隨著科技的發(fā)展,人類已將腦部結(jié)構(gòu)劃分成了多個(gè)功能區(qū),各個(gè)功能區(qū)掌管著人類不同的功能。故在疾病研究時(shí),常常需要提取出相應(yīng)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(yù)測(cè)。對(duì)于ROI功能區(qū)的分割,雖然人工手動(dòng)分割可以得到更高的分割精度,但是耗時(shí)耗力且可重復(fù)性差,故使用計(jì)算機(jī)技術(shù)進(jìn)行全自動(dòng)分割技術(shù)已經(jīng)成為研究熱點(diǎn)�；诙鄨D譜圖像分割技術(shù)在模式識(shí)別和醫(yī)學(xué)圖像分割領(lǐng)域中取得了較好的效果。本文將對(duì)如何更快更準(zhǔn)確的獲取分割結(jié)果展開研究。首先,本文將對(duì)目前的基于多圖譜的分割算法進(jìn)行詳細(xì)介紹及其優(yōu)缺點(diǎn)的分析,比如多數(shù)投票法(Majority Voting,MV)、全局加權(quán)投票法(Global Weighted Voting,GWV)、局部加權(quán)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(duì)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(jìn)行GPU并行加速,使其更快的得到分割結(jié)果,使其更滿足臨床需求。最后,當(dāng)前的多圖譜標(biāo)簽融合框架中存在兩個(gè)關(guān)鍵問題。(1)忽略了圖像域中特征與解剖標(biāo)簽的二進(jìn)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(quán)重不一定意味著是標(biāo)簽融合的最佳選擇;(2)缺少對(duì)塊的知識(shí)體系和對(duì)圖譜塊的評(píng)估。當(dāng)前標(biāo)簽方法只利用目標(biāo)塊和圖譜塊之間的關(guān)系,而忽略了不相關(guān)的圖譜塊可能會(huì)主導(dǎo)投票過程。為了解決這些問題,我們提出了一個(gè)新穎的多圖譜標(biāo)簽融合框架,以同時(shí)描述各種圖像塊(包括目標(biāo)塊和圖譜塊),并估計(jì)最終優(yōu)化的內(nèi)在標(biāo)簽融合權(quán)重,以最大限度地減少錯(cuò)誤標(biāo)簽的風(fēng)險(xiǎn)。我們已經(jīng)對(duì)我們提出的標(biāo)簽融合方法進(jìn)行評(píng)估,將對(duì)海馬體、基地神經(jīng)節(jié)區(qū)域的深灰質(zhì)和整個(gè)大腦的ROI進(jìn)行分割,與其他先進(jìn)的多圖譜標(biāo)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(zhǔn)確性。
【學(xué)位單位】：杭州電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：R445;TP391.41
【部分圖文】：

測(cè)［２？６］。因?yàn)椋停遥傻膱D像較為清晰且圖像分辨率較高得到醫(yī)學(xué)工作者及研宄者逡逑的廣泛認(rèn)可，特別是腦部自動(dòng)分割后ＲＯＩＳ的體積測(cè)量可以得到更高的精確度，逡逑故本文基于多圖譜醫(yī)學(xué)圖像分割的應(yīng)用的研究主要基于ＭＲＩ圖像。如圖１．１所逡逑示，左邊是一個(gè)ＭＲＩ圖像的大腦圖像，右邊是醫(yī)學(xué)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(xué)圖像分割初期研宄中，受到了計(jì)算機(jī)硬件等限制，都是靠醫(yī)學(xué)工作者逡逑手動(dòng)完成的，因?yàn)槟菚r(shí)圖像掃描設(shè)備的限制，掃描層數(shù)較少且圖像分辨率不高，逡逑手動(dòng)完成的可能性較高。但隨著生物成像技術(shù)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(yù)測(cè)，人們對(duì)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(dòng)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(diǎn)，國(guó)內(nèi)外逡逑在該領(lǐng)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(shù)在實(shí)際應(yīng)用中獲得了相當(dāng)不錯(cuò)的效果。如圖１．２所示，左邊每個(gè)逡逑ＭＲＩ圖像對(duì)應(yīng)一個(gè)標(biāo)簽圖像，這兩個(gè)放在一起被稱之為圖譜。當(dāng)我們只使用一組逡逑圖譜進(jìn)行圖像分割時(shí)，我們稱之為單圖譜；當(dāng)使用圖譜數(shù)量大于１時(shí)，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(biāo)圖像獲取目標(biāo)圖像所對(duì)應(yīng)的標(biāo)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(biāo)圖像映射到統(tǒng)一的空間域逡逑中，即就是配準(zhǔn)。配準(zhǔn)的精度直接影響到了分割結(jié)果的好壞，所以配準(zhǔn)是基于圖逡逑譜圖像分割中的一個(gè)關(guān)鍵步驟。在這個(gè)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(zhǔn)（如仿射變換）逡逑和非剛體配準(zhǔn)（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(zhǔn)結(jié)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(gè)像逡逑素或體素點(diǎn)插值到最終配準(zhǔn)后的圖像中去

端處理等這些復(fù)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?yàn)椋茫校蘸停牵校账幚淼膫?cè)重逡逑點(diǎn)不同，所以它們的設(shè)計(jì)構(gòu)架和目的是不同的。它們的構(gòu)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(gòu)架示意圖逡逑１７逡逑Ａ逡逑

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張光華;潘婧;羅躍國(guó);;聚類算法在醫(yī)學(xué)圖像分割中的應(yīng)用[J];計(jì)算機(jī)產(chǎn)品與流通;2019年03期

2 劉宇;陳勝;;醫(yī)學(xué)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(jìn)的醫(yī)學(xué)圖像分割聚類算法[J];蘭州工業(yè)學(xué)院學(xué)報(bào);2017年04期

4 徐效文;楊志剛;;光學(xué)相干層析醫(yī)學(xué)圖像分割研究現(xiàn)狀[J];中國(guó)醫(yī)學(xué)物理學(xué)雜志;2016年07期

5 陳明;趙云;范能勝;張懷\

本文編號(hào)：2811798