当前位置:论文网 > 论文宝库 > 医学论文 > 基础医学论文 > 正文

研究模型之医学图像分割论

来源:UC论文网2015-12-03 17:42

摘要:

1引言 1.1研究背景和意义 计算机技术以及计算机断层扫描技术(Computed Tomography, CT)、核磁共振成像(Magnetic Resonance Imaging, MRI)等影像技术的发展,使得医学图像处理领域取得了一定的进展,

1引言


1.1研究背景和意义
计算机技术以及计算机断层扫描技术(Computed Tomography, CT)、核磁共振成像(Magnetic Resonance Imaging, MRI)等影像技术的发展,使得医学图像处理领域取得了一定的进展,尤其在图像分割、图像配准、运动分析以及图像引导手术等方面获得了巨大的进步,与此同时医学影像技术也逐渐成为目前疾病诊断与治疗的重要手段之一,它为临床医学的实践与应用提供了必要的依据。图像分割在实际生活中有着广泛的应用,如遥感图像和医学图像的分析、安全监视、工业自动化等领域,不管是科学研究工作者还是工程师都一直高度重视对图像分割技术的研究和应用,目前为止已经提出了上百种的分割算法,但是这些研究成果主要是针对某一类型图像或者某一具体的应用实例进行处理的,针对不同的图像应用,没有一个通用而且有效的分割方法。医学图像分割是医学图像处理和分析的关键技术,不仅是图像配准、图像重建及可视化、手术介入式导航等技术的基础,也为临床组织病变提供计算机辅助诊断依据。在医学图像分割领域中,虽然已有多种分割算法,但是没有一种普遍适用于各种医学图像的分割方法。医学图像自身的复杂性,使得基于偏微分方程的图像处理技术成为图像处理研究领域中的热点,数值计算方法使得偏微分方程在求解时具有较好的稳定性,并且能够满足精确的图像分割需求。医学图像分割结果需要尽可能地保留感兴趣区域的信息,尽可能地接近真实解剖结构,有利于医生和专家对解剖结构或者病变部位进行观察与分析。一般来说,完全手动的分割方法能满足医学上的临床需求,但是费时费力,通常采用由用户参与交互的计算机处理方法,这种半自动交互式分割方法是目前实际应用中最受关注的,随着图像处理方法研究的深入,如何构建有效的自动分割算法将是未来研究工作的重点之一。
…………


1.2国内外研究现状
在临床应用中,为了达到医学诊断和治疗的目的,需要识别和分析图像中的感兴趣区域,并且需要将它们从图像中分离出来。图像分割是把给定图像分成各具特性的区域并提取出感兴趣的目标区域的过程和技术。由于医学影像技术不断发展和创新,目前已有成千上百种分割算法被提出,从分割的形式来分主要有完全手工分割、半自动分割和自动分割[1]。早期的图像分割一般是由人工完成,这种方法方便、简单,但是分割质量完全依赖分割者的经验和先验知识,具有一定的随机性,且非常耗时。随着计算机技术的普及与迅速发展,半自动分割技术得到了大力发展,它是将分割者的先验知识与计算机强大的数据处理能力结合起来,完成对医学图像处理的交互操作,半自动分割方法大大减少了人工因素的影响,并且具有分割精度高、分割速度快等优点,但是由于分割者的介入操作,使得这种方法在一定程度上也依赖人工处理。完全自动分割是将图像分割的工作全部交给计算机来进行处理,使用计算机自动来完成先验知识的输入与图像数据的处理,整个分割过程不需要人工进行干预,省时省力,且能达到分割精度要求,是目前图像分割技术研究的热点之一。早期的图像分割算法主要分为基于边界的分割方法和基于区域的分割方法两大类。基于边界的分割方法一般是利用图像的边缘、梯度信息来确定目标边界,主要有一阶差分算子和二阶算子,如一阶算子中的Sobel算子、Robert算子等,二阶算子中的Laplacian算子等[2],这类分割方法适用于对梯度明显的图像进行处理,而图像边缘模糊或者受噪声干扰时,采用该方法容易产生假边界或不连续的边界,影响分割精度;基于区域的分割方法主要依赖图像空间特征,如灰度信息、纹理及其他类型统计信息等,典型的方法有阈值分割、聚类、区域生长等,该类方法基于图像的全局信息,因此对噪声不敏感,鲁棒性好,但是分割质量的好坏往往与某些条件的选取密切相关,往往这些限定条件的选择成为分割的关键。
…………


2图像分割原理及方法


2.1图像分割原理
医学图像中往往包含着临床所关心的有用区域或研究对象,为了进一步的分析,就必须将这些区域或研究对象分离出来,医学图像分割在医学工程中有着广泛的应用,它不仅能为临床中疾病的诊断和治疗提供可靠的依据,而且还能为医学图像配准、三维重建、医学图像挖掘等提供必要的数据处理工作。图像分割可通过集合的概念来进行数学描述:假设集合/表示图像的整个区域,P可以看成是相邻像素集合上的逻辑谓词,图像分割就是按照给定的约束条件将图像分成一些互不重叠的非空子集,这些非空子集对应的是图像中的各个分割区域,全部子集的并集则是给定的待分割图像。将这些分割区域分别表示为R,,R2,R,……图像分割的定义需满足下列条件: 在图2-1中,给定的每个条件都有着不同的定义以及限定:(1)完全性,表示每个像素作为最小单位进行分割得到各个不同的子区域,所有分割出来的子区域(即非空集合)能组成一整副图像;(2)互不重叠性,指出了分割后的非空子集是相互之间没有交集,图像中的每个像素只能属于某一个子集,即分割出来的各个子区域之间是不重叠的;(3)连通性,表明同一分割区域中的图像像素可以组成一个连通区域,在空间上是相互连通的;(4)一致性,说明分割出来的不同子区域应该具备区别于其他区域的一些共同特征,即同一个子区域中的像素具有一定相似性;(5)差异性,指出了分割出来的不同子区域之间应该具有一些各自不同的特性。
…………


2.2图像分割方法
图像分割相关理论的研究多年來一直受到人们的高度重视,随着计算机技术的飞速发展和数学理论的完善,图像处理领域中出现了大量的图像分割方法,目前为止图像分割领域没有通用的理论和方法,同时由于图像往往有灰度不均勾、内容复杂等特点,承一的图像分割方法不能取得满意的分割效果。目前的图像分割算法分为以下几类:基于阈值的分割方法、基于边缘检测的分割方法、基于区域的分割方法以及基于特定理论的分割方法等。阈值分割算法是实际应用中最常见的图像分割方法之一,它可以有效地将目标区域从背景中提取出来,尤其对灰度级较少且灰度差异明显的图像适用。阈值指的是用于区分目标与背景的灰度值,对图像进行阔值分割就是给定一个合适的灰度阈值,该阈值的选取非常关键,然后将图像中各个像素的灰度值都与这个设定的阈值做比较,并将相应的图像像素划分到不同的图像区域中。阈值分割假定同一个区域内的图像像素间的灰度值相近,但是不同图像区域中的像素在灰度上有着一定的差异,在灰度图像的直方图上往往表现为不同目标和背景对应着不同的峰值。如果图像中只有目标和背景两类,则只需要选取一个阈值,称为单阈值分割,此时阈值应该位于峰谷处,将各个不同的峰分开,阈值r的选取如图2-2所示。当图像中有多个背景和目标,则需要选取多个阈值将各个目标分割出来,称为多阈值法。
………


3主动轮廓模型和水平集方法....... 16
3.1 主动轮廓模型.

...... 16
3.1.1参数主动轮廓模型....... 16
3.1.2几何主动轮廓模型....... 19
3.2 水平集方法....... 20
3.2.1曲线演化理论....... 20
3.2.2水平集方法 .......22
3.3 本章小结....... 25
4算法实现及结果分析....... 26
4.1 传统 Chan-Vese 模型....... 26
4.2 Chan-Vese模型的改进....... 29
4.3 实验结果及分析....... 35
4.3.1 二维图像分割实验结果及分析....... 35
4.3.2图像序列分割实验结果及分析....... 40
4.4 本章小结....... 43
5 总结与展望.......44
5.1 总结....... 44
5.2 展望....... 44


4算法实现及结果分析


4.1传统Chan-Vese模型
Mumford-Shah模型(MS模型)是一个比较完美的模型,但在具体的求解中存在较大难度,因此许多学者提出了简化的Mumford-Shah模型,其中一种是由Chan和Vese提出的基于简化MS模型和水平集方法结合的Chan-Vese模型。Chan-Vese模型(CV模型)是一种经典的主动轮廓模型,它基于曲线演化和水平集方法,将主动轮廓线间接表达为水平集函数的零水平集形式,利用图像的全局信息,通过最优化能量泛函得到分割结果。在上式中,z>wzWe(C)是闭合轮廓曲线C的内部区域Q,,oMtoWe(C:)是闭合轮廓曲线C的外部区域Q,,其中内部区域和外部区域CI,组成了整个图像区域,传统的Chan-Vese模型基于图像全局信息,没有包含区域边界的局部特性,对场景复杂的图像很敏感,存在计算量大且容易越过图像边界的缺点。为了充分利用图像的区域和边界信息,在全局信息的基础上,引入图像梯度信息和轮廓曲线的图像局部信息,借助演化曲线来提取图像局部信息,再根据图像局部信息来进行能量函数的权重调节,根据演化轮廓线的位置来确定局部范围图像信息,既加强对边缘的检测,减少曲线内外部区域不均匀的负面影响,使其准确停止在目标边界处,又使得分割时间减少,提高了分割效率。


………


结论


随着计算机科学技术和医学影像技术的发展,医学图像处理与分析技术得到了快速的发展,极大地提高了医学诊断与治疗水平。借助计算机技术对医学图像进行处理,特别是对临床中人体组织、器官或病灶等感兴趣目标区域的分割提取、三维重建及可视化,可以更好地辅助医生或研究人员进行下一步的工作,进而可以极大提高医疗诊断与治疗的准确性和实时性。本文针对医学图像的特点,对目前已有的图像分割方法进行研究,提出了一种基于CV模型的医学图像分割算法,实验结果表明该算法能有效提取目标区域,取得了较为理想的分割结果。本文的主要工作如下:
(1)介绍了图像分割的研究背景、意义以及国内外研究现状,分析了常用的图像分割方法,重点阐述了一些相关算法的研究现状及存在的缺陷。
(2)阐述了基于水平集的图像分割及其相关理论,其中重点阐述了Chan-Vese模型及其优缺点,基于水平集的图像分割算法普遍计算量大,引入图像局部信息,介绍了改进的CV模型图像分割算法及实现过程,对实验结果进行分析,验证了算法的有效性。
(3)将二维图像的分割扩展为对医学图像序列的分割,利用Matlab软件实现相关算法,实验结果表明改进算法取得了较满意的分割效果。
……………
参考文献(略)

核心期刊推荐