基于主動(dòng)輪廓模型的醫(yī)學(xué)圖像中目標(biāo)提取研究.pdf

1、醫(yī)學(xué)圖像分割是輔助診斷、量化分析、手術(shù)規(guī)劃導(dǎo)航等較高層次臨床應(yīng)用的基礎(chǔ)。但由于疾病的多樣性,造成醫(yī)學(xué)圖像背景分布極其復(fù)雜、醫(yī)學(xué)圖像中病患器官目標(biāo)自身形狀變化有相當(dāng)?shù)碾S機(jī)性、以及成像過程中各種噪聲干擾和超大的數(shù)據(jù)量,均增加了傳統(tǒng)方法對(duì)醫(yī)學(xué)圖像中目標(biāo)分割的難度。若要在這些復(fù)雜條件下準(zhǔn)確、自動(dòng)、有效地提取特定醫(yī)學(xué)目標(biāo),要著重以下兩方面工作。第一,選擇合適的分割模型。主動(dòng)輪廓模型作為一種有效的分割模型,在醫(yī)學(xué)圖像中,有了很多成功的應(yīng)用,這也正是

2、本文研究的目標(biāo)。第二,充分利用特定目標(biāo)的先驗(yàn)知識(shí)。根據(jù)待提取目標(biāo)的不同特征,設(shè)計(jì)最有效的分割模型。本文正是在主動(dòng)輪廓框架下,針對(duì)特定的醫(yī)學(xué)目標(biāo),從一般醫(yī)學(xué)器官,到血管,到肝臟各組織,到心臟各組織等醫(yī)學(xué)目標(biāo),設(shè)計(jì)出多種不同的主動(dòng)輪廓模型,包括區(qū)域競(jìng)爭(zhēng)主動(dòng)輪廓、血管主動(dòng)輪廓、多主動(dòng)輪廓和基于先驗(yàn)形狀的主動(dòng)輪廓等模型,對(duì)這些醫(yī)學(xué)目標(biāo)進(jìn)行有效提取,并在準(zhǔn)確分割的基礎(chǔ)上,對(duì)部分組織器官進(jìn)行自動(dòng)量化分析。
　　 本文首先對(duì)醫(yī)學(xué)圖像分割的研究

3、背景進(jìn)行了回顧,在基于先驗(yàn)知識(shí)目標(biāo)分割的一般框架下,按原始圖像、分割指標(biāo)函數(shù)和先驗(yàn)知識(shí)三要素對(duì)基于先驗(yàn)知識(shí)圖像分割的最新進(jìn)展進(jìn)行了綜述,側(cè)重于先驗(yàn)知識(shí)描述和其與分割準(zhǔn)則函數(shù)的結(jié)合。對(duì)于本文的研究重點(diǎn)目標(biāo)主動(dòng)輪廓模型,圍繞Snake模型和水平集模型以及二者本質(zhì)上的統(tǒng)一性,結(jié)合一些利用先驗(yàn)知識(shí)對(duì)特定目標(biāo)提取的具體實(shí)例進(jìn)行詳細(xì)介紹。通過對(duì)基于先驗(yàn)知識(shí)目標(biāo)分割的有關(guān)問題進(jìn)行的討論分析,認(rèn)為最優(yōu)的主動(dòng)輪廓模型,是充分利用目標(biāo)的先驗(yàn)知識(shí),由這些先驗(yàn)

4、知識(shí)指導(dǎo)主動(dòng)輪廓演化從而提取特定醫(yī)學(xué)目標(biāo)的模型,并對(duì)醫(yī)學(xué)圖像和主動(dòng)輪廓的發(fā)展方向進(jìn)行了展望。
　　 本文介紹了一種通用性的分割模型:基于區(qū)域競(jìng)爭(zhēng)的主動(dòng)輪廓模型。這一基于目標(biāo)灰度統(tǒng)計(jì)概率和水平集的主動(dòng)輪廓分割模型,把能量函數(shù)表示為在目標(biāo)區(qū)域內(nèi)對(duì)象素點(diǎn)屬于目標(biāo)的概率的積分,并在水平集框架下對(duì)能量函數(shù)最小化,得到分割的迭代方程。同時(shí),通過附加的速度約束項(xiàng),使得主動(dòng)輪廓越過目標(biāo)邊緣的時(shí)候降低速度,大大提高分割的收斂性和準(zhǔn)確度。通過大量冠

5、狀動(dòng)脈和二尖瓣分割試驗(yàn),表明該模型的有效性。
　　 針對(duì)血管樹結(jié)構(gòu)的復(fù)雜性,研究了血管的提取模型:血管主動(dòng)輪廓模型。這一模型,充分利用一切和血管有關(guān)的信息,先驗(yàn)灰度分布、區(qū)域信息、多尺度血管矢量場(chǎng)和曲率,能量方程最小化,得到包括三個(gè)主要速度項(xiàng)的迭代方程:基于區(qū)域競(jìng)爭(zhēng)和先驗(yàn)灰度的主動(dòng)輪廓、血管矢量場(chǎng)、多曲率策略。該模型可以自動(dòng)地對(duì)整個(gè)血管樹進(jìn)行提取,不需要太多的預(yù)處理和后處理,是一種快速、準(zhǔn)確、健壯和自動(dòng)的血管提取模型。
　

6、　 肝臟作為人體最重要的器官之一,若對(duì)CT圖像中的肝臟自動(dòng)檢測(cè)、分類和分割出肝臟的解剖和病理結(jié)構(gòu),包括腫瘤、肝臟和血管,得到具體病例的肝臟模型,在臨床上是意義重大的。本文通過多種主動(dòng)輪廓模型來對(duì)CT圖像肝臟有關(guān)的組織結(jié)構(gòu)進(jìn)行提取,實(shí)現(xiàn)肝臟的模型化。其中,本文采用基于混合高斯分布的主動(dòng)輪廓模型用于肝臟和腫瘤的提取。該模型的主動(dòng)輪廓在灰度圖像的混合高斯分布模型的驅(qū)動(dòng)下,可以靈活機(jī)動(dòng)地從復(fù)雜背景下提取出多重目標(biāo)。對(duì)于肝臟內(nèi)部的血管樹狀結(jié)構(gòu),

7、本文采用增強(qiáng)的血管主動(dòng)輪廓模型。
　　 最后,針對(duì)超聲心動(dòng)圖中的瓣膜類疾病,本文采用一種把先驗(yàn)區(qū)域和形狀知識(shí)融入到幾何主動(dòng)輪廓模型的目標(biāo)分割方法。各個(gè)層次的先驗(yàn)知識(shí)表示成速度場(chǎng)直接指導(dǎo)水平集演化到理想輪廓。先驗(yàn)區(qū)域約束水平集的演化范圍,先驗(yàn)形狀驅(qū)使水平集向特定形狀收斂。在三維超聲圖像的應(yīng)用表明該方法大大減少了手工干預(yù),提高了分割效率和精度。同時(shí),在二尖瓣自動(dòng)分割的基礎(chǔ)上,對(duì)二尖瓣有關(guān)的參數(shù)進(jìn)行了量化,包括瓣膜開口面積、瓣環(huán)面積、