图像分割的若干数值建模方法研究

发布时间：2022-01-27 11:53

　　本文首先提出了一种基于局部信息的相场分割模型,在新模型中采用了双势阱函数结合局部信息的策略。模型不仅保持了传统分割模型的优点,同时嵌入图像的局部信息以增强图像分割效果。Γ收敛性分析显示新模型具有稳健性,也为分割模型系数参数的选择提供一种新的估计方法。论文分析比较了各类图像的分割结果,其中包括二维的多分支血管以及三维脑部MRI图像。所提出分割方法和局部拟合模型、Chan-Vese模型以及局部Chan-Vese模型对比显示我们模型在计算二维多分支血管问题时CPU时间最小,在三维脑部图像分割问题中,通过求解经典的Dice以及Jaccard指标值,我们的模型有较好的分割效果。其次,本文也建立了MRF与Box样条的等价性关系,数值实验中比较箱样条基边缘分割算子与多种经典的边缘提取算子的分割效果,数值结果显示箱样条基在提取边缘特征提取有一定优势。最后,总结了现代医学图像分割中深度学习的网络结构,其中包括FCN网络结构、U-Net结构以及Mask R-CNN结构等,并且用U-Net结构训练医学图像标准数据集获得较好的分割准确性。 

【文章来源】：浙江大学浙江省211工程院校985工程院校教育部直属院校

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

3左边是原始MRI脑部图像，右边是它的标准测试集.

浙江大学硕士学位论文2基于边界的经典变分模型图2.4.2展示的是采用不同方法的多分支脑血管图像的分割结果。从图中明显可以看出经过600次迭代和时间14.750s，CV模型仍然不能分割最明显的脑血管部位图2.4.2(a).但是LBF，LCV以及LPF模型有类似的分割效果见图2.4.2(b),及2.4.2(c)以及图2.4.2(d)。在这个数值算例中LBF模型花费了1.30s迭代次数为30次。LPF模型花费了1.8906s，迭代次数为12次,以及LCV模型花费了9.125s，迭代次数为80次。我们得出结论，LPF模型和LBP模型比LCV模型花费更少的迭代和时间来分割多分支脑血管图像。2.4.2三维MRI脑图像的灰度和白质分割大脑是人体最复杂和最主要的器官，因此对灰质和白质等解剖学脑组织进行定量分析，对神经系统疾病的临床诊断和治疗具有重要意义[58].在我们实例中三维MRI图像来源于BrainWeb1,如图2.4.3和如图2.4.4所示，图2.4.3左边是原始MRI脑部图像，右边是它的标准测试集.图2.4.4三维MRI脑部图像(图2.4.3)的第80个切片，左边是原始MRI脑部图像，右边是标准集.在下面的论文中，我们使用所提出的LPF方法来分割3D基准MRI脑图像3D分割过程见图2.4.5.为了进一步探究三维图像的分割进程，我们画出第80个切片见图2.4.6.1://....//.18

5三维脑部MR医学图像分割过程


本文编号：3612438