论文部分内容阅读
癌,既恶性肿瘤,是一种难以治愈且致死率很高的疾病。其中肺癌的致死率最高,位居恶性肿瘤的致死排行之首,成为了威胁人类健康的最大杀手之一。肺癌的诊断治疗主要依赖于来自肺部PET/CT图像的信息。医生通过分析PET/CT图像所提供的信息,加以主观经验分析对肺癌进行诊断并设计治疗方案,但是传统的融合分割算法性能有限,导致医学图像分析无法为医生的判断提供客观依据。为解决此问题,本文对肺癌PET/CT图像进行深入研究,旨在于利用图像处理算法辅助医生进行判断,客观的勾勒靶向区域,更合理的为病人设计诊疗方案。本文工作包含PET/CT图像的融合和PET/CT图像联合分割两大方面,主要如下:为了辅助医生判断是否患有恶性肿瘤并对肿瘤分期,本文对PET/CT两种模态的医学图像进行融合。由于传统的稀疏融合算法应用冗余的DCT字典进行稀疏分解,而固定的DCT字典不能适用于所有的图像。本文采用了控制核回归函数作为特征量,对原始的CT图像进行分块,得到结构性相似的几类图像块。然后求出分类后的图像块所对应的小字典,最后利用小字典对图像进行稀疏融合。根据分类后图像块训练出的字典更具有结构性,所以该算法可以更好的保留CT与PET图像的独特信息,病灶区域明亮,边缘清晰,较其他算法有所改进,可以更准确可靠的实现对恶性肿瘤的辅助诊断。为了辅助医生对肿瘤治疗方案和靶区形状的设计,本文研究了PET/CT图像联合自动分割,将计算机自动分割的结果作为一个较客观的依据。传统的测地线活动轮廓(Geodesic Active Contour,GAC)模型具有边缘演化迅速,对弱边界也能准确分割的优点,但是该算法只能利用一种模态的图像信息进行分割。本文算法在传统的测地线活动轮廓模型基础上进行改进,重新设计其边缘函数,综合利用了CT信息与PET信息,使算法利用两种模态的医学图像信息进行联合分割。由于边缘函数中结合了两种信息,所以算法的演化收敛速度有一定的提升,分割出的边缘也更加合理,较单一PET图像分割算法具有更准确的边界。