【摘要】：隨著醫(yī)學成像技術(shù)、信息技術(shù)和數(shù)學的不斷進步,醫(yī)學影像學得到了前所未有的發(fā)展和應用,極大提高了人民的健康水平和生活質(zhì)量。然而,由于醫(yī)學圖像數(shù)量不斷增加、對圖像分析的精度和速度的要求大幅提高。相比于傳統(tǒng)的手動分割對圖像中感興趣解剖結(jié)構(gòu)或病灶組織,基于人工智能和數(shù)學原理的分割算法能夠快速提供更穩(wěn)定、精確、可重復性更高的分割結(jié)果。因此醫(yī)學圖像處理算法的研究成為當前研究的熱點,也是精準醫(yī)學發(fā)展的一個重要方向。在臨床應用中,從單一或多模態(tài)的醫(yī)學圖像中精確的分割出病灶區(qū)域,能夠為后續(xù)的精準診療、手術(shù)規(guī)劃和導航以及療效評估等提供可靠的依據(jù)。但是醫(yī)學圖像上的病灶分割也是一個極具挑戰(zhàn)的任務。首先,醫(yī)學圖像質(zhì)量普遍較低,這主要是由于低對比度、高噪聲、不均勻的灰度分布等因素造成的圖像降質(zhì);其次,由于成像手段本身的機理,會造成同樣的醫(yī)學圖像中,相同的器官也可能呈現(xiàn)出不同的灰度特征。再加上呼吸心跳等原因引起的偽影或失真,以及人工效應等多種因素的存在,目標區(qū)域會出現(xiàn)邊界模糊甚至邊界缺失等問題。另外,由于個體解剖的差異,使得同類的病灶區(qū)域在同樣的成像條件下呈現(xiàn)出不同的灰度、紋理和形態(tài)等特征。因此,從圖像中充分挖掘有用信息,排除復雜背景可能帶來的干擾,成為解決問題的關(guān)鍵。本文從這個角度出發(fā),研究多種醫(yī)學圖像中可利用信息,對信息進行充分提取和有效利用,從而實現(xiàn)在低對比度、強噪聲和缺失部分目標邊界的醫(yī)學圖像中對形態(tài)多變的不同感興趣區(qū)域進行有效分割。本論文的主要結(jié)果有:1、針對醫(yī)學圖像普遍存的高噪聲和低對比度,以及組織器官可能呈現(xiàn)復雜紋理和不均勻的灰度等問題,提出一種基于信息融合的變分水平集框架下的分割模型。這個模型充分利用圖像的灰度特征和自適應有效尺度上的Gabor紋理特征作為數(shù)據(jù)項,從而避免單一信息可能帶來的偏差�？紤]到醫(yī)學圖像上的不確定性,采用Dempster-Shafer證據(jù)理論對兩部分信息進行融合,得到更可靠的分割依據(jù)�；谛畔⑷诤系男履Ｐ湍軌蜃R別超聲圖像上目標的弱邊界,排除復雜背景可能帶來的干擾,實現(xiàn)更精確的分割,多種模態(tài)醫(yī)學圖像上的多種病灶的分割結(jié)果也證明了其有效性。另外,在對52幅腎臟病灶的超聲圖像進行分割的量化評估和與其他方法的比較中,本模型的分割結(jié)果的平均精確度為94.7%,平均Dice系數(shù)為92.8%,高于其它五種經(jīng)典的分割方法;而平均絕對表面距離(MAD)和對稱平均絕對表面距離(SMAD)分別為0.11和0.13,低于其它五種方法。比較結(jié)果表明,本模型所得到的結(jié)果比其他方法更接近ground truths,這種基于DS證據(jù)理論的分割模型是穩(wěn)定和有效的。2、受微分幾何中等周不等式的啟發(fā),提出一種新的針對形狀的'緊性'特征的定量描述,這個形狀先驗被稱為等周約束。通過將等周約束嵌入變分水平集框架,構(gòu)造了一個針對廣泛存在的緊性形狀的分割模型。理論分析和實驗結(jié)果表明,醫(yī)學圖像中,人體多種器官和結(jié)構(gòu)以及病灶都表現(xiàn)為緊性形狀,從而能夠被帶等周約束的模型精確分割。所提的分割模型的優(yōu)勢主要有:等周約束項是具有尺度不變性的,它不僅對目標形狀起到了約束作用,實際上同時對目標區(qū)域的周長、面積、以及曲線的光滑度都有一定的控制作用;同時,等周約束控制了周長平方與面積的比值,從而可以有效地處理目標的邊緣模糊或部分缺失的問題,因此能夠在各類醫(yī)學圖像上對多種目標區(qū)域進行分割。對超聲圖像和CT圖像分割結(jié)果的定量評估和與CV模型和BCS模型的對比結(jié)果也證明了所提出的等周約束模型可以提供更精確的分割結(jié)果。3、研究了等周形狀先驗分割CT圖像上的肝癌病灶區(qū)域。實驗表明,這種廣義的緊性形狀約束,對三種形態(tài)的肝癌區(qū)域的分割都是有效的,這一結(jié)果再次證明了對于緊性形狀的約束適用于多種形狀,包括微凹和不規(guī)則形狀。同時,等周約束也能處理肝癌區(qū)域的邊界模糊和部分缺失的問題。實驗中,有一類特別的肝癌區(qū)域:它們紋理復雜,存在嚴重的灰度不均,且在灰度上與背景的區(qū)分度不大。在分割中,這類區(qū)域?qū)Τ跏蓟浅Ｃ舾?分割曲線極易被高梯度的偽邊界所吸引。對于這類灰度嚴重異質(zhì)區(qū)域,提出一種新的度量方法,對于區(qū)域的復雜程度進行量化評估,避免高復雜度區(qū)域內(nèi)的偽邊界對分割曲線的干擾。同時,研究了灰度不均勻情形下目標與背景的差異,通過區(qū)域相似度的比較來獲得真正的目標邊界。將區(qū)域復雜度和區(qū)域相似度這兩個度量方法嵌入變分水平集框架中,提出一種新的針對灰度分布不均勻區(qū)域的分割模型。該模型對于初始化曲線的位置不敏感。在對60幅帶不同類型肝癌病灶圖像的分割實驗中,該模型的平均準確率為92.3%,平均Dice系數(shù)為89.7%,相比于其他兩種方法,分割結(jié)果更穩(wěn)定,更接近ground truths。量化結(jié)果及比較結(jié)果表明,本方法對于分割這類表現(xiàn)復雜的肝癌區(qū)域是有效的。4、提出一種超聲腎臟圖像上多種病灶的自動檢測方法。通過對醫(yī)生人眼視覺識別病灶區(qū)域的模擬,對病灶區(qū)域進行自動檢測。該方法從圖像數(shù)據(jù)出發(fā),通過與正常組織的比較得到病灶區(qū)域,由于不依賴于任何病灶的先驗信息,因此能夠?qū)D像上多種不同紋理和不同形狀的病灶區(qū)域進行檢測。在檢測結(jié)果的基礎上,采用四種類型的圖像局部信息,即,圖像的灰度,改進的GoD-LBP局部紋理特征,邊界算子,以及視覺顯著性的能量平衡項,嵌入到改進的水平集框架中對目標區(qū)域進行分割。在分割過程中,真實的病變區(qū)域被精確分割,同時,偽目標區(qū)域被排除。為了評估該方法的效果,我們在腎臟超聲圖像上分別進行了腎囊腫和腎癌區(qū)域的自動分割實驗,對于腎囊腫的平均準確率和Dice系數(shù)分別為95.33%和90.16%,對腎癌區(qū)域的平均準確率和Dice系數(shù)分別為94.22%和91.13%。與其它三種分割方法相比,本方法也提供了更接近ground truths的分割結(jié)果。此外,由于該方法利用與正常組織以及健康器官的特征對比得到檢測結(jié)果,而不依賴于病變組織的特異性特征,因此,這種方法可以擴展到處理其他器官以及不同類型病變中。
【學位授予單位】：南京理工大學
【學位級別】：博士
【學位授予年份】：2018
【分類號】：TP391.41;O175.2
【圖文】：

圖３．２：左：原始Ｂ超圖像，右：它的Ｇａｂｏｒ特征逡逑個相關(guān)問題的概率。這些信度值可能沒有概率的數(shù)學性質(zhì)，它們與概率的差異大小逡逑將取決于這兩個問題有多相關(guān)。逡逑３．１．４邋ＤＳ理論中不同來源的證據(jù)的表示逡逑ｅ被稱為是識別框架，它是所有可能性假設的集合，定義為：逡逑ｅ邋＝邋｛Ａ，認，…，Ａｖ｝．逡逑識別框架ｅ的指數(shù)集為２ｅ邋（即ｐ（ｅ）），它包含有２Ｗ個元素：逡逑基本概率指派函數(shù)ｍ，也被稱為是ｍａｓｓ函數(shù)，是定義在逡逑集合上的：ｍ邋：邋２ｅ邋—＞邋［０，１］。一個ｍａｓｓ函數(shù)ｍ

本文編號：2803310