多图谱医学图像分割的应用

发布时间：2020-09-03 18:27

　　随着科技的发展,人类已将脑部结构划分成了多个功能区,各个功能区掌管着人类不同的功能。故在疾病研究时,常常需要提取出相应的感兴趣区域(Regions ofinterest,ROI)通过其体积等特征的变化用于诊断和预测。对于ROI功能区的分割,虽然人工手动分割可以得到更高的分割精度,但是耗时耗力且可重复性差,故使用计算机技术进行全自动分割技术已经成为研究热点。基于多图谱图像分割技术在模式识别和医学图像分割领域中取得了较好的效果。本文将对如何更快更准确的获取分割结果展开研究。首先,本文将对目前的基于多图谱的分割算法进行详细介绍及其优缺点的分析,比如多数投票法(Majority Voting,MV)、全局加权投票法(Global Weighted Voting,GWV)、局部加权投票法(Local Weighted Voting,LWV)、非局部均值法(Non-Local Mean,NLM)和基于块的稀疏表示方法(Sparse Patch-based Method,SPBM)等。其次,对于目前基于多图谱的分割算法中表现较好的两种算法NLM和SPBM进行GPU并行加速,使其更快的得到分割结果,使其更满足临床需求。最后,当前的多图谱标签融合框架中存在两个关键问题。(1)忽略了图像域中特征与解剖标签的二进制域之间的显著差异。为最大程度地减少不同灰度差异而优化的权重不一定意味着是标签融合的最佳选择;(2)缺少对块的知识体系和对图谱块的评估。当前标签方法只利用目标块和图谱块之间的关系,而忽略了不相关的图谱块可能会主导投票过程。为了解决这些问题,我们提出了一个新颖的多图谱标签融合框架,以同时描述各种图像块(包括目标块和图谱块),并估计最终优化的内在标签融合权重,以最大限度地减少错误标签的风险。我们已经对我们提出的标签融合方法进行评估,将对海马体、基地神经节区域的深灰质和整个大脑的ROI进行分割,与其他先进的多图谱标签融合方法相比,我们的方法取得了显著的效果,提高了分割的准确性。
【学位单位】：杭州电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：R445;TP391.41
【部分图文】：

影像,大脑,图像分割,示例

测［２？６］。因为ＭＲＩ的图像较为清晰且图像分辨率较高得到医学工作者及研宄者逡逑的广泛认可，特别是脑部自动分割后ＲＯＩＳ的体积测量可以得到更高的精确度，逡逑故本文基于多图谱医学图像分割的应用的研究主要基于ＭＲＩ图像。如图１．１所逡逑示，左边是一个ＭＲＩ图像的大脑图像，右边是医学工作者按照大脑功能区域分逡逑割出来的ＲＯＩＳ，其中每种颜色表示一种ＲＯＩ。逡逑图１．１大脑图像分割示例逡逑在医学图像分割初期研宄中，受到了计算机硬件等限制，都是靠医学工作者逡逑手动完成的，因为那时图像扫描设备的限制，扫描层数较少且图像分辨率不高，逡逑手动完成的可能性较高。但随着生物成像技术的不断发展，为了更好的将扫描的逡逑影像用于疾病的诊断与预测，人们对图像质量有了更高地要求，随着扫描层数以逡逑及图像分辨率被不断的提高，人工手动完成的可能性就变得越来越低。再加上人逡逑１逡逑

谱图,图谱,图像分割,解剖结构

区所在的区域位置都基本固定，并且在形状上也非常类似，基于这一点，国内外逡逑在该领域的研究者使用最多的方法是基于图谱的图像分割方法。近年来基于图谱逡逑图像分割技术在实际应用中获得了相当不错的效果。如图１．２所示，左边每个逡逑ＭＲＩ图像对应一个标签图像，这两个放在一起被称之为图谱。当我们只使用一组逡逑图谱进行图像分割时，我们称之为单图谱；当使用图谱数量大于１时，就是本文逡逑主要阐述的多图谱。由图１．２可知基于图谱图像分割的最终目的是通过图谱和目逡逑标图像获取目标图像所对应的标签图像。逡逑在基于图谱的图像分割过程中，需要将图谱和目标图像映射到统一的空间域逡逑中，即就是配准。配准的精度直接影响到了分割结果的好坏，所以配准是基于图逡逑谱图像分割中的一个关键步骤。在这个过程中我们需要考虑到变换方法、相似性逡逑度量、参数优化以及图像插值等方面。其中，变换方法有刚体配准（如仿射变换）逡逑和非刚体配准（如Ｂ样条、薄板样条等）；相似性度量的目的是用来判断两幅图逡逑像配准结果的好坏，主要方法有误差平方和算法（ＳｕｍｏｆＳｑｕａｒｅｄＤｉｆｆｅｒｅｎｃｅｓ，ＳＳＤ）逡逑和互信息（Ｍｕｔｕａｌ邋Ｉｎｆｏｒｍａｔｉｏｎ，邋Ｍｌ）等；参数优化则是调整最优参数，经常使用的逡逑方法［５（）］有梯度下降法、遗传算法等；图像插值则是根据最终的映射函数将每个像逡逑素或体素点插值到最终配准后的图像中去

示意图,示意图,逻辑操作,图像

端处理等这些复杂的逻辑操作都是由ＣＰＵ来完成的；而像图像渲染等数据没有逡逑相互依赖的操作都是由ＧＰＵ来完成的。也正是因为ＣＰＵ和ＧＰＵ所处理的侧重逡逑点不同，所以它们的设计构架和目的是不同的。它们的构架区别如图２．２所逡逑不。逡逑１１邋ＡＬＵ邋Ｉ邋ＡＬＵ逡逑Ｃｏｎｔｒｏｌ邋逦逦逦邋＿逡逑ＡＬＵ邋ＡＬＵ邋■逦逡逑ｆｏｏｌｎｐ逦逦逡逑＿＿逡逑□邋１邋１邋１邋１邋１邋１邋１邋Ｉ逡逑ＤＲＡＭ逦１逦｜邋ＤＲＡＭ邋■画：Ｈ逡逑图２．２邋ＣＰＵ邋（左）和ＧＰＵ邋（右）的构架示意图逡逑１７逡逑Ａ逡逑

【相似文献】