基于变分偏微分方程的医学图像病灶的检测和分割

发布时间：2020-08-25 05:16

【摘要】：随着医学成像技术、信息技术和数学的不断进步,医学影像学得到了前所未有的发展和应用,极大提高了人民的健康水平和生活质量。然而,由于医学图像数量不断增加、对图像分析的精度和速度的要求大幅提高。相比于传统的手动分割对图像中感兴趣解剖结构或病灶组织,基于人工智能和数学原理的分割算法能够快速提供更稳定、精确、可重复性更高的分割结果。因此医学图像处理算法的研究成为当前研究的热点,也是精准医学发展的一个重要方向。在临床应用中,从单一或多模态的医学图像中精确的分割出病灶区域,能够为后续的精准诊疗、手术规划和导航以及疗效评估等提供可靠的依据。但是医学图像上的病灶分割也是一个极具挑战的任务。首先,医学图像质量普遍较低,这主要是由于低对比度、高噪声、不均匀的灰度分布等因素造成的图像降质;其次,由于成像手段本身的机理,会造成同样的医学图像中,相同的器官也可能呈现出不同的灰度特征。再加上呼吸心跳等原因引起的伪影或失真,以及人工效应等多种因素的存在,目标区域会出现边界模糊甚至边界缺失等问题。另外,由于个体解剖的差异,使得同类的病灶区域在同样的成像条件下呈现出不同的灰度、纹理和形态等特征。因此,从图像中充分挖掘有用信息,排除复杂背景可能带来的干扰,成为解决问题的关键。本文从这个角度出发,研究多种医学图像中可利用信息,对信息进行充分提取和有效利用,从而实现在低对比度、强噪声和缺失部分目标边界的医学图像中对形态多变的不同感兴趣区域进行有效分割。本论文的主要结果有:1、针对医学图像普遍存的高噪声和低对比度,以及组织器官可能呈现复杂纹理和不均匀的灰度等问题,提出一种基于信息融合的变分水平集框架下的分割模型。这个模型充分利用图像的灰度特征和自适应有效尺度上的Gabor纹理特征作为数据项,从而避免单一信息可能带来的偏差。考虑到医学图像上的不确定性,采用Dempster-Shafer证据理论对两部分信息进行融合,得到更可靠的分割依据。基于信息融合的新模型能够识别超声图像上目标的弱边界,排除复杂背景可能带来的干扰,实现更精确的分割,多种模态医学图像上的多种病灶的分割结果也证明了其有效性。另外,在对52幅肾脏病灶的超声图像进行分割的量化评估和与其他方法的比较中,本模型的分割结果的平均精确度为94.7%,平均Dice系数为92.8%,高于其它五种经典的分割方法;而平均绝对表面距离(MAD)和对称平均绝对表面距离(SMAD)分别为0.11和0.13,低于其它五种方法。比较结果表明,本模型所得到的结果比其他方法更接近ground truths,这种基于DS证据理论的分割模型是稳定和有效的。2、受微分几何中等周不等式的启发,提出一种新的针对形状的'紧性'特征的定量描述,这个形状先验被称为等周约束。通过将等周约束嵌入变分水平集框架,构造了一个针对广泛存在的紧性形状的分割模型。理论分析和实验结果表明,医学图像中,人体多种器官和结构以及病灶都表现为紧性形状,从而能够被带等周约束的模型精确分割。所提的分割模型的优势主要有:等周约束项是具有尺度不变性的,它不仅对目标形状起到了约束作用,实际上同时对目标区域的周长、面积、以及曲线的光滑度都有一定的控制作用;同时,等周约束控制了周长平方与面积的比值,从而可以有效地处理目标的边缘模糊或部分缺失的问题,因此能够在各类医学图像上对多种目标区域进行分割。对超声图像和CT图像分割结果的定量评估和与CV模型和BCS模型的对比结果也证明了所提出的等周约束模型可以提供更精确的分割结果。3、研究了等周形状先验分割CT图像上的肝癌病灶区域。实验表明,这种广义的紧性形状约束,对三种形态的肝癌区域的分割都是有效的,这一结果再次证明了对于紧性形状的约束适用于多种形状,包括微凹和不规则形状。同时,等周约束也能处理肝癌区域的边界模糊和部分缺失的问题。实验中,有一类特别的肝癌区域:它们纹理复杂,存在严重的灰度不均,且在灰度上与背景的区分度不大。在分割中,这类区域对初始化非常敏感,分割曲线极易被高梯度的伪边界所吸引。对于这类灰度严重异质区域,提出一种新的度量方法,对于区域的复杂程度进行量化评估,避免高复杂度区域内的伪边界对分割曲线的干扰。同时,研究了灰度不均匀情形下目标与背景的差异,通过区域相似度的比较来获得真正的目标边界。将区域复杂度和区域相似度这两个度量方法嵌入变分水平集框架中,提出一种新的针对灰度分布不均匀区域的分割模型。该模型对于初始化曲线的位置不敏感。在对60幅带不同类型肝癌病灶图像的分割实验中,该模型的平均准确率为92.3%,平均Dice系数为89.7%,相比于其他两种方法,分割结果更稳定,更接近ground truths。量化结果及比较结果表明,本方法对于分割这类表现复杂的肝癌区域是有效的。4、提出一种超声肾脏图像上多种病灶的自动检测方法。通过对医生人眼视觉识别病灶区域的模拟,对病灶区域进行自动检测。该方法从图像数据出发,通过与正常组织的比较得到病灶区域,由于不依赖于任何病灶的先验信息,因此能够对图像上多种不同纹理和不同形状的病灶区域进行检测。在检测结果的基础上,采用四种类型的图像局部信息,即,图像的灰度,改进的GoD-LBP局部纹理特征,边界算子,以及视觉显著性的能量平衡项,嵌入到改进的水平集框架中对目标区域进行分割。在分割过程中,真实的病变区域被精确分割,同时,伪目标区域被排除。为了评估该方法的效果,我们在肾脏超声图像上分别进行了肾囊肿和肾癌区域的自动分割实验,对于肾囊肿的平均准确率和Dice系数分别为95.33%和90.16%,对肾癌区域的平均准确率和Dice系数分别为94.22%和91.13%。与其它三种分割方法相比,本方法也提供了更接近ground truths的分割结果。此外,由于该方法利用与正常组织以及健康器官的特征对比得到检测结果,而不依赖于病变组织的特异性特征,因此,这种方法可以扩展到处理其他器官以及不同类型病变中。
【学位授予单位】：南京理工大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TP391.41;O175.2
【图文】：

图３．２：左：原始Ｂ超图像，右：它的Ｇａｂｏｒ特征逡逑个相关问题的概率。这些信度值可能没有概率的数学性质，它们与概率的差异大小逡逑将取决于这两个问题有多相关。逡逑３．１．４邋ＤＳ理论中不同来源的证据的表示逡逑ｅ被称为是识别框架，它是所有可能性假设的集合，定义为：逡逑ｅ邋＝邋｛Ａ，认，…，Ａｖ｝．逡逑识别框架ｅ的指数集为２ｅ邋（即ｐ（ｅ）），它包含有２Ｗ个元素：逡逑基本概率指派函数ｍ，也被称为是ｍａｓｓ函数，是定义在逡逑集合上的：ｍ邋：邋２ｅ邋—＞邋［０，１］。一个ｍａｓｓ函数ｍ

本文编号：2803310