醫(yī)學圖像分割與配準若干關(guān)鍵問題研究.pdf

1、醫(yī)學成像技術(shù)的快速發(fā)展和影像數(shù)據(jù)的高速增長對于醫(yī)學圖像處理與分析領(lǐng)域研究起到了巨大的推動作用。其中如何量化提取和分析圖像中蘊含的結(jié)構(gòu)、功能和病理信息，以便輔助醫(yī)生進行診斷、制定手術(shù)規(guī)劃和評估治療效果等，逐漸成為醫(yī)學圖像分析領(lǐng)域關(guān)注的熱點。醫(yī)學圖像分割和醫(yī)學圖像配準正是這些研究熱點的基礎(chǔ)和前提。但由于醫(yī)學成像中存在多種噪聲干擾、偽影等，以及各個組織器官、病變的多樣性以及個體差異性等，使得醫(yī)學圖像分割和配準中也存在很多難點問題。
　　

2、 在此背景下，為了能對醫(yī)學圖像進行更加魯棒、精確的目標分割和配準，本文研究思路主要遵循以下兩個方面:一是根據(jù)不同的應用背景設(shè)計適合的模型并進行改進;二是依據(jù)待分割、配準的目標來提取局部統(tǒng)計特征或者采用稀疏表示提取結(jié)構(gòu)性特征.并結(jié)合目標的先驗知識來指導模型優(yōu)化過程。所取得的研究成果如下:提出了基于局部統(tǒng)計相似度特征的主動輪廓模型和圖切分模型、基于LBP紋理特征的隨機游走模型、基于分布式判別字典學習的形變模型和層次式稀疏約束下的圖匹配模型

3、。本文主要研究內(nèi)容及創(chuàng)新之處如下:
　　 1.為了解決醫(yī)學圖像在弱邊界下分割泄露問題，將圖像的局部統(tǒng)計分布特征和Bhattacharyya相似度信息相結(jié)合并引入到測地線主動輪廓模型(Geodesic Active Contour，GAC)和圖切分（Grapb Cuts，GC）模型的能量函數(shù)構(gòu)造中。改進后GAC算法相當于為模型引入了一個基于似然比檢驗的回拉力，可有效阻止弱邊界處泄露;基于非參數(shù)估計的能量函數(shù)構(gòu)造更適用于小樣本和分布

4、函數(shù)不恒定的情況，使得改進GC模型更完整地提取圖像目標的細節(jié)部分。將改進GAC和GC模型應用至膝關(guān)節(jié)MRI序列分割，提出完整分割各骨骼與半月板等結(jié)構(gòu)的框架。在實驗與分析部分，進行了定量與定性的實驗對比。對噪聲與局部體效應影響下的膝關(guān)節(jié)MRI序列及其它醫(yī)學圖像，結(jié)果表明所提出的方法能夠有效提高分割精度。
　　 2.針對傳統(tǒng)隨機游走圖像分割方法僅考慮圖像邊界信息的局限性，通過求解融入紋理特征信息的對稱、半正定線性方程組，提出一種新的

5、基于隨機游走的紋理圖像分割算法。為了構(gòu)造該方程組，首先通過局部二元模式(Local Binary Pattern，LBP)算子來描述紋理，將圖像映射至不同紋理之間有顯著區(qū)別的LBP圖上，進而將其與梯度和幾何信息結(jié)合并構(gòu)造倒數(shù)型像素相似度，形成方程所需的權(quán)值矩陣，在隨機游走模型下使已標號區(qū)域向未知區(qū)域傳遞，從而實現(xiàn)紋理圖像分割。最后以紋理圖像、噪聲合成圖像、MRI、CT圖像為實驗對象來驗證算法的有效性。定性及定量實驗結(jié)果表明，在多目標分割

6、任務下，所提方法有更好的有效性和精確性。
　　 3.針對主動外觀/形狀模型中需要圖像外觀/形狀滿足高斯分布假設(shè)的局限性，提出了一種新的分布式判別字典（Distributed Discriminative Dictionary，DDD）學習算法，并與形變模型結(jié)合指導MR圖像中三維前列腺目標的自動分割。DDD學習算法可以非參數(shù)形式且有判別性地描述圖像外觀特征，從而引導形變模型的演化和分割過程。具體來說，DDD模型中主要采用了以下三種

7、策略來提高其判別能力。首先分布式判別字典學習算法通過mRMR特征選擇約束稀疏學習在一個高判別性的特征空間中。然后對稀疏學習后得到的表示殘差使用線性判別分析進行進一步學習分類，提高不同類別間分類性能。最后采用“分而治之”的思想取代傳統(tǒng)的全局字典學習，即先將形變模型沿前列腺邊界進行分塊，再對每塊單獨訓練得到一個判別字典，稱之為分布式學習。由于在局部區(qū)域中所蘊含的圖像外觀變化較小，故分布式字典學習可以更好的區(qū)分局部上的解剖組織類別。此外，在非

8、高斯分布形狀變化的情況下，使用Sparse Shape Composition(SSC)算法來描述形狀統(tǒng)計的非參數(shù)模型，從而對形狀模型先驗進行建模，保持模型與形狀空間的一致性.在3D前列腺MR圖像庫上進行實驗表明，基于DDD學習的形變模型的分割結(jié)果在視覺和量化評價上均得到更好的效果。
　　 4.在處理具有較大目標形變的醫(yī)學圖像對應點檢測問題中，計算機視覺領(lǐng)域中的經(jīng)典圖匹配算法所得到的匹配精度往往不令人滿意。針對這一問題，提出了一

9、種新的稀疏約束下層次式圖匹配算法，稱為層次式稀疏圖匹配算法（Hierarchical Sparse Graph Matching，HSGM）。具體來說，在層次式稀疏圖匹配算法中，首先提出Linepatch概念（即對局部圖像塊采樣得到的一系列灰度剖面）來計算特征點對間的外觀相似度，并與經(jīng)典圖匹配算法中的幾何相似度相結(jié)合，提高了對應點匹配中對應點間相似度計算的可靠性。其次，在匹配概率上引入稀疏約束，實現(xiàn)了對錯誤匹配的抑制，提高了一一對應的精