基于聚类水平集的医学图像分割算法研究与实现

发布时间：2020-11-12 08:25

　　近年来,随着计算机科技和医疗技术的迅猛发展,具有医学影像分析功能的医学诊疗仪器已全面应用于临床诊疗中。如今的临床诊断常常会利用X光投射、B超检查等先进影像技术辅助治疗和诊断,生成的医学图像可以为医生提供包括形状,大小,位置等丰富的组织器官基本信息。使医生可以全面、精准地认识人体内发生的生理和病理变化的过程,甚至可以提前预测某些疾病的发展。而在临床诊疗的过程中,医生常需要对某组织器官或其部分详细查看,这就需要生成的医学图像边界清晰、内容丰富,且能真实有效的反映出组织器官的基本信息。医学病理发现人体内的组织存在个体结构差异性和排列不规则性,而医学诊疗仪器在成像过程中也会受外界环境干扰及其他成像设备影响,上述诸多原因导致医疗诊断仪器很难获得边界清晰、内容充实的医学图像。所以深入探究医学图像分割领域,能够促进医疗成像技术的发展,加快现代医疗的发展进程。针对上述背景,本文对图像分割领域的相关理论和算法进行研究。首先,由于医疗成像产生的医学图像具有噪声和不一致的特点,考虑使用聚类对这些图像进行清洗和去噪。在聚类的过程中将像素划分为不同的簇,既能将相似的像素划分为一簇,形成边界,又能清除孤立的噪声点。然后,借此提出基于Nystrom方法的变分水平集图像分割算法,算法使用Nystrom估计的谱聚类方法聚类图像中的像素点,通过取样图像中的像素,进而近似估计特征向量和相似矩阵,再利用谱聚类方法聚类图像中的像素点,形成聚类图像。最后,利用最小化区域拟合能量模型将用户绘制的初始化兴趣区域驱动至轮廓边缘,直至满足收敛条件。后又为分割含有弱边缘或复杂内部轮廓的医学图像修改上述算法,考虑剪切波在高维数据中多尺度、多方向分析的优点和在边缘检测中的应用,使用Shearlet优化上述算法。算法将聚类后得到的图像使用离散的Shearlet变换检测到基本图像边缘,最大化保留图像的边缘信息,再使用水平集的能量驱动函数促使初始化轮廓演化至图像边界,为使水平集函数与带符号距离函数之间的距离保持规律性,能量驱动函数设定水平集正则化项及惩罚项。最后为了验证上述算法,本文利用Matlab搭建图像分割仿真模拟平台,平台不仅囊括经典图像分割算法,还包含本文算法。平台可读取普通自然图像,也可读取医学格式的图像,用最终目标边界的相似度和分割时间评定不同算法的性能。实验证明改进后的算法具有鲁棒性,与标准模板相比,分割结果维持较高的相似度,极大节约计算时间。
【学位单位】：山东理工大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：R445;TP391.41
【部分图文】：

截面图,水平集,截面图,法线