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。