论文部分内容阅读
医学图像分割技术是医学图像处理与分析领域的重要课题之一,也是近年来备受研究人员关注的热点问题。医学图像分割的目的是把图像中具有特殊含义的不同区域分割开来,并使分割结果尽可能的接近解剖结构,从而为临床诊疗和病理学研究提供可靠依据。由于人体解剖结构的复杂性、组织器官形状的不规则性及个体之间的差异性,一般将单一的图像分割方法应用于医学图像并不能得到理想分割效果,为此必须寻找一种有效的医学图像分割方法。论文在回顾总结国内外医学图像分割方法相关文献的基础上,阐述了医学图像分割的目的、意义。根据医学图像自身特点和特殊应用需求,提出了一种集成的医学图像分割方法,即将基于Gibbs随机场的模糊c均值法与Snake模型联合,对医学图像进行分割。同时,对无需重新初始化水平集方法的医学图像分割算法进行了研究。论文主要工作包括:1.对国内外流行的图像分割方法进行了探讨,较为全面的综述了医学图像分割技术的基本概念、基本理论、基本方法,并对当今的医学图像分割算法进行了分类。2.针对医学图像的特点,单一的图像分割方法对医学图像的处理效果并不理想,本文提出一种集成分割方法,将Gibbs随机场模糊c均值法与Snake模型算法进行组合,应用于手腕骨X线片指骨兴趣区域图像的分割中,以得到正确的指骨的边缘位置。由于骨骺和干骺相离较近,在分割过程中设定一个垂直于兴趣区域x轴的直线,防止轮廓向着第一步中已经分割好的干骺骨结构边缘靠近。该方法提高了手腕骨x线片图像兴趣区域的分割效果,同时这种联合的方法具有较强的抗噪声能力。3.将遗传算法引入到基于无需重新初始化水平集方法的图像分割中,解决了无需重新初始化水平集分割法存在的参数搜索空间巨大,耗时多等问题。为了评估水平集方法的参数,利用Gibbs模糊C均值法,获得图像的期望边界,与水平集方法产生的轮廓进行比较,来选取一组最优参数,从而提高了算法的效率及精度,同时该方法还可以应用于其他图像处理领域。