核磁共振图像前列腺分割算法研究

发布时间：2017-06-12 13:13

  本文关键词：核磁共振图像前列腺分割算法研究，由笔耕文化传播整理发布。

【摘要】：放射治疗是治疗前列腺肿瘤的有效手段,其关键问题是对前列腺肿瘤的准确定位,包括其位置与形体大小,因此准确分割前列腺和周围器官是至关重要的。在MR图像上人工分割前列腺仍是常用方法,但由于前列腺形状差异性大、与相邻器官边界模糊、治疗过程中体积会变化等原因,使其人工分割虽然精确度较高,但主观性较大,耗时长。专家在MR图像上手动分割前列腺时,是利用已有经验,在图像上找出前列腺的边缘分界。基于多图谱的图像方法与此相似,在图谱集的标签图像上,保留了前列腺位置与形状的先验信息,当图谱越多时,这种先验的信息就越丰富,就越能找到与待分割的测试图像相似的图谱图像,将这些图谱图像以不同的权值组合,就可以非常近似地重建出测试图像,最后将这些图谱图像对应的标签进行融合,传播到测试图像上,最终完成对测试图像的分割。多图谱分割的优点是能从图谱中获取更多的先验的位置与形状等信息,这对于最终分割结果的准确度有很大的影响；另外,当图谱越多时,就越能适用待分割目标变化情况较多的情况,鲁棒性好,因此本文研究用多图谱分割的方式分割前列腺。为了使分割结果有个参照比较,本文先采用归一化互信息法,度量图像的相似性,以此来进行图谱选择,然后用流行的全局加权投票法,以归一化互信息法计算权重,来进行标签图像的融合,最终完成分割。图谱选择是从图谱集中,依据一定算法查找出与测试图像相似度最高的。图像是一个高维度的数据,需要从中抓住主要特征信息,忽略次要的信息,也就是要对图像数据进行降维处理,并且保留所需的形状特征信息。由于图谱选择是通过测试图像与图谱图像的相似度来进行的,主要目的是找到与测试图像上前列腺形状特征相似的图谱图像,因此在数据降维处理的时候,要保持数据的近邻不变性,这样在降维之后,在低维空间里就能用简单的欧氏距离来表示数据的本征距离了。同时,希望在计算好投影矩阵之后,对于新样本数据的加入,不需要重新计算,解决样本外问题,而局部保持映射算法正满足了这样的要求,它具有线性投影的性质,以及局部邻域关系保持的特点,和解决了样本外问题,以及运算快等特点,本文将研究局部保持映射算法图谱选择中的应用。由于在图谱选择中,前列腺在相似度中贡献并不大,因此完全可能出现所选择出的图谱图像中,前列腺与测试图像中的并不相似的情况,也有可能前列腺相似的图谱图像,由于受周围组织较大不相似的干扰,而没有被选中。因此有必要在计算相似度时,对感兴趣区域,即前列腺区域进行限制,而该区域正是标签图像所标示的部分,因此本文也研究用标签图像来约束降维投影过程,以增大前列腺区域在相似度计算中的贡献,提高图谱图像选择的准确性。图谱融合是指对所选择标签图像进行融合,其融合算法直接影响分割结果。全局相关性不能表示出不同情况前列腺的解剖结构的局部差异信息。局部加权投票算法和非局部均值的块加权算法解决了这一问题,局部加权算法不仅考虑图谱图像和测试图像的体素点,而且对该体素点周围的区域块,也分析计算其相似度,然后对该体素点赋予所得的权重,但此算法对前期的配准要求较高。而非局部均值的块加权算法则在一定程度上克服了这问题,它是在体素点周围一定范围内搜索更相似的块,而且非局部均值加权法只利用了距离平方和来进行相似性度量,计算不复杂,可适用于运算量较大的情况。本文研究在非局部均值的块加权算法的基础上,进一步扩大块搜索范围,在所有已选择的图谱范围内,搜索与测试图像块对应块及邻域块,来重建测试图像块,并且利用稀疏表示的思想,对参与重建的图谱图像块进行稀疏性限制,以得到优化的权重。综上,本文主要做了两方面工作。1)研究利用流形学习方法,对图像数据进行降维,在低维数据空间来选择图像图像；同时,研究利用标签图像,对感兴趣区域进行限制,以提高前列腺在图像相似性度量中的贡献。2)研究利用块加权的思想,以及稀疏表示方法,用所有图谱图像上,与测试图像块对应的块及其邻域块,来重建测试图像块,期望用最好且最少的图谱图像块来重建,以达到最好效果。在50组训练数据和18幅测试图像上进行了实验,对本文所提方法进行了验证。测试图像已给出了专家的分割结果,采用Dice系数和Hausdorff距离对本文分割结果和专家的分割结果进行比较,以判断本文所提方法的效果。实验结果表明,本文所提出的图谱选择和图谱融合算法,相较归一化互信息法为基础的图谱选择和融合算法而言,有一定的提高。
【关键词】：前列腺 MRI 图像分割 归一化互信息 流形学习 稀疏表示
【学位授予单位】：南方医科大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：R737.25;TP391.41
【目录】：

• 摘要3-6
• ABSTRACT6-13
• 第一章 绪论13-25
• 1.1 研究背景和选题意义13-17
• 1.2 多图谱图像分割方法17-22
• 1.2.1 图像配准18-20
• 1.2.2 图谱选择20-21
• 1.2.3 图谱融合21-22
• 1.3 实验数据22-23
• 1.4 本文主要工作23
• 1.5 章节安排23-25
• 第二章 相关理论概述25-48
• 2.1 流形学习25-26
• 2.1.1 流形学习的定义26
• 2.2 降维算法26-38
• 2.2.1 主成份分析26-29
• 2.2.2 多维尺度变换29-31
• 2.2.3 等距映射ISOMAP31-32
• 2.2.4 局部线性嵌入LLE32-35
• 2.2.5 拉普拉斯特征映射35-36
• 2.2.6 局部保持映射算法36-38
• 2.3 稀疏表示38-44
• 2.3.1 信号的稀疏表示41-42
• 2.3.2 过完备字典的构造42-44
• 2.3.3 稀疏表示在图像信号处理领域的应用44
• 2.4 评价方法44-46
• 2.4.1 Dice相似系数45
• 2.4.2 Hausdorff距离45-46
• 2.5 本章小结46-48
• 第三章 归一化互信息在图谱选择中的应用48-54
• 3.0 归一化互信息48-49
• 3.1 归一化互信息选择图谱49
• 3.2 分割实验49-53
• 3.2.1 图像预处理49-50
• 3.2.2 图谱配准与选择50-51
• 3.2.3 图谱融合51
• 3.2.4 实验结果51-53
• 3.3 本章小结53-54
• 第四章 基于流形学习的图谱选择54-69
• 4.1 基于LPP的图谱选择方法54-58
• 4.2 图谱选择中使用标签图像约束58-61
• 4.3 图谱融合61-62
• 4.4 分割结果及分析62-67
• 4.5 本章小结67-69
• 第五章 基于稀疏表示的标签融合方法69-82
• 5.1 块加权算法69-71
• 5.2 块相似度计算71-72
• 5.3 稀疏表示块加权算法72-74
• 5.4 基于局部线性的标签融合74-76
• 5.5 实验结果与分析76-81
• 5.6 本章小结81-82
• 第六章 总结与展望82-85
• 6.1 本文工作小结82
• 6.2 后续工作展望82-85
• 6.2.1 更多的实验82-83
• 6.2.2 数据库细化83-84
• 6.2.3 3D的分割研究84-85
• 参考文献85-96
• 读博期间发表的文章96-97
• 致谢97-98

  本文关键词：核磁共振图像前列腺分割算法研究，，由笔耕文化传播整理发布。

本文编号：444146