腦部腫瘤mr畫面分割算法的分析

《腦部腫瘤mr畫面分割算法的分析》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。

1、腦部腫瘤MR畫面分割算法的分析-->1緒論隨著醫(yī)學(xué)影像技術(shù)的飛速發(fā)展，近年來醫(yī)學(xué)影像已成為醫(yī)學(xué)診斷中最為活躍的研究領(lǐng)域之一。醫(yī)學(xué)影像分割是醫(yī)學(xué)圖像處理和醫(yī)學(xué)分析中的一項(xiàng)重要技術(shù)，在疾病診斷、病變組織定位及計(jì)算機(jī)指導(dǎo)手術(shù)等各種場(chǎng)合得到了廣泛的應(yīng)用。由于核磁共振成像(MRI)具有高質(zhì)量的圖像顯示效果，所以被廣泛的用于醫(yī)學(xué)成像中，而對(duì)于腦部腫瘤的檢測(cè)就是較為重要的應(yīng)用之一。將核磁共振成像用于腦部腫瘤的檢測(cè)以及分割上，對(duì)于醫(yī)學(xué)診斷是非常重要的，因?yàn)樗峁┝藢?duì)于制定治療計(jì)劃和病人跟蹤系統(tǒng)所必要的解剖結(jié)構(gòu)和

2、潛在的異常組織的信息。腦部腫瘤的分割也可以有利于建立通用的病變大腦模型和圖譜。精確的腦組織分割對(duì)于制定放療計(jì)劃、外科手術(shù)計(jì)劃以及腦腫瘤結(jié)構(gòu)的3D可視化等應(yīng)用研究具有重要的意義[1]。..........2基于FCM算法的腦部腫瘤圖像分割2.1聚類分析聚類也被稱為聚類分析，聚類分析是一種用數(shù)學(xué)方法研究和處理事物的分類的方法。聚類算法是一種無監(jiān)督的分類方法。無監(jiān)督的圖像分割方法是根據(jù)圖像像素間的相似性進(jìn)行分割，無需對(duì)目標(biāo)對(duì)象的特征進(jìn)行優(yōu)化，整個(gè)過程不需要人工干預(yù)，從而使分割方法具有一定的自動(dòng)化和智能

3、化。聚類算法是根據(jù)樣本間的相似性測(cè)度進(jìn)而對(duì)一個(gè)沒有類別標(biāo)記的樣本集進(jìn)行劃分的，即將樣本中相似的數(shù)據(jù)點(diǎn)或者目標(biāo)點(diǎn)歸為一類的一種數(shù)學(xué)方法。2.2K均值算法Zadeh于1965年發(fā)表了論文《模糊集（FuzzySets）》，首次引入表達(dá)事物模糊性的隸屬度函數(shù)的概念，并提出了用模糊理論來研究不確定性和不精確性，從而創(chuàng)建了模糊集合理論[16]。在傳統(tǒng)的集合理論中，元素與集合之間的隸屬關(guān)系是N:1的對(duì)應(yīng)關(guān)系，即元素對(duì)于集合的歸屬性不存在中間狀態(tài)；而在模糊集合中，元素與集合的隸屬關(guān)系是N:N的對(duì)應(yīng)關(guān)系，即元素對(duì)

4、于集合的歸屬性是多樣的。從圖2-1(c)和圖2-1(f)可以看到FCM算法可以把K均值算法無法提取的腫瘤輪廓分割出來，算法的分割效果遠(yuǎn)優(yōu)于K均值算法。FCM算法由于引入了模糊集合理論，所以在分割過程中能夠保留更多的原始圖像信息，比K均值算法具有更好的魯棒性。因?yàn)镕CM算法可以有效地分割邊緣模糊、低對(duì)比度的圖像，所以該算法被廣泛應(yīng)用于醫(yī)學(xué)圖像分割中，其獨(dú)特的優(yōu)勢(shì)在腦部腫瘤MR圖像的分割中也被顯示出來。3基于數(shù)學(xué)形態(tài)學(xué)分水嶺算法的腦部腫瘤圖像的分割....................123.1數(shù)

5、學(xué)形態(tài)學(xué)基本運(yùn)算.........................................123.2灰度圖像形態(tài)學(xué)處理.........................................154基于GVFSnake模型的腦部腫瘤圖像分割............................234.1傳統(tǒng)的Snake模型...........................................234.2Snake模型的兩種外力改進(jìn)模型...............

6、.................255總結(jié)與展望........................................395.1本文工作總結(jié)....................................395.2展望........................................394基于GVFSnake模型的腦部腫瘤圖像分割4.1傳統(tǒng)的Snake模型對(duì)GVFSnake模型進(jìn)行仿真實(shí)驗(yàn)，并與傳統(tǒng)的Snake模型和氣球力Snake模型進(jìn)行比較。圖4-1是GVF

7、Snake模型對(duì)U型物體檢測(cè)結(jié)果。從圖4-1(b)和圖4-1(c)的可以看出，GVFSnake模型能夠收斂到U型物體的底部，而且所需的迭代次數(shù)比較少。在設(shè)置的初始輪廓相同的情況下，傳統(tǒng)的Snake模型經(jīng)過了500次的迭代后，仍然不能收斂到凹陷區(qū)域的底部，并且在繼續(xù)增加迭代次數(shù)的情況下，輪廓線停止迭代收斂，不能完成對(duì)深度凹陷物體的分割；而GVFSnake模型僅進(jìn)行了100次迭代，就能夠很好的收斂到凹陷區(qū)域的底部。比較可得，GVFSnake模型比傳統(tǒng)的Snake模型有更大的捕捉范圍，能夠收斂到凹陷物

8、體的底部區(qū)域。4.2Snake模型的兩種外力改進(jìn)模型圖4-2是GVF模型與目標(biāo)邊緣相交時(shí)的檢測(cè)結(jié)果。將圖4-2(b)和圖4-2(c)的進(jìn)行比較，圖4-2(b)顯示了GVFSnake模型在迭代100次就能收斂到凹陷區(qū)域的底部；而在同樣的初始輪條件下，圖4-2(c)表明，高斯力Snake模型即使在迭代了2000次后，依然無法收斂到凹陷區(qū)域的底部，而是收斂到了局部極值處?？梢钥闯?，GVFSnake模型解決了傳統(tǒng)Snake模型對(duì)初始輪廓的位置過于敏感的問題。.........5總結(jié)與展望5.1本文工作總