间的距离和符号，但在第二次的演化过程中，其初始曲线变为第一??次演化之后得到的曲线，此时点与曲线的位置关系需要重新定义，才能根据符号??距离函数准确判断二者之间的位置关系，因此需要对水平集进行重新初始化。??（Ａ）?（Ｂ）??图２－２符号距离函数示意图??Ｆｉｇ．２－２?Ｔｈｅ?ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｓｉｇｎｅｄ?ｄｉｓｔａｎｃｅ?ｆｕｎｃｔｉｏｎ??１７??
?第三章基于局部灰度差异的自适应权重活动轮廓模型???域中像素点的总个数，Ｄ２（ｘ，ｙ）为中心点ｘ到该邻域内的像素点ｙ的欧氏距离。??需要注意的是，由于计算Ｄｉ（ｘ，ｙ）和Ｄ２（ｘ，ｙ）所用到的邻域大小是不同的，因此它??们代表的含义也是不同的。其中，Ｄｉｋｙ）用来计算演化曲线能量项的权重系数，??而Ｄ２（ｘ，ｙ）则是用来计算局部邻域的灰度均值。由公式（３－１）和公式（３－２）可知，图??像内像素点ｘ局部相似因子ＬＳＦ的计算是由两个步骤完成的：第一步，计算ｘ??点圆形邻域灰度的平均值。该步骤应用了公式（３－３）的均值平滑算子，对图像进行??了一定的平滑，减少了噪声的影响。第二步，计算ｘ点矩形邻域能量项的加权平??均值。在计算过程中，ｘ点的能量大部分取决于与它临近点的像素灰度，因为当??与ｘ点越远时，其所占权重越校综上所述，局部相似因子是定义于局部区域上??的，相比于ＬＢＦ模型的高斯核函数，它更能体现图像细节，且对噪声具有更高??的鲁棒性。??Ｈ??图３－１矩形邻域和圆形邻域关系图??Ｆｉｇ．３－１?Ｔｈｅ?ｒｅｌａｔｉｏｎｓｈｉｐ?ｂｅｔｗｅｅｎ?ｓｑｕａｒｅ?ｎｅｉｇｈｂｏｒｈｏｏｄ?ａｎｄ?ｃｉｒｃｕｌａｒ?ｎｅｉｇｈｂｏｒｈｏｏｄ??３．２局部灰度差异??针对ＬＢＦ、ＤＲＬＳＥ等模型在局部信息表达上的缺陷，本文引入了局部区域??灰度的差异信息，使局部区域的灰度信息得到更全面地表达。在统计学上，均值??和方差是测算数据集中性和离散程度最常用的指标，相比其它用于反映数据分布??情况的统计量，均值和方差计算更简单，且容易实现。因此在本文算法中，我们??２２??
本文编号：3397914
【文章来源】：南方医科大学广东省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
图１－１腮腺导管ＣＢＣＴ图像和舌癌肿瘤ＭＲＩ图像??
出其随时间ｔ变化的水平集函数，进??而使得复杂的曲线运动过程变为更高维函数的演化过程。??由上文可知，函数＝?０时是对曲线的隐式表达，则有当以时，??点落在曲线的内部，当时，点落在曲线的外部。在水平集函数的演化??过程中，通常用符号距离函数（Ｓｉｇｎｅｄ?Ｄｉｓｔａｎｃｅ?Ｆｕｎｃｔｉｏｎ，ＳＤＦ）来表示点与闭合演??化曲线的位置关系，其表达式如下：??＜／）［ｘ，ｙ，ｔ）?＝?±ｄ?（２－５）??其中ｄ为点（ｘ，ｙ）到曲线的最短距离，其符号取决于点在曲线内部还是曲线外??部。图２－２（Ａ）中红色曲线为初始曲线，则演化后的蓝色曲线是在初始曲线的内部，??此时其ｄ符号为负，在三维空间内的表达如图２－２（Ｂ）所示（ｚ轴表示ｄ的取值），??位于ｚ轴的负半轴。同理，图２－２（Ａ）中演化后的绿色曲线在初始曲线的外部，ｄ??符号为正，在三维空间上位于ｚ轴的正半轴。??符号距离函数极大的方便了水平集在对于点与曲线位置关系的表述，但是在??实际演化过程中，点与曲线位置关系的表达仍然存在缺陷。因为曲线往往需要进??行多次演化，当对演化曲线进行初始化之后，可以确定该次（第一次）演化过程??中点与曲线之间的距离和符号，但在第二次的演化过程中，其初始曲线变为第一??次演化之后得到的曲线，此时点与曲线的位置关系需要重新定义，才能根据符号??距离函数准确判断二者之间的位置关系，因此需要对水平集进行重新初始化。??（Ａ）?（Ｂ）??图２－２符号距离函数示意图??Ｆｉｇ．２－２?Ｔｈｅ?ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｓｉｇｎｅｄ?ｄｉｓｔａｎｃｅ?ｆｕｎｃｔｉｏｎ??１７??
?第三章基于局部灰度差异的自适应权重活动轮廓模型???域中像素点的总个数，Ｄ２（ｘ，ｙ）为中心点ｘ到该邻域内的像素点ｙ的欧氏距离。??需要注意的是，由于计算Ｄｉ（ｘ，ｙ）和Ｄ２（ｘ，ｙ）所用到的邻域大小是不同的，因此它??们代表的含义也是不同的。其中，Ｄｉｋｙ）用来计算演化曲线能量项的权重系数，??而Ｄ２（ｘ，ｙ）则是用来计算局部邻域的灰度均值。由公式（３－１）和公式（３－２）可知，图??像内像素点ｘ局部相似因子ＬＳＦ的计算是由两个步骤完成的：第一步，计算ｘ??点圆形邻域灰度的平均值。该步骤应用了公式（３－３）的均值平滑算子，对图像进行??了一定的平滑，减少了噪声的影响。第二步，计算ｘ点矩形邻域能量项的加权平??均值。在计算过程中，ｘ点的能量大部分取决于与它临近点的像素灰度，因为当??与ｘ点越远时，其所占权重越校综上所述，局部相似因子是定义于局部区域上??的，相比于ＬＢＦ模型的高斯核函数，它更能体现图像细节，且对噪声具有更高??的鲁棒性。??Ｈ??图３－１矩形邻域和圆形邻域关系图??Ｆｉｇ．３－１?Ｔｈｅ?ｒｅｌａｔｉｏｎｓｈｉｐ?ｂｅｔｗｅｅｎ?ｓｑｕａｒｅ?ｎｅｉｇｈｂｏｒｈｏｏｄ?ａｎｄ?ｃｉｒｃｕｌａｒ?ｎｅｉｇｈｂｏｒｈｏｏｄ??３．２局部灰度差异??针对ＬＢＦ、ＤＲＬＳＥ等模型在局部信息表达上的缺陷，本文引入了局部区域??灰度的差异信息，使局部区域的灰度信息得到更全面地表达。在统计学上，均值??和方差是测算数据集中性和离散程度最常用的指标，相比其它用于反映数据分布??情况的统计量，均值和方差计算更简单，且容易实现。因此在本文算法中，我们??２２??
本文编号：3397914
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3397914.html
最近更新
教材专著
