论文部分内容阅读
心血管疾病严重威胁着人类的生命健康。对心血管疾病的早期定量诊断和风险评估对延长人类生命健康起着关键的作用。随着科技高速发展,影像诊断设备的功能和成像质量有了很大提高。尤其是计算机断层扫描(CT)技术的高速发展不断影响人体疾病的诊断方式,逐步成为心脏检查一种重要的诊断方式。左心室区域是心脏核心区域,一直是心脏疾病研究的重点,借助于心脏CT图像对心脏组织尤其是左心室的研究,是非常有意义的。随机森林作为一种灵活的框架模型,在医学图像处理领域展现出了很好的前景。本文基于随机森林模型对心脏CT图像中的解剖标志点定位问题进行了研究,在此基础上进一步研究了图像中左心室心肌分割问题。首先,本文联合随机森林回归模型和分类模型对心脏CT图像中的主动脉瓣中心,二尖瓣中心和左心室心尖等3个解剖标志点进行检测定位。在检测过程中,将3D Haar-like特征分别与随机森林回归模型和分类模型结合,对CT图像进行回归分析得到解剖点的距离图谱,分类处理得到解剖点的概率密度图谱。使用Mean-shift算法,联合距离图谱和概率密度图谱对解剖点的位置进行估计。随后在分割心肌时,可由3个解剖点的位置得到左心室的大致区域。更为关键的是,本文通过这3个解剖标志点位置建立心脏坐标系,把CT图像数据变换到相似的心脏坐标空间中,在此基础上本文提取图像灰度特征和几何特征训练随机森林分类器对变换后的特定区域内的体素执行分类,划分出图像中的心肌部分。在对心肌分割的实验过程中,本文分别使用了手动标定和所提出的定位算法自动检测两种方式获得3个解剖标志点的位置,得到两种不同的心肌分割算法流程,并对两种分割方法结果进行了对比分析。宏观上看,本文的方法是基于有监督的机器学习对心脏CT图像中的解剖结构进行定位及分割。通过手动标记的数据学习得到解剖结构与图像信息之间的关系来建立随机森林模型,然后运用得到的随机森林模型对未知的图像进行分析。