论文部分内容阅读
医学图像分割是指从医学图像中提取感兴趣区域,为临床诊疗和病理学研究提供可靠的依据,它在特征提取、定量测量以及人体器官三维重建等许多医学图像分析与理解应用中起着关键作用。近年来,随着生物医学成像技术的发展,医学图像得到越来越广泛的应用;同时,医学图像日益复杂化、海量化,传统的分割方法已逐渐不能满足实际需要,因此,对医学图像分割的研究具有重要意义。本文以曲线演化理论、水平集方法和信息熵原理为基础,对基于几何流的图像分割模型、医学三维图像分割方法和图像分割评价方法及其在医学磁共振图像分割中的应用等当前研究热点进行了深入研究。针对Chan-Vese模型在演化过程中每次迭代都必须在整个图像区域上计算而导致无法采用快速算法的缺陷,从基本理论公式的推导出发,根据区域和区域中像素的动态变化,采用增量方式迭代求取区域的平均灰度,将其解析公式改进为递进迭代公式,从而可以采用窄带法等快速算法,较大地提高了分割效率,使得该模型更具实际意义。为进一步改善几何活动轮廓模型对于图层中的间断边缘或弱边缘时出现的边缘泄漏现象,通过在边缘检测函数中引入邻层先验信息对曲线演化的停止条件进行了改进,提出了先验知识测地几何流模型。该模型将已分割切片中的局部区域特征带入相邻的未待割切片中,并引导待分割切片中的轮廓曲线收敛到目标的实际边界,因而提高了几何活动轮廓模型的精确性和稳定性。针对传统的Watershed算法易受噪声和量化误差的影响而产生大量的过度分割现象,构造了采用梯度矢量流(Gradient Vector Flow,GVF)的标量图作为输入梯度图像的GVF-Watershed算法,该算法将突变的梯度信息平缓地扩散到图像中,既能准确地检测到真实图像边缘,又增强了对图像噪声和量化误差的免疫能力,从而改善了过度分割现象。为提高三维医学图像分割的质量和效率,将GVF-Watershed算法(简称为GW)和基于Level Set方法(简称为LSM)的几何流分割模型结合起来,形成GW-LSM框架。该框架的基本思想是先采用GVF-WAtershed算法对三维医学图像进行粗分割,然后利用窄带Level Set方法的几何流变形模型进行细分割。前者具有快速捕捉所有边缘等特点,但易产生过度分割现象;后者具有拓扑结构变化的自适应性、分割精确等特点,但计算量过大。二者相结合,互相瘸げ苟獭T诟每蚣芟?针对目标层间相似性较弱的三维医学图像,设计了基于GW-LSM框架的三维分割法,提高了分割效率;针对目标层间相似性较强的三维医学图像,引入层间梯度相似性作为先验知识,设计了基于GW-LSM框架的2.5维分割法,提高了分割精度和速度。为研究新的有效的医学图像分割定量评价方法并对本文方法进行客观评价,根据图像分割的本质及医学图像自身的特点,从区域内部的同质性的角度,提出了分割信息熵的概念,并以此为评价测度提出了基于分割信息熵的评价方法;从区域之间的异质性角度,引入了非线性相关信息熵作为评价测度,提出了基于区域相关熵的评价方法。前者计算相对简单,后者能在单位闭区间上给出定量评价。这两种评价方法都能给出有效的、准确的客观评价,对医学图像分割方法的优化与新方法的研究具有积极作用。