磁共振成像（Magnetic Resonance Imaging,MRI）已經(jīng)成為當(dāng)前對人體進(jìn)行功能、病理和解剖研究的重要輔助手段。準(zhǔn)確的分割醫(yī)學(xué)MR圖像在病理生理分析、關(guān)鍵生物醫(yī)學(xué)指標(biāo)獲取以及組織生物物理模型構(gòu)建等方面具有重要意義。然而在實際應(yīng)用中,由于受射頻場不均勻性、不同軟組織之間的差異性和部分容積效應(yīng)等影響,MR圖像質(zhì)量退化嚴(yán)重,表現(xiàn)為圖像灰度均勻性變差和不同組織結(jié)構(gòu)間像素灰度分布范圍的混疊,增加了對MR圖像精細(xì)結(jié)構(gòu)進(jìn)行分割的難度。另外,圖像的低對比度,軟組織結(jié)構(gòu)顯著的多樣性和弱邊緣,也給分割帶來了困難。所有這些問題,使得對MR圖像進(jìn)行自動魯棒的精確分割仍然是一個極具挑戰(zhàn)的課題�，F(xiàn)有的一些MR圖像分割方法存在著分割精度不夠和魯棒性較低等問題。為此,本文對醫(yī)學(xué)MR圖像體數(shù)據(jù)的三維分割進(jìn)行了深入研究,首先提出了一個基于活動輪廓的分割模型來克服MR體數(shù)據(jù)中存在的灰度不均勻性、噪聲和弱邊緣等復(fù)雜環(huán)境的影響;接下來,進(jìn)一步將該模型整合進(jìn)一個體素分類聯(lián)合活動輪廓演化的分割框架內(nèi),實現(xiàn)對存在信號混疊的組織結(jié)構(gòu)的自動精確分割;最后,我們重新設(shè)計了分割框架內(nèi)的體素分類架構(gòu)和能量泛函的信息整合方式... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：146 頁

【學(xué)位級別】：博士

【部分圖文】：

本文的研究框架

圖 2-1 局部魯棒統(tǒng)計量驅(qū)動的活動輪廓模型分割結(jié)果（a）原始體數(shù)據(jù)中軸向?qū)用娴囊粋�切片圖像及由紅色標(biāo)識的種子點；b），c）分別為基于低灰度非均勻假設(shè)和高灰度非均勻假設(shè)設(shè)置參數(shù)的分割結(jié)果。紅色輪廓由模型產(chǎn)生，藍(lán)色輪廓表示專家手工分割結(jié)果，綠色輪廓表示模型與手工分割相符合部分）Fig.2-1 Segmentation results of the local robust statistics driven active contour model ( a) Anaxial slice of the original volumetric image and the initial seeds (shown in red); b), c) the

于特征向量概率分布函數(shù)的體素特征描述式（2-9）定義的尺度可調(diào)局部魯棒統(tǒng)計特征向量，可對任一述，即將種子體素區(qū)域以及體素 x鄰域區(qū)域?qū)С龅奶卣飨蛄縋DF）進(jìn)行整合。對體素 x的特征描述定義如下： ()()(),1,2()()||1()(1)__ KxypxfydyiPxpfxfziSeedsiiSeedsizi 一項中的 z 為屬于種子區(qū)域Seeds _i 的種子體素，該項衡量了體素的相似程度；第二項是體素 x 鄰域內(nèi)體素的概率分布 p尺度由式（2-5）中定義的核函數(shù) K 的尺度函數(shù) 進(jìn)行控制函數(shù)中的參數(shù)i 對圖像局部區(qū)域i 進(jìn)行近似。需要說明中概率分布 的選擇可以很靈活，這里選擇高斯分布，其方量中的局部加權(quán)灰度標(biāo)準(zhǔn)差（ LWIV (x)）來設(shè)定[40]。

【參考文獻(xiàn)】：
期刊論文
[1]一種基于模糊主動輪廓的魯棒局部分割方法[J]. 孫文燕,董恩清,曹祝樓,鄭強(qiáng).  自動化學(xué)報. 2017(04)
[2]窄帶主動輪廓模型及在醫(yī)學(xué)和紋理圖像局部分割中的應(yīng)用[J]. 鄭強(qiáng),董恩清.  自動化學(xué)報. 2013(01)



本文編號：2970518