本文選題：圖像分割 + Otsu�。� 參考：《東北大學》2015年碩士論文

【摘要】：隨著人們生活水平的提高,肺癌已成為威脅人類健康和死亡率最高的癌癥之一。因此,對肺癌的早期檢測有利于提高肺癌患者的存活率。然而,由于醫(yī)學CT圖像數據量大,若僅僅依賴醫(yī)生的主觀診斷,再加上長時間的工作引起的疲勞或其他因素,往往會導致誤診或漏診的情況發(fā)生。因此,我們需要全自動的檢測肺部疾病的方法,以提高醫(yī)生的診斷速度和準確性,降低工作強度,而進行準確的肺實質和肺部ROI分割是進行后續(xù)處理的前提。肺實質的精確分割是進行肺部CT圖像分析和檢測肺部疾病的前提,因此本文首先提出了肺實質精確分割方法。通過基于自適應Otsu的二值化方法對肺部CT圖像進行粗分割,初步將肺實質與其他組織結構分離;運用掩膜圖像對肺實質進行粗提取,從肺部CT圖像中提取出肺實質;基于三維區(qū)域生長的氣管去除方法將灰度值與肺實質區(qū)域相近的氣管樹從初始肺實質中分離,自適應的閾值選取有效地避免了過分割現象;基于行掃描和Shi-Tomasi角點檢測的左右肺區(qū)分離,快速準確地找出粘連區(qū)域的特征點,連接特征點形成線段,完成分離;基于自適應二叉樹算法的快速肺輪廓修復,由于部分疾病會導致肺實質輪廓出現凹陷情況,因此本文采用并行的手段,自適應地修復了缺陷區(qū)域,卻有效保留了肺實質輪廓的正常凹陷。本文提出基于貝葉斯分類的ROI分割算法,應用EM算法得到的高斯混合模型的最優(yōu)參數計算圖像像素點的后驗概率,基于。貝葉斯定理分類ROI區(qū)域和背景區(qū)域。并且應用了自適應迭代閾值法進行高斯混合模型的參數初始化,為的是避免迭代次數增加,防止EM算法對初始參數的敏感,造成局部最優(yōu)。本文給出基于EM算法的貝葉斯分類方法獲取ROI的分割結果,并對不同的子圖大小的分割結果進行了分析。同時,根據肺實質圖像灰度直方圖和自適應迭代閾值法迭代的結果驗證了 GMM的合理性,并且根據EM參數估計得到的高斯混合模型的最優(yōu)分布與肺實質灰度直方圖擬合情況顯示EM迭代算法能夠很好地擬合數據丟失的數據模型。
[Abstract]:With the improvement of people's living standards, lung cancer has become one of the most serious cancers that threaten human health and mortality. Therefore, early detection of lung cancer is beneficial to improve the survival rate of lung cancer patients. However, because of the large amount of medical CT image data, it is only dependent on the doctor's subjective diagnosis, plus a long time of work caused fatigue or it His factors often lead to misdiagnosis or missed diagnosis. Therefore, we need a fully automated method of detecting lung diseases to improve the diagnostic speed and accuracy of the doctor and reduce the intensity of work. The accurate segmentation of the lung parenchyma and lung ROI is the prerequisite for subsequent treatment. The precise segmentation of the lung parenchyma is the CT map of the lung. Like the premise of analysis and detection of lung disease, this paper first proposed an accurate segmentation method of lung parenchyma. Through the two value method based on adaptive Otsu, the lung CT image is segmented and the lung parenchyma is separated from other tissue structures. The lung essence is extracted with the mask image, and the lung is extracted from the CT image of the lung. Quality; the trachea removal method based on three-dimensional region growth separations the gray value from the lung parenchyma near the initial lung parenchyma, and the adaptive threshold selection effectively avoids the over segmentation; based on the separation of the left and right lung regions based on the line scanning and Shi-Tomasi corner detection, the feature points of the adhesive region are quickly and accurately identified and connected. The feature points form the line segment and complete the separation. Based on the adaptive two forked tree algorithm, the rapid lung contour restoration, because some diseases will lead to the depression of the lung parenchyma. Therefore, this paper adopts a parallel method to repair the defect area adaptively, but effectively preserves the normal depression of the lung solid contour. This paper proposes a Bayesian classification based on Bayesian classification. The class ROI segmentation algorithm is used to calculate the posterior probability of pixel points by the optimal parameters of the Gauss hybrid model obtained by EM algorithm. Based on the Bayes theorem, the ROI region and the background area are classified. And the adaptive iterative threshold method is used to initialize the parameters of the Gauss mixed model, which is to avoid the increase of the number of iterations and prevent the EM algorithm. The local optimum is caused by the sensitivity of the initial parameters. In this paper, a Bias classification method based on the EM algorithm is given to obtain the segmentation results of ROI, and the segmentation results of the different subgraph sizes are analyzed. At the same time, the rationality of the GMM is verified by the results of the gray histogram of the lung parenchyma image and the adaptive iterative threshold method. According to the estimation of the optimal distribution of Gauss's Gauss mixed model and the histogram of the lung parenchyma, the EM iterative algorithm can well simulate the lost data model.

【學位授予單位】：東北大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：R734.2;R730.44;TP391.41

【相似文獻】

相關期刊論文 前10條

1 杜曉巖;呂同富;邢志宏;;圖像邊緣識別技術在醫(yī)學中的應用[J];中國醫(yī)藥導報;2009年32期

2 史洪飛,包尚聯(lián),王衛(wèi)東;基于對象識別和分割的圖像噪聲抑制[J];中國醫(yī)學影像技術;2005年09期

3 賀向前;鄧世雄;甘平;周麗華;熊興良;;基于皮膚圖像年齡評估系統(tǒng)的設計[J];中國組織工程研究與臨床康復;2010年43期

4 田星;桂志國;劉芳;;基于模糊最大熵的醫(yī)學X增強方射線圖像邊緣法研究[J];中國醫(yī)學物理學雜志;2014年03期

5 何葉松;楊華哲;李陽;付佳;洪洋;吳琳;付淼;;人體顱腦MRI圖像中下頜骨的分割及三維建模[J];中國醫(yī)學物理學雜志;2010年03期

6 張明慧;;CR圖像自適應增強方法在頭頸部的應用[J];中國醫(yī)學影像技術;2009年12期

7 朱坤;陳新興;季立貴;;球結膜圖像的血管識別[J];中國醫(yī)學物理學雜志;2010年06期

8 許廣有;;CR圖像組合打印的臨床應用價值[J];錦州醫(yī)學院學報;2006年05期

9 張玉明,許曼;B超圖像邊緣增強技術的實現方法[J];電子技術;1997年09期

10 黃志聰;張長虹;劉宇靜;;JPEG2000及其在醫(yī)學圖像中的應用[J];醫(yī)療衛(wèi)生裝備;2006年01期

相關會議論文 前10條

1 陸成剛;陳剛;張但;閔春燕;;圖像邊緣的優(yōu)化模型[A];'2002系統(tǒng)仿真技術及其應用學術論文集（第四卷）[C];2002年

2 王偉凝;余英林;張劍超;;圖像的動感特征分析[A];第一屆中國情感計算及智能交互學術會議論文集[C];2003年

3 韓焱;王明泉;宋樹爭;;工業(yè)射線圖像的退化與恢復方法[A];新世紀 新機遇 新挑戰(zhàn)——知識創(chuàng)新和高新技術產業(yè)發(fā)展（下冊）[C];2001年

4 王強;王風;;一種保持圖像幾何特征的去噪模型[A];中國通信學會第五屆學術年會論文集[C];2008年

5 王培珍;楊維翰;陳維南;;圖像邊緣信息的融合方案研究[A];中國圖象圖形學會第十屆全國圖像圖形學術會議（CIG’2001）和第一屆全國虛擬現實技術研討會（CVR’2001）論文集[C];2001年

6 李大鵬;禹晶;肖創(chuàng)柏;;圖像去霧的無參考客觀質量評測方法[A];第十五屆全國圖象圖形學學術會議論文集[C];2010年

7 孟晉麗;張毅;金林;;圖像中混合噪聲的小波域濾除方法[A];2007'儀表，自動化及先進集成技術大會論文集（一）[C];2007年

8 漆琳智;張超;吳向陽;;引導濾波的單幅圖像前景精確提取[A];浙江省電子學會2013學術年會論文集[C];2013年

9 張明慧;;基于模糊蒙片算法的CR圖像邊緣增強[A];第六屆全國信息獲取與處理學術會議論文集（1）[C];2008年

10 王亮亮;李明;高昕;;強模糊空間目標圖像邊緣獲取方法研究[A];第九屆全國光電技術學術交流會論文集（下冊）[C];2010年

相關重要報紙文章 前10條

1 吳飛;無邊距照片打印三部曲[N];中國電腦教育報;2003年

2 艾思平翻譯;視頻編碼軟件CCE SP2操作指南(9)[N];電子報;2009年

3 ;B超術語解釋[N];農村醫(yī)藥報（漢）;2008年

4 ;圖像質量調整秘技[N];電腦報;2001年

5 馬駿睿 皓月;制作版畫效果圖片[N];中國攝影報;2007年

6 艾思平翻譯;視頻編碼軟件CCE SP2操作指南(14)[N];電子報;2009年

7 西安 張正倉;I~（2）C總線控制的HG-2220AV液晶屏視頻信號驅動板[N];電子報;2003年

8 ;令挑剔的人也刮目相看[N];中國電子報;2001年

9 侯杰;國產芯片進軍移動多媒體市場[N];人民郵電;2003年

10 于亮、阿鯤;技術“掃”天下[N];中國計算機報;2002年

相關博士學位論文 前10條

1 梁福來;低空無人機載UWB SAR增強成像技術研究[D];國防科學技術大學;2013年

2 周靜;基于憶阻器的圖像處理技術研究[D];國防科學技術大學;2014年

3 賈茜;基于時—空域插值的圖像及視頻上采樣技術研究[D];武漢大學;2014年

4 李照奎;人臉圖像的魯棒特征表示方法研究[D];武漢大學;2014年

5 郝紅星;基于干涉相位圖像構建數字高程模型的關鍵技術研究[D];國防科學技術大學;2014年

6 楊小義;圖像特征識別算法及其在聾人視覺識別中的應用研究[D];重慶大學;2015年

7 王玉明;SAR圖像地雷場檢測技術研究[D];國防科學技術大學;2013年

8 溫景陽;圖像大容量、低失真可逆信息隱藏技術研究[D];蘭州大學;2015年

9 李林;基于概率圖模型的圖像整體場景理解方法研究[D];電子科技大學;2014年

10 馮景;基于SAR圖像的海面溢油檢測研究[D];北京理工大學;2015年

相關碩士學位論文 前10條

1 李鵬遠;圖像檢索算法研究及其在互聯(lián)網教育中的應用[D];華南理工大學;2015年

2 萬燕英;微聚焦X-ray圖像自適應正則化去噪方法[D];華南理工大學;2015年

3 毛雙艷;基于梯度域的圖像風格化渲染方法的研究及其應用[D];華南理工大學;2015年

4 向訓文;RGB-D圖像顯著性檢測研究[D];華南理工大學;2015年

5 曾旭;基于聚類和加權非局部的圖像稀疏去噪方法研究[D];天津理工大學;2015年

6 熊楊超;圖像美學評價及美學優(yōu)化研究[D];華南理工大學;2015年

7 王艷;圖像視覺顯著性檢測方法及應用的研究[D];華南理工大學;2015年

8 鄭露萍;圖像二階微分特征提取及人臉識別應用研究[D];昆明理工大學;2015年

9 王思武;基于太陽圖像的特征提取和檢索[D];昆明理工大學;2015年

10 曹靜;基于暗通道先驗算法的圖像去霧處理[D];海南大學;2015年

，

本文編號：1803539