本文首先提出了一種基于局部信息的相場(chǎng)分割模型,在新模型中采用了雙勢(shì)阱函數(shù)結(jié)合局部信息的策略。模型不僅保持了傳統(tǒng)分割模型的優(yōu)點(diǎn),同時(shí)嵌入圖像的局部信息以增強(qiáng)圖像分割效果。Γ收斂性分析顯示新模型具有穩(wěn)健性,也為分割模型系數(shù)參數(shù)的選擇提供一種新的估計(jì)方法。論文分析比較了各類(lèi)圖像的分割結(jié)果,其中包括二維的多分支血管以及三維腦部MRI圖像。所提出分割方法和局部擬合模型、Chan-Vese模型以及局部Chan-Vese模型對(duì)比顯示我們模型在計(jì)算二維多分支血管問(wèn)題時(shí)CPU時(shí)間最小,在三維腦部圖像分割問(wèn)題中,通過(guò)求解經(jīng)典的Dice以及Jaccard指標(biāo)值,我們的模型有較好的分割效果。其次,本文也建立了MRF與Box樣條的等價(jià)性關(guān)系,數(shù)值實(shí)驗(yàn)中比較箱樣條基邊緣分割算子與多種經(jīng)典的邊緣提取算子的分割效果,數(shù)值結(jié)果顯示箱樣條基在提取邊緣特征提取有一定優(yōu)勢(shì)。最后,總結(jié)了現(xiàn)代醫(yī)學(xué)圖像分割中深度學(xué)習(xí)的網(wǎng)絡(luò)結(jié)構(gòu),其中包括FCN網(wǎng)絡(luò)結(jié)構(gòu)、U-Net結(jié)構(gòu)以及Mask R-CNN結(jié)構(gòu)等,并且用U-Net結(jié)構(gòu)訓(xùn)練醫(yī)學(xué)圖像標(biāo)準(zhǔn)數(shù)據(jù)集獲得較好的分割準(zhǔn)確性。 

【文章來(lái)源】：浙江大學(xué)浙江省211工程院校985工程院校教育部直屬院校

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

3左邊是原始MRI腦部圖像，右邊是它的標(biāo)準(zhǔn)測(cè)試集.

浙江大學(xué)碩士學(xué)位論文2基于邊界的經(jīng)典變分模型圖2.4.2展示的是采用不同方法的多分支腦血管圖像的分割結(jié)果。從圖中明顯可以看出經(jīng)過(guò)600次迭代和時(shí)間14.750s，CV模型仍然不能分割最明顯的腦血管部位圖2.4.2(a).但是LBF，LCV以及LPF模型有類(lèi)似的分割效果見(jiàn)圖2.4.2(b),及2.4.2(c)以及圖2.4.2(d)。在這個(gè)數(shù)值算例中LBF模型花費(fèi)了1.30s迭代次數(shù)為30次。LPF模型花費(fèi)了1.8906s，迭代次數(shù)為12次,以及LCV模型花費(fèi)了9.125s，迭代次數(shù)為80次。我們得出結(jié)論，LPF模型和LBP模型比LCV模型花費(fèi)更少的迭代和時(shí)間來(lái)分割多分支腦血管圖像。2.4.2三維MRI腦圖像的灰度和白質(zhì)分割大腦是人體最復(fù)雜和最主要的器官，因此對(duì)灰質(zhì)和白質(zhì)等解剖學(xué)腦組織進(jìn)行定量分析，對(duì)神經(jīng)系統(tǒng)疾病的臨床診斷和治療具有重要意義[58].在我們實(shí)例中三維MRI圖像來(lái)源于BrainWeb1,如圖2.4.3和如圖2.4.4所示，圖2.4.3左邊是原始MRI腦部圖像，右邊是它的標(biāo)準(zhǔn)測(cè)試集.圖2.4.4三維MRI腦部圖像(圖2.4.3)的第80個(gè)切片，左邊是原始MRI腦部圖像，右邊是標(biāo)準(zhǔn)集.在下面的論文中，我們使用所提出的LPF方法來(lái)分割3D基準(zhǔn)MRI腦圖像3D分割過(guò)程見(jiàn)圖2.4.5.為了進(jìn)一步探究三維圖像的分割進(jìn)程，我們畫(huà)出第80個(gè)切片見(jiàn)圖2.4.6.1://....//.18

5三維腦部MR醫(yī)學(xué)圖像分割過(guò)程


本文編號(hào)：3612438