在醫(yī)學(xué)圖像分割中,針對(duì)特定解剖結(jié)構(gòu)的分割是計(jì)算機(jī)輔助醫(yī)療的重要組成部分.CT對(duì)骨組織顯像精度較高,研究對(duì)CT數(shù)據(jù)的分割,對(duì)骨科患者的術(shù)前規(guī)劃、術(shù)后效果診斷有著重要的意義.但由于骨質(zhì)疏松、骨質(zhì)病變等問題導(dǎo)致骨組織邊界模糊,骨頭之間縫隙較小,使得從CT中精準(zhǔn)分割出骨組織的難度增大.本文針對(duì)CT序列提出一種基于先驗(yàn)信息的特定目標(biāo)水平集分割模型.首先,我們對(duì)CT序列進(jìn)行預(yù)處理.然后,提取圖像的特征,通過機(jī)器學(xué)習(xí)對(duì)這些特征進(jìn)行學(xué)習(xí),構(gòu)造出判別函數(shù).緊接著,用判別函數(shù)約束水平集泛函中的灰度擬合項(xiàng),結(jié)合判別函數(shù)和圖像的梯度特征構(gòu)建新的邊緣停止函數(shù),進(jìn)而利用圖像的統(tǒng)計(jì)信息和梯度信息構(gòu)建能量泛函.再根據(jù)切片間的聯(lián)系與當(dāng)前切片的灰度信息,設(shè)計(jì)水平集的初始曲線,最后,通過變分法和梯度下降流求解能量泛函,完成對(duì)CT序列中特定目標(biāo)的準(zhǔn)確分割.本文的主要貢獻(xiàn):1.基于自動(dòng)先驗(yàn)特征提取融合構(gòu)建判別函數(shù).2.基于先驗(yàn)特征的曲線演化算法. 

【文章來源】：上海大學(xué)上海市 211工程院校

【文章頁數(shù)】：67 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

DRLSE模型零水平集演化.

從而避免了水平集迭代一定次數(shù)后需要重新初始化的問題.圖2.1表示DRLSE模型分割的結(jié)果, (a)表示原始圖像, (b)表示迭代20次后的分割結(jié)果, (c)表示迭代60次后的分割結(jié)果. 圖2.2中的(a)、(b)、(c)分別對(duì)應(yīng)圖2.1中(a)、(b)、(c)時(shí)刻的水平集函數(shù), 紅色曲線表示當(dāng)前時(shí)刻的零水平集.(a)初始零水平集. (b) 迭代20次后的零水平集.(c)迭代60次后的零水平集.圖 2.1: DRLSE模型零水平集演化.在圖2.2中, 能夠看出DRLSE模型的水平集函數(shù)在正則項(xiàng)的約束下, 變

LBF 模 型 的 分 割 效 果 如 圖 2.3 所 示. 圖 2.3 (a) 是 關(guān) 于 血 管 的 灰 度 圖 像,可以看出圖像的信噪比較低, 目標(biāo)的邊界十分模糊, 圖中紅色曲線表示初始時(shí)刻的零水平集, 其對(duì)應(yīng)的水平集函數(shù)如圖2.4(a)所示. 圖2.3(b)和圖2.3(c)分別是LBF模型迭代50, 150次的分割結(jié)果, 其對(duì)應(yīng)的水平集函數(shù)圖像為圖2.4(b)與圖2.4(c).(a)初始水平集函數(shù). (b) 迭代50次后的水平集函數(shù).(c)迭 代150次 后 的 水 平集函數(shù)

【參考文獻(xiàn)】：
博士論文
[1]醫(yī)學(xué)CT圖像分割方法研究[D]. 周生俊.哈爾濱工業(yè)大學(xué) 2014

碩士論文
[1]基于深度學(xué)習(xí)的圖像分割研究與應(yīng)用[D]. 張華博.電子科技大學(xué) 2018
[2]基于卷積自編碼神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)檢測(cè)[D]. 吳川北.華中科技大學(xué) 2017



本文編號(hào)：2993542