论文部分内容阅读
医学图像处理技术伴随着医学影像技术与计算机科学的发展,成为现代临床诊断中重要的辅助医疗技术。医学图像分割更是成像后用于图像分析前重要的步骤。但由于组织器官复杂多样,成像技术机制各异,人工交互依赖度过高,分割技术的准确性与实时性还达不到医学图像的应用要求。准确,快速,人工低依赖的分割方法研究被国内外学者广泛关注。本论文研究的重点就是医学图像分割问题,主要研究正常组织分割及病变组织分割,具体如下:1、在传统的模糊C均值算法目标函数中加入了由一系列基函数线性构成的偏移场项,模拟MR图像灰度不均匀性。偏移场估计和图像分割可通过对改进后的目标函数进行最小化而得到。同时,实现了一种快速的目标函数最小化的迭代收敛算法。和其他方法相比,本算法具有更加优良的实验结果。2、针对传统医学图像分割算法无法处理灰度不均衡性存在下的分割问题,研究了一种基于Region-Scalable Fitting (RSF)水平集算法模型的图像分割方法,对灰度不均匀性存在的图像分割处理有理想的实验效果,并且具有较快的算法迭代速度。然而,该算法的计算是在图像全局范围内进行的,一些不感兴趣的分割区域参与计算,导致对分割效果的干扰并加大了计算量。3、为实现对感兴趣区域的分割处理,如脑部肿瘤,基于RSF模型提出了一种有效的水平集演化窄带算法。在整个水平集演化的过程中,使用一定的算法规则,将计算限制在一定的窄带范围内。实现感兴趣区域的分割并且非常有效的降低了计算量。为进一步降低计算复杂度,基于窄带算法,提出了一维卷积近似算法和活动点区域限制算法,算法速度显著提高。并通过对真实医学图像的分割处理证明了该算法的有效性。4、在三维空间实现了基于FCM算法的分割和传统的水平集三维扩展,直接对三维体数据进行分割。使得分割结果更具实用性,为三维重构及可视化提供了实验数据。