基于脑部胶质瘤的医学影像配准与融合研究

发布时间：2020-07-06 11:18

【摘要】：脑部肿瘤是较为严重的肿瘤疾病之一,目前与脑部肿瘤图像相关的研究愈加得到关注。对脑部胶质瘤图像诊断主要基于该部位CT和MRI切片扫描图像,且两者融合结果对脑部肿瘤诊断具有极大帮助。但是,CT与MRI图像之间的坐标体系是不对应的,现有针对该问题的配准算法计算耗时且精度低。同时配准好的图像使用现有的融合算法不能很好反应出CT与MRI图像的特性。目前并无相关的医学辅助分析诊断软件提供服务。因而本文中对以上相关内容进行分析研究。本文采用患者脑部CT图像和MRI T1图像作为研究样本素材,从图像预处理、图像检索、图像配准融合、胶质瘤分割等算法进行研究,并且进行了实验检验。主要内容有:(1)对医学图像进行对比度增强,增加图像的视觉体验。并去除CT图像中检查床,排除图像干扰。(2)从图像特征的角度使用不同的方式进行特征抽取,比较特征之间的近似程度,从而找出两种模态中最相似的图像。(3)使用主成分分析以及参数预估对图像配准算法进行改进,并且将其运用到多尺度配准上,提升了配准方法性能和结果精度。(4)对图像的频域和空域融合方法进行比较,并使用相关的融合图像评价准则对融合效果进行评估。使用CT值和骨窗图像与对应MRI图片融合,排除CT图像中无关像素的干扰。(5)使用GMM模型对图像灰度分布建模,确定最佳分割阈值,从而实现自动分割。使用深度学习的方法对图像进行分割,使得分割不再是对图像进行灰度分析而是使用更高层次的特征并通过学习进行分割,分割算法更加简便且智能。(6)为了能够对脑部胶质瘤从三维角度观测,本文对脑部胶质瘤分割结果实现了三维可视化。并且本文将涉及的算法进行实现并集成到了CT与MRI配准融合分析系统中。通过对本文中的算法实验表明,本文改进的多尺度对比度增强算法具有更好的视觉体验,自动相似图像检索算法具有较好的检索精度,图像配准算法相比原始方法在精度和效率上均有提升,采用特定区域的融合策略展现结果更清晰,GMM模型和深度学习的分割算法具有良好适应性和智能水平。
【学位授予单位】：电子科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：R739.41;TP391.41
【图文】：

直方图,直方图

一致性等不同因素的影响。这就导致采集到的数字医度、强度上表现不同。为了能够更好地从视觉上体现被师能方便地对病患部位进行诊断，就需要对数字医学影中也存在着数字医学影像的上述问题，需要对原始的这里主要探讨的是图像的增强算法，首先介绍了基于直噪算法。然后从图像多尺度分析的角度研究并改进了塔出了去除 CT 扫描中检查床干扰的算法。比度自适应直方图均衡算法方图图像增强算法会统计区域内的灰度分布，再将灰映射。其中不仅仅对有用的信息进行了操作，同样也对样的操作，这样就可能使得图像中的噪声得到了放大。可以采用上一节中的基于区域图像块中像素值的方差来机制还是不能满足实际的需求，这就需要对对比度直

直方图,插值,矩形区域

算法中对直方图的剪裁和重分布，已经能够实现图像噪声。在 CLAHE 中使用像素值插值的方式来改善运算：先将图像划分为大小下同的矩形区域 T，如图 2-2 右侧8*8，总共 64 个矩形区域 T。得到每个矩形区域 T 的直方图、CDF 及相应变换关系像素（图 2-2 左侧黑色实心矩形的位置）可以直接使用得到，而对于其它位置的像素就需要通过其与周围邻形区域（也即是四邻域）的相应变换关系插值运算给出通过与周围矩形区域 T 进行双线性插值得到的；对于法运算给出；而靠近图像角部分的像素点（图 2-2 左侧矩形区域 T 的变换函数运算得到。可知，在 CLAHE 中虽然增加了线性插值的计算量，但、直方图剪裁和重分布等操作，这样就极大提高了运算

脑部CT,扫描仪,脑部

电子科技大学硕士学位论文2.3 脑部 CT 扫描去床算法脑部 CT 扫描是对脑部进行切片扫描，之后医生通过观察脑部切片进行视觉检查。在进行脑部 CT 扫描的时候，需要使用如图 2-5 中（a）图所示的 CT 扫描仪可以看到在扫描仪的检查床上装有用于固定头部的 U 型槽。因为一般其材质为金属，所以会在脑部 CT 扫描的结果图片中包含它。

【相似文献】