MRI脑肿瘤图像分割及三维重建
发布时间:2020-12-03 02:28
脑肿瘤是严重危及患者生命安全的疾病之一,脑部组织结构复杂,给医生的诊断治疗带来了很大的困难。磁共振成像(MRI)技术具有对人体没有辐射影响、对结构组织成像效果好且能实现任意方位断层成像等优点,因此医生常用MRI脑肿瘤图像对脑肿瘤进行分析处理。脑肿瘤图像分割算法以及三维重建技术的研究有利于医生直观地观察到肿瘤的形状、大小等特征,对疾病诊断和手术治疗具有非常重要的意义。本文采用基于稀疏表示理论的稀疏子空间聚类算法对多模态脑肿瘤图像实现肿瘤分割,然后采用移动立方体(MC)算法对分割后的脑肿瘤图像进行三维重建。本论文的主要研究内容如下:(1)单一模态脑肿瘤图像对脑肿瘤难以全面描述。为了研究如何有效融合多模态脑肿瘤图像的肿瘤信息,本文以稀疏子空间聚类算法为基础,分别从基于单一模态分割和基于多模态融合对多模态脑肿瘤图像分割进行分析研究。实验表明,对于二维多模态脑肿瘤图像,基于差分操作的多模态脑肿瘤图像分割方法在主观评价和客观评价方面都取得较好的分割结果。(2)不同特征对肿瘤分割结果的影响不同。为了更好地利用多模态脑肿瘤图像信息,本文提出了基于特征区分的多模态脑肿瘤图像分割方法。该方法由多模态脑肿瘤...
【文章来源】:哈尔滨理工大学黑龙江省
【文章页数】:74 页
【学位级别】:硕士
【部分图文】:
多模态脑肿瘤图像
第 2 章 多模态 MRI 脑肿瘤图像分割代表着图像上的像素点,图上的每条边代表着像素点在图像的权重值代表着两个节点属于同一区域的可能性,最后根据,从而实现图像分割。基于梯度下降的分割方法,是一种利,首先给出一个初始的聚类,利用梯度下降的方法对上一次正,不断迭代,直到满足收敛条件。如图 2-3 所示,给出了 割效果图。a) N-cuts 分割结果 b) SLIC 分割结果
哈尔滨理工大学工学硕士学位论文K个,由于聚类中心是均匀分布,故单个超像素的大小近似为N /K,则类中心的距离为 S N K 。(2)更新聚类中心(种子点)。为了避免聚类中心落在 ROI 轮廓边界种子点的3 3的邻域内,选择梯度值最小的点作为新的种子点。图像梯算公式为2 2G ( x, y ) L( x 1, y ) L( x 1, y ) L( x, y 1) L( x, y 1)中: L ( x, y )是特征向量[l , a, b] 。(3)像素点打标签,即判断种子点邻域内的像素点属于哪一个聚类中IC 的搜索范围为2 S 2S ,可以加速收敛速度,这点与 K-means 算法有很,图 2-4 显示了 SLIC 和 K-means 的搜索范围。
【参考文献】:
期刊论文
[1]基于对称信息和主动轮廓模型的脑肿瘤分割系统[J]. 李丹仪,李卫锋,廖庆敏. 清华大学学报(自然科学版). 2013(07)
[2]磁共振灌注成像的原理及其在脑肿瘤诊断与分级中的应用[J]. 刘灿,高燕华,徐效文,喻罡. 中国医学影像学杂志. 2012(12)
[3]脑多发胶质瘤影像与病理对照研究[J]. 金晶,周义成. 中国医学影像学杂志. 2012(02)
博士论文
[1]基于图的医学图像分割方法研究[D]. 肖阳.南方医科大学 2017
[2]基于模糊聚类及活动轮廓模型的图像分割技术研究[D]. 江晓亮.西南交通大学 2016
[3]基于医学断层图像的网格生成技术研究[D]. 陈欣.国防科学技术大学 2013
硕士论文
[1]基于CT图像集表面建模的数据处理技术研究[D]. 谷静平.南京师范大学 2017
[2]基于MRI的脑肿瘤图像分割研究[D]. 张朋.浙江理工大学 2017
[3]基于fMRI数据的脑功能网络聚类研究[D]. 肖隽玮.南京理工大学 2017
[4]基于颅部医学图像的三维重建技术研究[D]. 白耀中.哈尔滨工程大学 2016
[5]MRI脑室图像分割与三维重建的REST Web服务设计与实现[D]. 赵建.河北师范大学 2016
[6]基于自由臂三维超声成像的脊椎二维轮廓线表面重建[D]. 王江.云南大学 2016
[7]脑肿瘤图像分割及三维重建方法研究[D]. 张雯.兰州交通大学 2016
[8]基于激光扫描的工业机器人路径识别与三维重建[D]. 王萌.河北工业大学 2015
[9]基于机器视觉的客流统计技术研究[D]. 李楠.哈尔滨工程大学 2015
[10]基于可信特征距离变换的模型匹配算法研究[D]. 岳妍.华中科技大学 2015
本文编号:2895841
【文章来源】:哈尔滨理工大学黑龙江省
【文章页数】:74 页
【学位级别】:硕士
【部分图文】:
多模态脑肿瘤图像
第 2 章 多模态 MRI 脑肿瘤图像分割代表着图像上的像素点,图上的每条边代表着像素点在图像的权重值代表着两个节点属于同一区域的可能性,最后根据,从而实现图像分割。基于梯度下降的分割方法,是一种利,首先给出一个初始的聚类,利用梯度下降的方法对上一次正,不断迭代,直到满足收敛条件。如图 2-3 所示,给出了 割效果图。a) N-cuts 分割结果 b) SLIC 分割结果
哈尔滨理工大学工学硕士学位论文K个,由于聚类中心是均匀分布,故单个超像素的大小近似为N /K,则类中心的距离为 S N K 。(2)更新聚类中心(种子点)。为了避免聚类中心落在 ROI 轮廓边界种子点的3 3的邻域内,选择梯度值最小的点作为新的种子点。图像梯算公式为2 2G ( x, y ) L( x 1, y ) L( x 1, y ) L( x, y 1) L( x, y 1)中: L ( x, y )是特征向量[l , a, b] 。(3)像素点打标签,即判断种子点邻域内的像素点属于哪一个聚类中IC 的搜索范围为2 S 2S ,可以加速收敛速度,这点与 K-means 算法有很,图 2-4 显示了 SLIC 和 K-means 的搜索范围。
【参考文献】:
期刊论文
[1]基于对称信息和主动轮廓模型的脑肿瘤分割系统[J]. 李丹仪,李卫锋,廖庆敏. 清华大学学报(自然科学版). 2013(07)
[2]磁共振灌注成像的原理及其在脑肿瘤诊断与分级中的应用[J]. 刘灿,高燕华,徐效文,喻罡. 中国医学影像学杂志. 2012(12)
[3]脑多发胶质瘤影像与病理对照研究[J]. 金晶,周义成. 中国医学影像学杂志. 2012(02)
博士论文
[1]基于图的医学图像分割方法研究[D]. 肖阳.南方医科大学 2017
[2]基于模糊聚类及活动轮廓模型的图像分割技术研究[D]. 江晓亮.西南交通大学 2016
[3]基于医学断层图像的网格生成技术研究[D]. 陈欣.国防科学技术大学 2013
硕士论文
[1]基于CT图像集表面建模的数据处理技术研究[D]. 谷静平.南京师范大学 2017
[2]基于MRI的脑肿瘤图像分割研究[D]. 张朋.浙江理工大学 2017
[3]基于fMRI数据的脑功能网络聚类研究[D]. 肖隽玮.南京理工大学 2017
[4]基于颅部医学图像的三维重建技术研究[D]. 白耀中.哈尔滨工程大学 2016
[5]MRI脑室图像分割与三维重建的REST Web服务设计与实现[D]. 赵建.河北师范大学 2016
[6]基于自由臂三维超声成像的脊椎二维轮廓线表面重建[D]. 王江.云南大学 2016
[7]脑肿瘤图像分割及三维重建方法研究[D]. 张雯.兰州交通大学 2016
[8]基于激光扫描的工业机器人路径识别与三维重建[D]. 王萌.河北工业大学 2015
[9]基于机器视觉的客流统计技术研究[D]. 李楠.哈尔滨工程大学 2015
[10]基于可信特征距离变换的模型匹配算法研究[D]. 岳妍.华中科技大学 2015
本文编号:2895841
本文链接:https://www.wllwen.com/linchuangyixuelunwen/2895841.html
最近更新
教材专著