基于自適應(yīng)權(quán)重活動(dòng)輪廓模型的醫(yī)學(xué)圖像分割研究
發(fā)布時(shí)間：2021-09-17 03:54
在醫(yī)學(xué)領(lǐng)域,計(jì)算機(jī)X射線斷層（Computed Tomography,CT）、磁共振（Magnetic Resonance Imaging,MRI）和超聲等醫(yī)學(xué)圖像在疾病的診斷和治療中占據(jù)重要地位,準(zhǔn)確地對(duì)醫(yī)學(xué)圖像進(jìn)行分割是進(jìn)一步分析病灶區(qū)域的前提,因而醫(yī)學(xué)圖像分割成為廣大研究者關(guān)注的熱點(diǎn)。各種分割方法在醫(yī)學(xué)圖像中被廣泛應(yīng)用,并且有望改變臨床實(shí)踐,幫助臨床醫(yī)生診斷疾病、確定預(yù)后、制定治療計(jì)劃以及跟蹤治療反應(yīng)。但由于醫(yī)學(xué)圖像往往圖像質(zhì)量差,存在噪聲,模糊邊界,灰度不均勻等不良因素,給實(shí)際地分割帶來了巨大的挑戰(zhàn)�；顒�(dòng)輪廓模型自引入并首次應(yīng)用于醫(yī)學(xué)圖像分割以來,由于其在拓?fù)浣Y(jié)構(gòu)以及平滑方面優(yōu)越的表現(xiàn),被作為一種通用框架而日益流行。本文針對(duì)醫(yī)學(xué)圖像中存在的以上問題,提出了一種新的基于局部灰度差異的自適應(yīng)權(quán)重活動(dòng)輪廓模型（Self-adaptive Weighted active contour model based on Local Intensity Difference,SWLD）,以提供精確的醫(yī)學(xué)圖像分割結(jié)果用于臨床研究。相較于現(xiàn)有的基于活動(dòng)輪廓模型的分割算法,本文所提出的SWLD算法...
【文章來源】：南方醫(yī)科大學(xué)廣東省
【文章頁數(shù)】：63 頁
【學(xué)位級(jí)別】：碩士
【部分圖文】：
圖１－１腮腺導(dǎo)管ＣＢＣＴ圖像和舌癌腫瘤ＭＲＩ圖像??
出其隨時(shí)間ｔ變化的水平集函數(shù)，進(jìn)??而使得復(fù)雜的曲線運(yùn)動(dòng)過程變?yōu)楦呔S函數(shù)的演化過程。??由上文可知，函數(shù)＝?０時(shí)是對(duì)曲線的隱式表達(dá)，則有當(dāng)以時(shí)，??點(diǎn)落在曲線的內(nèi)部，當(dāng)時(shí)，點(diǎn)落在曲線的外部。在水平集函數(shù)的演化??過程中，通常用符號(hào)距離函數(shù)（Ｓｉｇｎｅｄ?Ｄｉｓｔａｎｃｅ?Ｆｕｎｃｔｉｏｎ，ＳＤＦ）來表示點(diǎn)與閉合演??化曲線的位置關(guān)系，其表達(dá)式如下：??＜／）［ｘ，ｙ，ｔ）?＝?±ｄ?（２－５）??其中ｄ為點(diǎn)（ｘ，ｙ）到曲線的最短距離，其符號(hào)取決于點(diǎn)在曲線內(nèi)部還是曲線外??部。圖２－２（Ａ）中紅色曲線為初始曲線，則演化后的藍(lán)色曲線是在初始曲線的內(nèi)部，??此時(shí)其ｄ符號(hào)為負(fù)，在三維空間內(nèi)的表達(dá)如圖２－２（Ｂ）所示（ｚ軸表示ｄ的取值），??位于ｚ軸的負(fù)半軸。同理，圖２－２（Ａ）中演化后的綠色曲線在初始曲線的外部，ｄ??符號(hào)為正，在三維空間上位于ｚ軸的正半軸。??符號(hào)距離函數(shù)極大的方便了水平集在對(duì)于點(diǎn)與曲線位置關(guān)系的表述，但是在??實(shí)際演化過程中，點(diǎn)與曲線位置關(guān)系的表達(dá)仍然存在缺陷。因?yàn)榍�往往需要進(jìn)??行多次演化，當(dāng)對(duì)演化曲線進(jìn)行初始化之后，可以確定該次（第一次）演化過程??中點(diǎn)與曲線之間的距離和符號(hào)，但在第二次的演化過程中，其初始曲線變?yōu)榈谝??次演化之后得到的曲線，此時(shí)點(diǎn)與曲線的位置關(guān)系需要重新定義，才能根據(jù)符號(hào)??距離函數(shù)準(zhǔn)確判斷二者之間的位置關(guān)系，因此需要對(duì)水平集進(jìn)行重新初始化。??（Ａ）?（Ｂ）??圖２－２符號(hào)距離函數(shù)示意圖??Ｆｉｇ．２－２?Ｔｈｅ?ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｓｉｇｎｅｄ?ｄｉｓｔａｎｃｅ?ｆｕｎｃｔｉｏｎ??１７??
?第三章基于局部灰度差異的自適應(yīng)權(quán)重活動(dòng)輪廓模型???域中像素點(diǎn)的總個(gè)數(shù)，Ｄ２（ｘ，ｙ）為中心點(diǎn)ｘ到該鄰域內(nèi)的像素點(diǎn)ｙ的歐氏距離。??需要注意的是，由于計(jì)算Ｄｉ（ｘ，ｙ）和Ｄ２（ｘ，ｙ）所用到的鄰域大小是不同的，因此它??們代表的含義也是不同的。其中，Ｄｉｋｙ）用來計(jì)算演化曲線能量項(xiàng)的權(quán)重系數(shù)，??而Ｄ２（ｘ，ｙ）則是用來計(jì)算局部鄰域的灰度均值。由公式（３－１）和公式（３－２）可知，圖??像內(nèi)像素點(diǎn)ｘ局部相似因子ＬＳＦ的計(jì)算是由兩個(gè)步驟完成的：第一步，計(jì)算ｘ??點(diǎn)圓形鄰域灰度的平均值。該步驟應(yīng)用了公式（３－３）的均值平滑算子，對(duì)圖像進(jìn)行??了一定的平滑，減少了噪聲的影響。第二步，計(jì)算ｘ點(diǎn)矩形鄰域能量項(xiàng)的加權(quán)平??均值。在計(jì)算過程中，ｘ點(diǎn)的能量大部分取決于與它臨近點(diǎn)的像素灰度，因?yàn)楫?dāng)??與ｘ點(diǎn)越遠(yuǎn)時(shí)，其所占權(quán)重越校綜上所述，局部相似因子是定義于局部區(qū)域上??的，相比于ＬＢＦ模型的高斯核函數(shù)，它更能體現(xiàn)圖像細(xì)節(jié)，且對(duì)噪聲具有更高??的魯棒性。??Ｈ??圖３－１矩形鄰域和圓形鄰域關(guān)系圖??Ｆｉｇ．３－１?Ｔｈｅ?ｒｅｌａｔｉｏｎｓｈｉｐ?ｂｅｔｗｅｅｎ?ｓｑｕａｒｅ?ｎｅｉｇｈｂｏｒｈｏｏｄ?ａｎｄ?ｃｉｒｃｕｌａｒ?ｎｅｉｇｈｂｏｒｈｏｏｄ??３．２局部灰度差異??針對(duì)ＬＢＦ、ＤＲＬＳＥ等模型在局部信息表達(dá)上的缺陷，本文引入了局部區(qū)域??灰度的差異信息，使局部區(qū)域的灰度信息得到更全面地表達(dá)。在統(tǒng)計(jì)學(xué)上，均值??和方差是測(cè)算數(shù)據(jù)集中性和離散程度最常用的指標(biāo)，相比其它用于反映數(shù)據(jù)分布??情況的統(tǒng)計(jì)量，均值和方差計(jì)算更簡單，且容易實(shí)現(xiàn)。因此在本文算法中，我們??２２??
本文編號(hào)：3397914
【文章來源】：南方醫(yī)科大學(xué)廣東省
【文章頁數(shù)】：63 頁
【學(xué)位級(jí)別】：碩士
【部分圖文】：
圖１－１腮腺導(dǎo)管ＣＢＣＴ圖像和舌癌腫瘤ＭＲＩ圖像??
出其隨時(shí)間ｔ變化的水平集函數(shù)，進(jìn)??而使得復(fù)雜的曲線運(yùn)動(dòng)過程變?yōu)楦呔S函數(shù)的演化過程。??由上文可知，函數(shù)＝?０時(shí)是對(duì)曲線的隱式表達(dá)，則有當(dāng)以時(shí)，??點(diǎn)落在曲線的內(nèi)部，當(dāng)時(shí)，點(diǎn)落在曲線的外部。在水平集函數(shù)的演化??過程中，通常用符號(hào)距離函數(shù)（Ｓｉｇｎｅｄ?Ｄｉｓｔａｎｃｅ?Ｆｕｎｃｔｉｏｎ，ＳＤＦ）來表示點(diǎn)與閉合演??化曲線的位置關(guān)系，其表達(dá)式如下：??＜／）［ｘ，ｙ，ｔ）?＝?±ｄ?（２－５）??其中ｄ為點(diǎn)（ｘ，ｙ）到曲線的最短距離，其符號(hào)取決于點(diǎn)在曲線內(nèi)部還是曲線外??部。圖２－２（Ａ）中紅色曲線為初始曲線，則演化后的藍(lán)色曲線是在初始曲線的內(nèi)部，??此時(shí)其ｄ符號(hào)為負(fù)，在三維空間內(nèi)的表達(dá)如圖２－２（Ｂ）所示（ｚ軸表示ｄ的取值），??位于ｚ軸的負(fù)半軸。同理，圖２－２（Ａ）中演化后的綠色曲線在初始曲線的外部，ｄ??符號(hào)為正，在三維空間上位于ｚ軸的正半軸。??符號(hào)距離函數(shù)極大的方便了水平集在對(duì)于點(diǎn)與曲線位置關(guān)系的表述，但是在??實(shí)際演化過程中，點(diǎn)與曲線位置關(guān)系的表達(dá)仍然存在缺陷。因?yàn)榍�往往需要進(jìn)??行多次演化，當(dāng)對(duì)演化曲線進(jìn)行初始化之后，可以確定該次（第一次）演化過程??中點(diǎn)與曲線之間的距離和符號(hào)，但在第二次的演化過程中，其初始曲線變?yōu)榈谝??次演化之后得到的曲線，此時(shí)點(diǎn)與曲線的位置關(guān)系需要重新定義，才能根據(jù)符號(hào)??距離函數(shù)準(zhǔn)確判斷二者之間的位置關(guān)系，因此需要對(duì)水平集進(jìn)行重新初始化。??（Ａ）?（Ｂ）??圖２－２符號(hào)距離函數(shù)示意圖??Ｆｉｇ．２－２?Ｔｈｅ?ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｓｉｇｎｅｄ?ｄｉｓｔａｎｃｅ?ｆｕｎｃｔｉｏｎ??１７??
?第三章基于局部灰度差異的自適應(yīng)權(quán)重活動(dòng)輪廓模型???域中像素點(diǎn)的總個(gè)數(shù)，Ｄ２（ｘ，ｙ）為中心點(diǎn)ｘ到該鄰域內(nèi)的像素點(diǎn)ｙ的歐氏距離。??需要注意的是，由于計(jì)算Ｄｉ（ｘ，ｙ）和Ｄ２（ｘ，ｙ）所用到的鄰域大小是不同的，因此它??們代表的含義也是不同的。其中，Ｄｉｋｙ）用來計(jì)算演化曲線能量項(xiàng)的權(quán)重系數(shù)，??而Ｄ２（ｘ，ｙ）則是用來計(jì)算局部鄰域的灰度均值。由公式（３－１）和公式（３－２）可知，圖??像內(nèi)像素點(diǎn)ｘ局部相似因子ＬＳＦ的計(jì)算是由兩個(gè)步驟完成的：第一步，計(jì)算ｘ??點(diǎn)圓形鄰域灰度的平均值。該步驟應(yīng)用了公式（３－３）的均值平滑算子，對(duì)圖像進(jìn)行??了一定的平滑，減少了噪聲的影響。第二步，計(jì)算ｘ點(diǎn)矩形鄰域能量項(xiàng)的加權(quán)平??均值。在計(jì)算過程中，ｘ點(diǎn)的能量大部分取決于與它臨近點(diǎn)的像素灰度，因?yàn)楫?dāng)??與ｘ點(diǎn)越遠(yuǎn)時(shí)，其所占權(quán)重越校綜上所述，局部相似因子是定義于局部區(qū)域上??的，相比于ＬＢＦ模型的高斯核函數(shù)，它更能體現(xiàn)圖像細(xì)節(jié)，且對(duì)噪聲具有更高??的魯棒性。??Ｈ??圖３－１矩形鄰域和圓形鄰域關(guān)系圖??Ｆｉｇ．３－１?Ｔｈｅ?ｒｅｌａｔｉｏｎｓｈｉｐ?ｂｅｔｗｅｅｎ?ｓｑｕａｒｅ?ｎｅｉｇｈｂｏｒｈｏｏｄ?ａｎｄ?ｃｉｒｃｕｌａｒ?ｎｅｉｇｈｂｏｒｈｏｏｄ??３．２局部灰度差異??針對(duì)ＬＢＦ、ＤＲＬＳＥ等模型在局部信息表達(dá)上的缺陷，本文引入了局部區(qū)域??灰度的差異信息，使局部區(qū)域的灰度信息得到更全面地表達(dá)。在統(tǒng)計(jì)學(xué)上，均值??和方差是測(cè)算數(shù)據(jù)集中性和離散程度最常用的指標(biāo)，相比其它用于反映數(shù)據(jù)分布??情況的統(tǒng)計(jì)量，均值和方差計(jì)算更簡單，且容易實(shí)現(xiàn)。因此在本文算法中，我們??２２??
本文編號(hào)：3397914
本文鏈接：http://sikaile.net/kejilunwen/shengwushengchang/3397914.html
最近更新
教材專著
