论文部分内容阅读
在医学图像处理领域，肺部肿瘤的分割是一项具有实际应用价值的课题。基于精确的肺部肿瘤分割结果，可以进行相应的三维重建、分析解剖结构和计算肿瘤体积等相关研究，从而为医生提供有价值的临床诊断信息，具有十分重要的临床价值。但是由于肺部肿瘤通常具有形态不规律、边界模糊以及亮度不均匀等特点，所以如何对肺部肿瘤进行精确分割也是一项富有挑战性的难题。本文基于Computed Tomography(CT)图像数据，着重从两个理论方向上研究了肺部肿瘤分割算法: 首先，基于水平集理论模型的肺部肿瘤分割算法。分析了水平集的相关理论基础，并重点阐述了经典Snake模型、基于轮廓的测地线活动轮廓(GAC)模型以及基于区域的二值高斯规则化水平集(SBGFRLS)模型的相关概念。通过对肺部肿瘤CT图像的特点进行分析，基于GAC模型能够保留图像的局部信息和SBGFRLS模型能够保留全局信息的优点，提出了利用SBGFRLS模型进行粗略分割和采用GAC模型进行进一步精细分割的算法，提高了肺肿瘤分割的准确度和鲁棒性，具有一定的理论创新和实际应用价值。 其次，基于深度学习理论模型的肺部肿瘤分割算法。由神经网络的相关理论基础的简单介绍，引出并重点介绍了深度卷积神经网络(Deep ConvolutionalNeural Networks)的相关概念。通过对深度学习模型的研究，结合肺部肿瘤CT图像的特点，本文采用深度卷积神经网络模型进行肺部肿瘤的粗略分割，并结合SBGFRLS水平集模型进行精确分割，以此提出了一种新颖的基于深度学习的分割算法，验证了深度卷积神经网络模型在肺部肿瘤分割应用的可行性，具有一定的理论创新意义。 本文基于水平集和深度学习两大理论研究有关肺部肿瘤分割问题。首先通过细致地阐述相关理论基础，然后基于这些理论提出了两个具有创新性的新方法，对肺部肿瘤分割领域的研究进行了有意义的拓展。