基于幾何模型之醫(yī)學(xué)圖像分割探微

《基于幾何模型之醫(yī)學(xué)圖像分割探微》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、基于幾何模型之醫(yī)學(xué)圖像分割探微-->第一章緒論1.1圖像分割的意義與簡(jiǎn)述伴隨著計(jì)算機(jī)技術(shù)的飛速發(fā)展，人類(lèi)社會(huì)的生產(chǎn)和生活也隨之發(fā)生改變。計(jì)算機(jī)技術(shù)己經(jīng)滲透在各行各業(yè)當(dāng)中，將人們從重復(fù)機(jī)械勞動(dòng)中解放，生產(chǎn)力得到長(zhǎng)足的發(fā)展。在發(fā)展的同時(shí)，人們提出了更多的需求，希望計(jì)算機(jī)進(jìn)一步的智能化，信息科學(xué)技術(shù)的逐漸成熟為這種需求提供了基礎(chǔ)。數(shù)字圖像是重要信息存儲(chǔ)形式，因此，對(duì)圖像相關(guān)處理技術(shù)的要求也相應(yīng)增高。數(shù)字圖像處理技術(shù)在各個(gè)生產(chǎn)領(lǐng)域得到越來(lái)越廣泛的應(yīng)用，例如交通、軍事、醫(yī)療等。在醫(yī)療領(lǐng)域，隨著造影技術(shù)的發(fā)展，B超、CT、MRI等技術(shù)已經(jīng)成為輔助醫(yī)

2、生決策的重要信息，極大提高了臨床診斷的準(zhǔn)確性，為定量分析提供數(shù)據(jù)支持。雖然醫(yī)學(xué)成像的范圍很廣，但是在臨床意義上，我們可以等同于放射成像或者“臨床成像”。針對(duì)這些技術(shù)產(chǎn)生的數(shù)字圖像帶來(lái)的相關(guān)問(wèn)題，人們?cè)趯?shí)踐中提出了很多計(jì)算模型和方法。這些工作的主要目的是從醫(yī)學(xué)圖像中提取出與對(duì)臨床診治有益的信息，可以分為幾個(gè)技術(shù)大類(lèi)：圖像分割，圖像融合，基于圖像的生理建模。醫(yī)學(xué)圖像計(jì)算是多個(gè)學(xué)科的交叉領(lǐng)域，綜合了計(jì)算機(jī)科學(xué)、數(shù)據(jù)科學(xué)、電子工程、物理學(xué)、數(shù)學(xué)和醫(yī)學(xué)等。醫(yī)學(xué)圖像分割技術(shù)是醫(yī)學(xué)圖像相關(guān)技術(shù)的基礎(chǔ)組成部分。分割技術(shù)為感興趣區(qū)域的獲取、特征提取、參數(shù)

3、測(cè)量等應(yīng)用服務(wù)，從而輔助更高層和抽象的醫(yī)學(xué)圖像理解和診斷的展開(kāi)。醫(yī)學(xué)圖像分割的應(yīng)用和研宄價(jià)值，具體表現(xiàn)：（1)用于目標(biāo)區(qū)域提取，分析和識(shí)別。例如，醫(yī)學(xué)圖像的配準(zhǔn)、病變器官的識(shí)別等；（2)用于器官、組織或病灶的形態(tài)學(xué)測(cè)量，形態(tài)學(xué)測(cè)量的數(shù)據(jù)包括尺寸、體積或者容積；（3)用于三維重建和可視化；分割的結(jié)果作為三維重建的輸入數(shù)據(jù)，醫(yī)生可以直接對(duì)感興趣器官逐一觀察，避免器官之間的互相干擾?！?.2醫(yī)學(xué)圖像分割的主要方法醫(yī)學(xué)圖像分割技術(shù)大致可以劃分為三個(gè)階段：人工分割、半自動(dòng)分割、自動(dòng)分割。人工分割由臨床醫(yī)生借助交互設(shè)備人為勾畫(huà)出組織的邊界，

4、其精度在所有分割方法中是最高的，現(xiàn)在一般用作判斷其他分割算法準(zhǔn)確性的標(biāo)準(zhǔn)。人工分割有大量的人機(jī)交互，浪費(fèi)時(shí)間和人力，分割結(jié)果會(huì)因?yàn)椴俚慕?jīng)驗(yàn)不同而受到影響。隨著計(jì)算機(jī)科學(xué)的發(fā)展而產(chǎn)生的，半自動(dòng)分割方法逐漸興起，計(jì)算機(jī)擔(dān)負(fù)了部分分割的工作，通過(guò)少量人機(jī)交互的形式，進(jìn)行圖像分割。與人工分割相比，由于機(jī)器運(yùn)算能力的介入，半自動(dòng)分割速度明顯提高，但仍有對(duì)人工的較強(qiáng)依賴(lài)。自動(dòng)分割技術(shù)極大程度地消除了分割過(guò)程人工介入的依賴(lài)，因此這類(lèi)方法產(chǎn)生的分割結(jié)果可以再現(xiàn)，是定量測(cè)量的基礎(chǔ)。缺點(diǎn)是算法比較復(fù)雜，幵發(fā)代價(jià)較大，某些算法中仍然需要人工的介入，例如，針對(duì)

5、不同器官，需要進(jìn)行算法參數(shù)的調(diào)整?！诙禄诙S可變形模型的分割理論2.1傳統(tǒng)的Snake模型可形變模型是近幾年受到廣泛關(guān)注的一項(xiàng)圖像分割技術(shù)。主要應(yīng)用于圖像分割、目標(biāo)跟蹤定位、三維重建、目標(biāo)檢測(cè)識(shí)別、圖像檢索和形狀恢復(fù)等領(lǐng)域。可形變模型利用訓(xùn)練數(shù)據(jù)和人的先驗(yàn)知識(shí)進(jìn)行建模，集成了感興趣目標(biāo)的幾何形狀限制和圖像特征來(lái)進(jìn)行圖像分割?？勺冃文Ｐ陀袃煞N主要形式：主動(dòng)輪廓模型、統(tǒng)計(jì)形狀模型。主動(dòng)輪廓模型在已知目標(biāo)形狀先驗(yàn)知識(shí)的假設(shè)下，通常這個(gè)先驗(yàn)知識(shí)來(lái)自于訓(xùn)練集，定義一個(gè)能表示形變輪廊自身特征的的能量函數(shù)。該能量函數(shù)由模型的內(nèi)部能量和目

6、標(biāo)圖像產(chǎn)生的外部能量組成。輪廓曲線的形狀在內(nèi)外力作用下發(fā)生改變。通過(guò)最小化能量函數(shù)，使得形變模型的曲線匹配圖像中的目標(biāo)輪廓。統(tǒng)計(jì)形狀模型從樣本集中得到形狀的統(tǒng)計(jì)變化特征，并通過(guò)對(duì)圖像中目標(biāo)形狀的擬合，從而實(shí)現(xiàn)圖像分割。本文接下來(lái)詳細(xì)介紹在二維醫(yī)學(xué)圖像中幾個(gè)主要模型的應(yīng)用，主要有傳統(tǒng)主動(dòng)輪靡模型（Snake模型），梯度矢量流場(chǎng)主動(dòng)輪廓模型（GradientVectorFloethod,LSM),主動(dòng)形狀模型模型（ActiveShapeModel,ASM),主動(dòng)表觀模型（ActiveAppearanceModel，AAM)。Snake模型，

7、也叫主動(dòng)輪廓模型（ActiveContourModel，ACM)。參數(shù)主動(dòng)輪廓模型由一條參數(shù)曲線表示[52,53].最小化能量函數(shù)為目標(biāo)，控制曲線進(jìn)行變形。最后，最小能量函數(shù)值對(duì)應(yīng)的閉合曲線為目標(biāo)區(qū)域的輪廓，即分割結(jié)果?！?.2GVFSnake模型梯度矢量流場(chǎng)（GradientVectorFlow,GVF)的出現(xiàn)，很大程度地改善了Snake模型捕捉范圍和四陷邊界捕獲能力。以Snake模型為基礎(chǔ)，用一個(gè)GVF外部力場(chǎng)替換傳統(tǒng)Snake的外部力場(chǎng),得到GVF主動(dòng)輪廓模型。水平集方法將所追蹤的平面表示為高維函數(shù)的水平集，可以通過(guò)對(duì)高維函數(shù)

8、方程的求解來(lái)確定界面的運(yùn)動(dòng)情況。圖2-3顯示二維平面上的界面區(qū)域嵌入三維連續(xù)函數(shù)的立體圖形的水平集割面，該圖可以看出，雖然平面上的拓?fù)浒l(fā)生了改變，但是三維上拓?fù)浣Y(jié)構(gòu)是不變的。水平集方法將復(fù)雜的低維信息表示為