论文部分内容阅读
人脑MRI结构像(anatomical MRI, aMRI)能够以较高的空间分辩力反映脑部组织的解剖结构。在放射学与神经影像学研究领域,人脑aMRI数据分析的关键问题是如何精确地检测与测量各部分脑组织,可以归结为医学影像的多目标分割问题。该问题的解决对于计算机辅助诊断、组织容积定量分析、异常组织定位、解剖结构分析、外科手术规划与手术导航等具有重要的学术意义和临床应用价值。本文主要内容是:基于活动轮廓模型,提出了五种具有创新意义的塔式结构的多层次分割方法,解决了人脑二维aMRI、多信道融合的矢量量化aMRI以及三维aMRI数据的多目标分割问题。第一,针对二维aMRI数据,给出了构成塔式结构多目标分割的关键技术——背景填充技术,将该技术与活动轮廓模型中的Chan-Vese(C-V)模型相结合,提出了塔式多相水平集分割算法(简称:塔式多相C-V模型),解决了C-V模型在多目标分割以及复杂连接情况表示上的局限,适合分割目标中含有子目标的多目标图像。第二,为了减少塔式多相C-V模型得到的边缘与手工分割真值间的误差问题,提高aMRI分割的准确度,据可调填充色提出了背景填充技术的广义形式,并将该技术与C-V模型相结合,进一步提出了基于广义背景填充技术的塔式多相C-V模型,实现子目标边缘在一定范围内可调,即在少量人工干预实现人机交互式aMRI的多目标分割。第三,为解决aMRI中一些组织因驰豫时间较为接近而难以分离的问题,针对矢量量化图像提出了矢量量化塔式多相C-V模型。能够利用MRI不同的扫描序列以及不同影像仪器对于组织的不同敏感性,实现aMRI中驰豫时间较为接近的组织的有效分离。第四,利用水平集函数能够隐含表示轮廓曲面的特点,提出了基于体素的三维塔式多相C-V模型,实现三维体数据的多层次分割。第五,基于并行多相C-V模型和塔式多相C-V模型,提出了具有复杂分割树形结构的塔式并行多相C-V模型,能够结合两种多相分割模型的优点,实现复杂塔式多层次分割。实验结果表明,本文算法可以实现二维aMRI、矢量量化结构像以及三维aMRI的较精确的多目标分割,并且可以通过调节填充色实现少量人工干预下的交互式分割来进一步减小客观分割结果与主观分割结果间的误差,适合目标中含有子目标的医学影像的多目标分割要求。