医学图像分割是对医学图像进行分析研究的基础步骤之一,高效且精确的医学图像分割是解剖结构、治疗规划、病灶确定与诊断和图形引导手术等研究的关键环节和重要基础,在生物医学和虚拟手术等领域具有重要的研究价值和实际意义。本课题重点是对虚拟手术环境中医学图像的高效精确分割方法的研究。 本文针对已有的医学图像分割算法进行了相关应用仿真研究和探索性的算法改进研究。重点是对变形模型当中的几何变形模型及水平集方法在医学图像分割中的应用及其存在缺陷的改进研究。对水平集方法中的快速行进法在医学图像分割中的应用作了相关研究,并针对具体的医学图像提出了不同的改进措施。 文章首先结合Snake变形模型中变形曲线能量的概念,分析Level Set方法中Fast Marching算法图像分割过程中演化曲线平均能量的变化趋势,并在速度项中引入目标区域的灰度统计特征以弥补局部图像梯度的不足,从而在一定程度上解决“边缘泄漏”的问题。 随后文章考虑充分利用Level Set方法在处理拓扑变化方面的优势,将改进的Fast Marching方法与Level Set方法相结合并应用到的医学图像分割中。仿真实验结果表明此算法对目标物体内部灰度相对比较均匀且边缘相对比较清晰、完整的医学图像能获得较好的分割效果。 文章最后对Mumford-Shah模型和简化的C-v模型及其数值计算进行了研究。将Mumford-Shah分割模型结合水平集方法,大大提高了变形模型分割图像的能力。本文将该方法成功地用于医学图像仿真分割,并实现了多相水平集的图像分割。仿真实验表明此模型可以进行拓扑结构改变的图像分割,且对含噪声的医学图像具有良好的分割效果。克服了基于边界的变形模型抗噪性差,对初始轮廓位置敏感等问题。 本文的研究结合虚拟手术仿真的课题同步进行,研究的成果在虚拟手术三维重建中得到应用,体现出较高的科研价值和应用水平。