資源描述：
《基于機器學習可變形模型的醫(yī)學圖像分割》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學術(shù)論文-天天文庫。
1、申請上海交通大學博士學位論文基于機器學習可變形模型的醫(yī)學圖像分割論文作者邵葉秦學號0110329028指導教師楊新教授專業(yè)模式識別與智能系統(tǒng)答辯日期2014年12月萬方數(shù)據(jù)萬方數(shù)據(jù)Submittedintotalful?lmentoftherequirementsforthedegreeofDoctorofPhilosophyinPatternRecognitionandIntelligentSystemDeformableModelbasedMedicalImageSegmentationviaMachineLearningY????S???SupervisorProf.X??Y?
2、??D???????A?????????,S???????E?????????????E???????E??????????S???????J???T???U?????????S???????,P.R.C????December,2014萬方數(shù)據(jù)萬方數(shù)據(jù)上海交通大學學位論文原創(chuàng)性聲明本人鄭重聲明：所呈交的學位論文，是本人在導師的指導下，獨立進行研究工作所取得的成果。除文中已經(jīng)注明引用的內(nèi)容外，本論文不包含任何其他個人或集體已經(jīng)發(fā)表或撰寫過的作品成果。對本文的研究做出重要貢獻的個人和集體，均已在文中以明確方式標明。本人完全意識到本聲明的法律結(jié)果由本人承擔。學位論文作者簽名：日期：年月日
3、萬方數(shù)據(jù)萬方數(shù)據(jù)上海交通大學學位論文版權(quán)使用授權(quán)書本學位論文作者完全了解學校有關(guān)保留、使用學位論文的規(guī)定，同意學校保留并向國家有關(guān)部門或機構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱。本人授權(quán)上海交通大學可以將本學位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進行檢索，可以采用影印、縮印或掃描等復(fù)制手段保存和匯編本學位論文。保密，在年解密后適用本授權(quán)書。本學位論文屬于不保密。（請在以上方框內(nèi)打“X”）學位論文作者簽名：指導教師簽名：日期：年月日日期：年月日萬方數(shù)據(jù)萬方數(shù)據(jù)萬方數(shù)據(jù)萬方數(shù)據(jù)上海交通大學博士學位論文摘要基于機器學習可變形模型的醫(yī)學圖像分割摘要隨著現(xiàn)代醫(yī)學成像技術(shù)的不斷進步，
4、醫(yī)學圖像為醫(yī)生無創(chuàng)診斷和后續(xù)治療提供了有效的手段。從醫(yī)學圖像中準確的分割醫(yī)生感興趣的組織，是計算機輔助診斷和手術(shù)規(guī)劃的一個基本而重要的步驟。分割結(jié)果的精度在很大程度上會影響醫(yī)生對疾病真實情況的判斷，進而影響診斷結(jié)論和治療方案。因此，準確的醫(yī)學圖像分割對基于影像的臨床診斷和治療具有重要的意義。然而，準確的醫(yī)學圖像分割是一個具有挑戰(zhàn)性的問題。由于成像機理、目標器官的運動、解剖結(jié)構(gòu)的復(fù)雜性和周圍組織與病灶的干擾等原因，很多情況下醫(yī)生感興趣的目標器官在圖像中沒有明確的邊界，而且器官的形狀和外觀也不盡相同。這些使得醫(yī)學圖像分割一直成為醫(yī)學圖像處理的一個研究熱點。本文討論了基于機器學習可變形模型
5、的醫(yī)學圖像分割。在分析現(xiàn)有方法的基礎(chǔ)上，詳細討論了可變形模型的兩個重要部分：外觀模型和形狀模型。為了增強目標器官的邊緣，我們提出了基于邊緣回歸的外觀模型及基于稀疏學習的局部外觀模；為了更好的建模器官形狀，我們提出了基于稀疏學習的局部形狀模型。在此基礎(chǔ)上，針對具體的臨床應(yīng)用，把提出的外觀和形狀模型應(yīng)用到三維前列腺與直腸和二維肺場的分割中，取得了滿意的分割效果。本文的主要工作和貢獻如下：1.提出了一個新穎的基于邊緣回歸的外觀模型。目前，回歸森林主要用于二維器官標記點和邊界框的檢測，通過給活動形狀模型上的每個點訓練一個標記點檢測器，引導可變形模型分割目標區(qū)域。然而把回歸森林應(yīng)用于三維圖像時
6、，由于三維形狀模型上大量的頂點和為標記點檢測器建立三維點對點對應(yīng)關(guān)系的困難，作為標記點檢測器的回歸森林不適合用來引導三維可變形模型。本文引入隨機森林作為邊緣回歸器為整個目標器官的邊緣投票。算法根據(jù)圖像體素的局部外觀特性，使用回歸森林預(yù)測從給定的體素到最近目標邊緣點的三維偏移量。依據(jù)預(yù)測的結(jié)果，從—i—萬方數(shù)據(jù)基于機器學習可變形模型的醫(yī)學圖像分割上海交通大學博士學位論文不同的位置給目標器官的整個邊界投票，得到邊緣投票圖。然后通過沿每個模型點的法線方向?qū)ふ易畲笸镀蔽恢?，邊緣投票圖可以把可變形模型引導到目標邊緣上。這樣，基于邊緣回歸的外觀模型避免了訓練數(shù)量巨大(和模型點數(shù)相同)的標記點檢測
7、器，以及建立準確的三維點對點對應(yīng)關(guān)系。2.提出了一個新的基于稀疏學習的局部外觀模型。在傳統(tǒng)的ActiveShapeModel(ASM)中，基于手動標記點的外觀模型假設(shè)是服從高斯分布的。然而這個假設(shè)在許多的應(yīng)用中并不成立。為了解決這個局限性，基于稀疏學習的局部外觀模型通過聚類的方式將目標邊界分成外觀變化一致、空間連續(xù)的邊界段。在每一個邊界段上，算法學習一個判別字典，建立一個基于稀疏表示分類的局部外觀模型。然后，根據(jù)稀疏表示的殘差把每個體素分類為目標區(qū)域和背景
