隨著科技的發(fā)展,人類已將腦部結構劃分成了多個功能區(qū),各個功能區(qū)掌管著人類不同的功能。故在疾病研究時,常常需要提取出相應的感興趣區(qū)域(Regions ofinterest,ROI)通過其體積等特征的變化用于診斷和預測。對于ROI功能區(qū)的分割,雖然人工手動分割可以得到更高的分割精度,但是耗時耗力且可重復性差,故使用計算機技術進行全自動分割技術已經(jīng)成為研究熱點�；诙鄨D譜圖像分割技術在模式識別和醫(yī)學圖像分割領域中取得了較好的效果。本文將對如何更快更準確的獲取分割結果展開研究。首先,本文將對目前的基于多圖譜的分割算法進行詳細介紹及其優(yōu)缺點的分析,比如多數(shù)投票法(Majority Voting,MV)、全局加權投票法(Global Weighted Voting,GWV)、局部加權投票法(Local Weighted Voting,LWV)、非局部均值法(Non-Local Mean,NLM)和基于塊的稀疏表示方法(Sparse Patch-based Method,SPBM)等。其次,對于目前基于多圖譜的分割算法中表現(xiàn)較好的兩種算法NLM和SPBM進行GPU并行加速,使其更快的得到分割結果,使其更滿足臨床需求。最后,當前的多圖譜標簽融合框架中存在兩個關鍵問題。(1)忽略了圖像域中特征與解剖標簽的二進制域之間的顯著差異。為最大程度地減少不同灰度差異而優(yōu)化的權重不一定意味著是標簽融合的最佳選擇;(2)缺少對塊的知識體系和對圖譜塊的評估。當前標簽方法只利用目標塊和圖譜塊之間的關系,而忽略了不相關的圖譜塊可能會主導投票過程。為了解決這些問題,我們提出了一個新穎的多圖譜標簽融合框架,以同時描述各種圖像塊(包括目標塊和圖譜塊),并估計最終優(yōu)化的內(nèi)在標簽融合權重,以最大限度地減少錯誤標簽的風險。我們已經(jīng)對我們提出的標簽融合方法進行評估,將對海馬體、基地神經(jīng)節(jié)區(qū)域的深灰質(zhì)和整個大腦的ROI進行分割,與其他先進的多圖譜標簽融合方法相比,我們的方法取得了顯著的效果,提高了分割的準確性。
【學位單位】：杭州電子科技大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：R445;TP391.41
【部分圖文】：

測［２？６］。因為ＭＲＩ的圖像較為清晰且圖像分辨率較高得到醫(yī)學工作者及研宄者逡逑的廣泛認可，特別是腦部自動分割后ＲＯＩＳ的體積測量可以得到更高的精確度，逡逑故本文基于多圖譜醫(yī)學圖像分割的應用的研究主要基于ＭＲＩ圖像。如圖１．１所逡逑示，左邊是一個ＭＲＩ圖像的大腦圖像，右邊是醫(yī)學工作者按照大腦功能區(qū)域分逡逑割出來的ＲＯＩＳ，其中每種顏色表示一種ＲＯＩ。逡逑圖１．１大腦圖像分割示例逡逑在醫(yī)學圖像分割初期研宄中，受到了計算機硬件等限制，都是靠醫(yī)學工作者逡逑手動完成的，因為那時圖像掃描設備的限制，掃描層數(shù)較少且圖像分辨率不高，逡逑手動完成的可能性較高。但隨著生物成像技術的不斷發(fā)展，為了更好的將掃描的逡逑影像用于疾病的診斷與預測，人們對圖像質(zhì)量有了更高地要求，隨著掃描層數(shù)以逡逑及圖像分辨率被不斷的提高，人工手動完成的可能性就變得越來越低。再加上人逡逑１逡逑

區(qū)所在的區(qū)域位置都基本固定，并且在形狀上也非常類似，基于這一點，國內(nèi)外逡逑在該領域的研究者使用最多的方法是基于圖譜的圖像分割方法。近年來基于圖譜逡逑圖像分割技術在實際應用中獲得了相當不錯的效果。如圖１．２所示，左邊每個逡逑ＭＲＩ圖像對應一個標簽圖像，這兩個放在一起被稱之為圖譜。當我們只使用一組逡逑圖譜進行圖像分割時，我們稱之為單圖譜；當使用圖譜數(shù)量大于１時，就是本文逡逑主要闡述的多圖譜。由圖１．２可知基于圖譜圖像分割的最終目的是通過圖譜和目逡逑標圖像獲取目標圖像所對應的標簽圖像。逡逑在基于圖譜的圖像分割過程中，需要將圖譜和目標圖像映射到統(tǒng)一的空間域逡逑中，即就是配準。配準的精度直接影響到了分割結果的好壞，所以配準是基于圖逡逑譜圖像分割中的一個關鍵步驟。在這個過程中我們需要考慮到變換方法、相似性逡逑度量、參數(shù)優(yōu)化以及圖像插值等方面。其中，變換方法有剛體配準（如仿射變換）逡逑和非剛體配準（如Ｂ樣條、薄板樣條等）；相似性度量的目的是用來判斷兩幅圖逡逑像配準結果的好壞，主要方法有誤差平方和算法（ＳｕｍｏｆＳｑｕａｒｅｄＤｉｆｆｅｒｅｎｃｅｓ，ＳＳＤ）逡逑和互信息（Ｍｕｔｕａｌ邋Ｉｎｆｏｒｍａｔｉｏｎ，邋Ｍｌ）等；參數(shù)優(yōu)化則是調(diào)整最優(yōu)參數(shù)，經(jīng)常使用的逡逑方法［５（）］有梯度下降法、遺傳算法等；圖像插值則是根據(jù)最終的映射函數(shù)將每個像逡逑素或體素點插值到最終配準后的圖像中去

端處理等這些復雜的邏輯操作都是由ＣＰＵ來完成的；而像圖像渲染等數(shù)據(jù)沒有逡逑相互依賴的操作都是由ＧＰＵ來完成的。也正是因為ＣＰＵ和ＧＰＵ所處理的側重逡逑點不同，所以它們的設計構架和目的是不同的。它們的構架區(qū)別如圖２．２所逡逑不。逡逑１１邋ＡＬＵ邋Ｉ邋ＡＬＵ逡逑Ｃｏｎｔｒｏｌ邋邐邐邐邋＿逡逑ＡＬＵ邋ＡＬＵ邋■邐逡逑ｆｏｏｌｎｐ邐邐逡逑＿＿逡逑□邋１邋１邋１邋１邋１邋１邋１邋Ｉ逡逑ＤＲＡＭ邐１邐｜邋ＤＲＡＭ邋■畫：Ｈ逡逑圖２．２邋ＣＰＵ邋（左）和ＧＰＵ邋（右）的構架示意圖逡逑１７逡逑Ａ逡逑

【相似文獻】

相關期刊論文 前10條

1 張光華;潘婧;羅躍國;;聚類算法在醫(yī)學圖像分割中的應用[J];計算機產(chǎn)品與流通;2019年03期

2 劉宇;陳勝;;醫(yī)學圖像分割方法綜述[J];電子科技;2017年08期

3 康毓秀;趙錫英;李彭博;徐艷;;一種改進的醫(yī)學圖像分割聚類算法[J];蘭州工業(yè)學院學報;2017年04期

4 徐效文;楊志剛;;光學相干層析醫(yī)學圖像分割研究現(xiàn)狀[J];中國醫(yī)學物理學雜志;2016年07期

5 陳明;趙云;范能勝;張懷\

本文編號：2811798