基于CT圖像的肺部腫瘤三維分割研究.pdf

1、在醫(yī)學圖像處理領域，肺部腫瘤的分割是一項具有實際應用價值的課題。基于精確的肺部腫瘤分割結果，可以進行相應的三維重建、分析解剖結構和計算腫瘤體積等相關研究，從而為醫(yī)生提供有價值的臨床診斷信息，具有十分重要的臨床價值。但是由于肺部腫瘤通常具有形態(tài)不規(guī)律、邊界模糊以及亮度不均勻等特點，所以如何對肺部腫瘤進行精確分割也是一項富有挑戰(zhàn)性的難題。本文基于Computed Tomography(CT)圖像數(shù)據(jù)，著重從兩個理論方向上研究了肺部腫瘤分割算

2、法:
　　首先，基于水平集理論模型的肺部腫瘤分割算法。分析了水平集的相關理論基礎，并重點闡述了經(jīng)典Snake模型、基于輪廓的測地線活動輪廓(GAC)模型以及基于區(qū)域的二值高斯規(guī)則化水平集(SBGFRLS)模型的相關概念。通過對肺部腫瘤CT圖像的特點進行分析，基于GAC模型能夠保留圖像的局部信息和SBGFRLS模型能夠保留全局信息的優(yōu)點，提出了利用SBGFRLS模型進行粗略分割和采用GAC模型進行進一步精細分割的算法，提高了肺腫瘤分

3、割的準確度和魯棒性，具有一定的理論創(chuàng)新和實際應用價值。
　　其次，基于深度學習理論模型的肺部腫瘤分割算法。由神經(jīng)網(wǎng)絡的相關理論基礎的簡單介紹，引出并重點介紹了深度卷積神經(jīng)網(wǎng)絡(Deep ConvolutionalNeural Networks)的相關概念。通過對深度學習模型的研究，結合肺部腫瘤CT圖像的特點，本文采用深度卷積神經(jīng)網(wǎng)絡模型進行肺部腫瘤的粗略分割，并結合SBGFRLS水平集模型進行精確分割，以此提出了一種新穎的基于深度