本文關(guān)鍵詞：多閾值與多圖譜方法在醫(yī)學(xué)圖像分割上的應(yīng)用研究　出處：《山東大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 醫(yī)學(xué)圖像分割 腦MR圖像 主動脈CT圖像 多閾值分割 多圖譜分割 回溯搜索算法

【摘要】：醫(yī)學(xué)圖像是醫(yī)療人員進(jìn)行疾病診斷、風(fēng)險評估及制定治療計劃的重要輔助性工具,隨著成像技術(shù)的快速發(fā)展,海量醫(yī)學(xué)圖像數(shù)據(jù)的產(chǎn)生給計算機(jī)輔助的醫(yī)學(xué)圖像處理技術(shù)提出了新要求。圖像分割能夠?qū)D像中的每個像素點進(jìn)行類別劃分,為醫(yī)療人員提供準(zhǔn)確的解剖學(xué)信息,如病灶的位置、大小、形狀信息,同時為其他圖像處理技術(shù),如三維重建,提供信息輸入。因此,圍繞醫(yī)學(xué)圖像展開的三維重建、可視化、定量分析等工作的質(zhì)量很大程度上取決于醫(yī)學(xué)圖像分割的質(zhì)量。正是出于這樣的原因,醫(yī)學(xué)圖像分割具有極大的研究價值。近30年間,醫(yī)學(xué)圖像分割領(lǐng)域產(chǎn)生了眾多經(jīng)典算法,常用的基于灰度、基于可變模型的分割方法能夠?qū)Ψ尾�、心臟、乳腺、腎臟等多種器官組織進(jìn)行高精度的自動分割,極大地簡化了醫(yī)療人員的工作,也提高了患者康復(fù)的幾率。但是,對于一些特定部位、特定模態(tài)的圖像,目前仍無令人滿意的分割方法。例如,在腦MR圖像分割過程中,由于核磁共振成像設(shè)備的電子噪聲所造成的灰度不均勻及設(shè)備分辨率限制造成的容積效應(yīng),不同腦組織呈現(xiàn)出極其相近的灰度,且各組織邊緣重疊交錯,給基于灰度和基于可變模型的分割方法帶來了極大的困難;在主動脈CT圖像成像時,主動脈區(qū)域與周圍組織器官呈現(xiàn)出相近的灰度、紋理特征,纖薄的血管壁也無法提供清晰的邊緣,因而,灰度、邊緣、紋理等特征在主動脈分割時無法提供有用信息�；谝陨系脑�,針對腦MR圖像存在的偏場效應(yīng)等問題,本文使用了信息學(xué)中的模糊熵,引入隸屬度函數(shù)的概念,將圖像中的像素按照多個隸屬度函數(shù)的值"軟性"地劃分到各類,克服了傳統(tǒng)閾值分割方法"硬性"分割難以解決偏場效應(yīng)的不足。在對模糊熵函數(shù)進(jìn)行優(yōu)化時,本文對回溯搜索算法進(jìn)行了針對性的改進(jìn),增強(qiáng)了其局部搜索能力,能夠更精確、更高效地得到最佳的多個閾值。實驗結(jié)果表明,本文的方法比傳統(tǒng)的Otsu和Kapur閾值法更加有效,且魯棒性更高,對偏場效應(yīng)有更好的抑制作用。針對主動脈CT圖像中存在的區(qū)分性不高的問題,本文使用了基于圖譜的分割方法,并且使用了一種聯(lián)合標(biāo)簽融合策略,在考慮圖譜與目標(biāo)圖像關(guān)系的同時,也兼顧了各圖譜之間的相互關(guān)系,克服了圖譜冗余信息的干擾,從而提高了對主動脈區(qū)域的分割精度。實驗結(jié)果表明,本文提出的主動脈分割方法能夠提供90%左右的分割精度,且分割性能和魯棒性高于結(jié)合了其他標(biāo)簽融合策略的圖譜分割法。
[Abstract]:Medical image is an important auxiliary tool for medical staff to diagnose diseases, assess risks and formulate treatment plans. With the rapid development of imaging technology, the emergence of massive medical image data has brought new demands for computer-aided medical image processing technology. Image segmentation can classify every pixel in the image, provide accurate anatomical information for medical staff, such as location, size and shape information of the lesion, and provide information input for other image processing technologies, such as 3D reconstruction. Therefore, the quality of medical image segmentation depends largely on the quality of the 3D reconstruction, visualization and quantitative analysis around medical images. It is for this reason that medical image segmentation has great research value. The past 30 years, the field of medical image segmentation has produced many classic algorithms, automatic segmentation, segmentation method based on the commonly used gray model based on variable precision can be obtained in the lung, heart, kidney, breast and other tissues, which greatly simplifies the medical staff, but also improve the chances of rehabilitation. However, there are still no satisfactory segmentation methods for some specific parts and specific modal images. For example, in the segmentation of brain MR image process, due to the volume effect of gray level noise electronic magnetic resonance imaging equipment caused by non-uniform resolution and equipment limitations caused by different brain tissues, showing a gray very similar, and each edge of overlapping organizations, based on the gray segmentation method based on deformable model and brought great the difficulties in CT imaging; aortic, aortic region and surrounding tissues and organs showed gray and texture features are similar to that of the vascular wall slim cannot provide clear edge, therefore, gray, edge and texture features can provide useful information on the aortic segment. Based on the above reasons, the existence of brain MR image bias field effect problem, this paper uses the fuzzy entropy in Information Science, the membership function is introduced, the pixels in the image according to a plurality of membership function values of "soft" is divided into various types, to overcome the traditional threshold segmentation method "" it is difficult to solve the shortage of hard segmentation bias field effect. When optimizing the fuzzy entropy function, we improve the backtracking algorithm, enhance its local search ability, and get the best multiple thresholds more accurately and efficiently. The experimental results show that the proposed method is more effective than the traditional Otsu and Kapur threshold method, and is more robust, and has a better inhibition effect on partial field effect. In view of the existing image in aortic CT distinction is not high, this paper use the segmentation method based on mapping, and the use of a joint tag fusion strategy, considering the relationship between map and target image at the same time, taking into account the relationship between the atlas, to overcome the interference of redundant information, so as to improve the the aortic area segmentation accuracy. The experimental results show that the proposed aortic segmentation method can provide about 90% of the segmentation accuracy, and the segmentation performance and robustness are higher than those combined with other tag fusion strategies.
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：R319;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 翁璇;鄭小林;姜海;;醫(yī)學(xué)圖像分割技術(shù)研究進(jìn)展[J];醫(yī)療衛(wèi)生裝備;2007年01期

2 張貴英;張先杰;;醫(yī)學(xué)圖像分割技術(shù)研究[J];醫(yī)學(xué)信息(上旬刊);2011年01期

3 聶斌;醫(yī)學(xué)圖像分割技術(shù)及其進(jìn)展[J];泰山醫(yī)學(xué)院學(xué)報;2002年04期

4 翁璇;鄭小林;彭承林;;醫(yī)學(xué)圖像分割方法研究[J];中國醫(yī)療器械信息;2006年06期

5 李強(qiáng);;醫(yī)學(xué)圖像分割進(jìn)展[J];中國醫(yī)療設(shè)備;2010年05期

6 楊曉強(qiáng),李斌,魏生民;基于解剖知識模型的醫(yī)學(xué)圖像分割方法研究[J];航天醫(yī)學(xué)與醫(yī)學(xué)工程;2005年01期

7 哈章;李傳富;王金萍;周康源;楊振森;;一種新型的醫(yī)學(xué)圖像分割評價方法[J];北京生物醫(yī)學(xué)工程;2008年04期

8 陳薇薇;劉希順;劉安芝;;局部興奮全局抑制神經(jīng)元振蕩網(wǎng)絡(luò)在醫(yī)學(xué)圖像分割中的應(yīng)用[J];中國生物醫(yī)學(xué)工程學(xué)報;2006年01期

9 金春蘭;黃華;張國芳;劉壙彬;;基于多重分形譜和自組織神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分割[J];中國組織工程研究與臨床康復(fù);2010年13期

10 金春蘭;黃華;劉壙彬;;基于多重分形的醫(yī)學(xué)圖像分割方法[J];中國組織工程研究與臨床康復(fù);2010年09期

相關(guān)會議論文 前9條

1 安溪娟;郭磊;苗東博;;基于支持向量機(jī)的醫(yī)學(xué)圖像分割的研究[A];天津市生物醫(yī)學(xué)工程學(xué)會第三十一屆學(xué)術(shù)年會論文集[C];2011年

2 趙亮;李熙瑩;劉嘉昭;趙福利;;基于聚類神經(jīng)網(wǎng)絡(luò)算法的醫(yī)學(xué)圖像分割[A];2006年全國光電技術(shù)學(xué)術(shù)交流會會議文集（D 光電信息處理技術(shù)專題）[C];2006年

3 王鑫;羅斌;周偉華;;基于歸一化割的醫(yī)學(xué)圖像分割[A];第十二屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2005年

4 韓忠玲;韓忠明;汲偉明;姚萌;;基于模擬退火遺傳算法的醫(yī)學(xué)圖像偏移場校正[A];第七屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2009年

5 張永;馬華;賈桂霞;;基于粗糙集屬性約減的醫(yī)學(xué)圖像分割[A];第十二屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2005年

6 盛朗;朱清;陳進(jìn);居小平;;融合全局和局部圖像信息的水平集醫(yī)學(xué)圖像分割方法[A];2013年中國智能自動化學(xué)術(shù)會議論文集（第五分冊）[C];2013年

7 王高峰;黎杰;漆云翔;;膀胱CT圖像的自動動分割[A];中華醫(yī)學(xué)會放射腫瘤治療學(xué)分會六屆二次暨中國抗癌協(xié)會腫瘤放療專業(yè)委員會二屆二次學(xué)術(shù)會議論文集[C];2009年

8 盧坤虎;李志勇;;基于CT圖像的三維有限元模型構(gòu)建[A];第十屆全國生物力學(xué)學(xué)術(shù)會議暨第十二屆全國生物流變學(xué)學(xué)術(shù)會議論文摘要匯編[C];2012年

9 婁武濤;侯寅;馬川;劉奇;;基于標(biāo)記的肝臟CT圖像智能提取[A];中國計算機(jī)圖形學(xué)進(jìn)展2008--第七屆中國計算機(jī)圖形學(xué)大會論文集[C];2008年

相關(guān)博士學(xué)位論文 前7條

1 郝家勝;基于幾何流的醫(yī)學(xué)圖像分割方法及其應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2008年

2 謝從華;基于密度模型的醫(yī)學(xué)圖像分割方法研究[D];江蘇大學(xué);2011年

3 張小峰;基于模糊聚類算法的醫(yī)學(xué)圖像分割技術(shù)研究[D];山東大學(xué);2014年

4 孟t-;基于活動輪廓模型的醫(yī)學(xué)圖像分割關(guān)鍵技術(shù)研究[D];東北大學(xué);2010年

5 鄭倩;醫(yī)學(xué)圖像分割方法研究及其應(yīng)用[D];南方醫(yī)科大學(xué);2014年

6 郭艷蓉;醫(yī)學(xué)圖像分割與配準(zhǔn)若干關(guān)鍵問題研究[D];合肥工業(yè)大學(xué);2013年

7 張翔;支持向量機(jī)及其在醫(yī)學(xué)圖像分割中的應(yīng)用[D];華中科技大學(xué);2004年

相關(guān)碩士學(xué)位論文 前10條

1 宋浩;醫(yī)學(xué)圖像分割相關(guān)算法研究[D];電子科技大學(xué);2014年

2 張憲林;基于活動輪廓模型的醫(yī)學(xué)圖像分割方法研究[D];東北大學(xué);2013年

3 易宗劍;基于群智能優(yōu)化算法的醫(yī)學(xué)圖像分割研究[D];廣西師范學(xué)院;2015年

4 陳靜;基于變分水平集的醫(yī)學(xué)圖像分割[D];揚(yáng)州大學(xué);2015年

5 潘紅;基于Otsu的醫(yī)學(xué)圖像分割算法研究[D];吉林大學(xué);2016年

6 吳杰;基于模糊聚類的水平集醫(yī)學(xué)圖像分割[D];揚(yáng)州大學(xué);2016年

7 曾璐璐;改進(jìn)的PSO優(yōu)化ELM算法在醫(yī)學(xué)圖像分割中的應(yīng)用研究[D];廣西師范學(xué)院;2016年

8 陳婷;基于多圖譜配準(zhǔn)的醫(yī)學(xué)圖像分割[D];大連理工大學(xué);2016年

9 蔣穎;基于聚類的RSF算法在醫(yī)學(xué)圖像分割中的應(yīng)用[D];廣西師范學(xué)院;2016年

10 吳宇翔;面向醫(yī)學(xué)圖像分割的免疫模糊聚類改進(jìn)研究[D];東華大學(xué);2017年

，

本文編號：1338372