论文部分内容阅读
随着科学技术的发展,医学影像已经成为医生诊断和治疗的重要辅助手段,由于计算机断层扫描(Computed Tomgraphy,CT)图像的分辨率高,对人体损伤小,而成为病理和解剖研究的主要手段。然而医学图像本身有着很多不可避免的缺陷,为了提高图像的可读性以及对人体的解剖结构和病变部位进行更有效的观察和诊断,辅助医生对CT图像的诊断,对医学CT图像进行计算机处理就变得非常必要。图像分割技术是图像处理中的一个重点,也是计算机辅助诊断(computer aided diagnosis,CAD)中很重要的一步,一直受到研究人员的关注。其基本概念是将图像空间划分成一些特定的区域,具体到颅脑CT图像上,就是将颅脑CT图像里有意义的特征或者需要应用的特征提取出来。本文首先对颅脑CT图像分割的相关领域进行了系统的分析,涵盖了医学图像分割的研究现状、研究意义、形式化定义和发展趋势以及计算机断层成像等内容,形成了颅脑CT图像分割的基础理论框架。然后,着重分析了现有的若干图像分割算法。最后,重点针对颅脑内部结构提取、颅脑出血病灶提取,提出了不同以往的研究方法。针对现有的提取颅脑CT图像颅腔内部结构算法自动性较差的问题,提出了一种基于线性滤波的新算法。该算法首先根据颅脑颅骨组织宽度大、灰度值高的特点,利用线性空间滤波方法提取颅脑颅骨的粗略轮廓;然后利用图像数学形态学方法和基于阈值的水平左右扫描算法,实现颅内组织的自动化分割。通过对100例颅脑CT检查病例的图像进行实验,来验证算法的可行性。实验结果表明,该算法能够实现所有具有完整颅骨环的颅腔内结构的计算机自动化分割,分割结果准确,分割的准确率达到99%。为了提高颅内出血(intracranial hemorrhage,IH)病灶分割准确率,提出一种新的颅脑CT图像分割方法,被怀疑为出血的区域可快速而有效的分割出来。首先利用前述的颅内结构提取算法提取颅内区域;然后利用两次模糊c均值聚类(Twice Fuzzy c-Means,TFCM)算法完成出血区域分割。第一次模糊c均值(Fuzzy c-Means,FCM)聚类确定颅内出血的区域,根据脑出血CT图像特点,将中心点灰度值最高的类作为第二次FCM聚类对象,第二次FCM聚类分割出出血区域。实验结果表明该方法对颅脑出血CT图像病灶的分割是有效的。