论文部分内容阅读
近年来,由于肝癌患者数量持续增长,早期诊断和准确的手术规划对治疗肝癌至关重要。精确的肝脏分割是计算机辅助肝脏疾病诊断和手术规划的必要步骤,它对于肝脏组织的定量分析、图像配准以及三维可视化建模具有重要的学术和应用研究价值。本论文提出了一种针对腹部CT图像的肝脏分割策略,该策略采用由粗到细的分割方法,充分利用了CT切片图像在空间上的连续性,实现了全序列图像中的肝脏分割。论文的具体研究内容如下:(1)对CT图像进行预处理以及对分割结果进行后处理操作。本文对CT图像的预处理包括将医学图像DICOM格式转换为常用的BMP格式和中值滤波去噪。对分割结果的后处理包括利用形态学方法平滑图像边缘,填充二值图像中的孔洞以及提取最大连通区域。(2)采用基于空间邻域信息的核模糊C均值聚类算法(SKFCM)对腹部CT图像中的肝脏进行粗分割,本文第一次将SKFCM算法用于肝脏分割。SKFCM算法是在模糊C均值聚类算法(FCM)的基础上引入了核函数和空间邻域信息,它的聚类能力和抗噪声能力比FCM算法强。在腹部CT切片图像中,相邻切片的形状变化较小,利用这一特性,可实现肝脏图像的连续粗分割。粗分割结果中有大概一半的分割结果不需要再进行细分割,这些不再需要进行细分割的粗分割结果可作为模板,用于自动生成细分割的种子点。(3)采用本文提出的改进的GrowCut算法对粗分割结果中分割不完全的图像进行细分割。传统的GrowCut算法是一个交互式的分割算法,需要手动输入种子点,分割效果依赖于种子点的选择。本文改进了GrowCut算法,可实现种子点的自动生成,提高了分割的效率和准确性。利用本文提出的由粗到细的分割策略对三组腹部CT图像进行了肝脏分割,并对分割结果进行了定性和定量分析,验证了本文提出的肝脏分割方法的准确性和有效性。