超像素优化加速算法及其在胰腺分割中的应用

发布时间：2020-10-16 10:17

　　 超像素分割是图像预处理阶段,可以有效增强分割算法的性能和效率。目前性能最好的超像素分割算法是线性谱聚类(Linear Spectral Clustering,LSC),但是该算法的处理速度和分割效果还有一定提升的空间。此外,胰腺CT图像是医生诊断胰腺病变的重要参考依据,但是由于胰腺组织边缘模糊不清并且具有高度变异性,导致目前的胰腺分割方法得到的分割准确率较低。而超像素可以有效增强胰腺CT图像器官之间的边界信息。本文结合超像素的特点为胰腺分割提供了一种新的解决方案。因此,本文研究工作主要包含超像素优化加速算法及其在胰腺分割中的应用,具体研究内容如下:(1)提出应用采样优化方法提升LSC的处理速度,并且根据图像的纹理复杂度采取不同的采样比率。该方法在保证LSC分割性能不降低的前提下,有效提高LSC的速度。实验对比LSC算法,结果表明该加速方法提升了LSC的处理速度。(2)改进LSC的距离度量方式。在曼哈顿距离的基础上,针对非凸像素集合图像提出了一种优化的距离度量方法。实验对比LSC算法,结果表明该方法提高了LSC在非凸像素集合图像上的分割性能。(3)在(1)和(2)改进的LSC算法基础上,为了适应医学CT图像的特点,提出一种医学超像素分割算法(Medical Linear Spectral Clustering,MLSC)和一种新的区域合并算法。并结合超像素和区域合并提出一种新的交互式胰腺分割算法。实验结果表明该交互式方法的胰腺分割效果优于U-Net方法,但是和自动方法相比,交互式方法不满足计算机辅助系统的实际需求。(4)为了提高现有自动胰腺分割方法性能和改进(3)交互式胰腺分割方法的缺陷,提出一种结合超像素和U-Net的自动胰腺分割方法。实验对比前沿算法,结果表明该方法分割结果的准确度高于前沿胰腺分割算法。由以上研究内容可以总结出,本文基于采样加速与距离优化改进了LSC算法的处理速度和性能,并将改进的算法结合U-Net应用到胰腺分割中,提升了胰腺分割的准确性。
【学位单位】：西北大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP391.41;R816.5
【部分图文】：

2 2 2 p q p q p q ( )( ) ( ) ( ) ( ) ( )cos , sin , 2.55 cos , 2.55 sin ,2 2 2 212.55 cos , 2.55 sin , cos , sin ,2 2 2 2cos , sin2 2,c p c p c p c pc p c p s p s ps p s pq V q VC l C l C CC C C x C xpC y C yW p q p p q q = 上分析可以得出，通过公式（2.8）和（2.9）可以确定公式（2.1）具体形式，然后可以确定目标函数 的具体计算形式。在 LS像素映射到公式（2.9）定义的十维特征空间中，然后采用公式区域中计算图像像素和聚类中心像素的距离，将像素添加到距离聚类期间中不断更新聚类中心点 ，当聚类中心点 不再变化

(a) 纹理均匀和复杂度低的图像 (b)纹理不均匀和复杂度高的图像图 2 两类纹理特征图像章根据纹理特征将图像分为两类：（1）纹理均匀和复杂度低的图像；（和复杂度高的图像。如图 2 所示，我们可以明显比较出纹理特征不同章通过灰度共生矩阵(Gray-level co-occurrence matrix, GLCM)纹理特征分类。常用的 GLCM 特征有：1）能量：它是 GLCM 所有值的平方和并且是图像纹理灰度稳定性的像灰度平均性和纹理厚度。大的能量值表示当前纹理具有相对稳定的1 12,0 0N Ni ji jE P = == 2）熵：是衡量图像蕴含信息量的随机程度。熵值表示图像灰度随机程越高，熵值也越大。( )1 1lnN NE P P =

前为止还没有成熟的方法可以自动检测出图像中是否存在凹像素集合一种自动检测图像是否存在凹像素集合分布的方法。首先采用最新的语习网络 DeepLabV3+[41]将图像分割为多个类别，然后通过分别检测每一别中任意两个像素点之间连接直线上的点是否都在该集合中，判别是否合。XYXY(a)凸数据集 (b)凹数据集图 11 凹数据集和凸数据集
【参考文献】

相关期刊论文 前3条

1 王春瑶;陈俊周;李炜;;超像素分割算法研究综述[J];计算机应用研究;2014年01期

2 孙君顶;马媛媛;;纹理特征研究综述[J];计算机系统应用;2010年06期

3 高程程;惠晓威;;基于灰度共生矩阵的纹理特征提取[J];计算机系统应用;2010年06期

本文编号：2843123