本文選題：圖像分割 + 隨機(jī)游走�。� 參考：《南方醫(yī)科大學(xué)》2017年博士論文

【摘要】：近十多年來(lái)基于圖的交互式醫(yī)學(xué)圖像分割方法受到研究者越來(lái)越多的關(guān)注,該類方法在臨床應(yīng)用中表現(xiàn)出以下幾種優(yōu)勢(shì):一是算法為用戶提供了直觀而且便捷的交互界面,在足夠的交互下可以得到任意的分割結(jié)果;二是無(wú)需訓(xùn)練步驟或者先驗(yàn)信息,針對(duì)各類圖像中的不同目標(biāo)時(shí)體現(xiàn)出魯棒性;三是在自動(dòng)化種子點(diǎn)檢測(cè)方法的輔助下,交互式算法可以轉(zhuǎn)化為全自動(dòng)分割方法。在前人研究的基礎(chǔ)上,本文做出的創(chuàng)新與改進(jìn)工作主要包括兩部分:首先提出了一種新型基于隨機(jī)游走模型的圖像分割方法,并將其應(yīng)用于多模態(tài)核磁共振圖像中腦腫瘤的分割;其次提出了一種基于半監(jiān)督譜聚類的迭代式圖像分割方法,并將其應(yīng)用于數(shù)字乳腺斷層攝影圖像中腫瘤病灶的分割。腦腫瘤是一種比較常見且致死率較高的惡性腫瘤,核磁共振成像是針對(duì)該類腫瘤最常用的診斷技術(shù)。腦腫瘤的多模態(tài)核磁共振圖像分割是醫(yī)學(xué)圖像領(lǐng)域難點(diǎn)和熱點(diǎn)問(wèn)題之一。本文針對(duì)多模態(tài)腦腫瘤核磁共振圖像的分割問(wèn)題,提出了一種新的基于隨機(jī)游走模型的分割算法,將隨機(jī)游走模型拓展到特征空間,根據(jù)已標(biāo)記種子點(diǎn)來(lái)計(jì)算特征空間中未標(biāo)記點(diǎn)屬于前景或者背景的概率值,并將其做為下一步分割中使用到的預(yù)設(shè)標(biāo)簽集。并且,為了使算法對(duì)初始化具有更高的容錯(cuò)性,作者將傳統(tǒng)算法中能量函數(shù)的硬約束優(yōu)化問(wèn)題轉(zhuǎn)化為非約束優(yōu)化。作者還提出了一種基于不對(duì)稱性的種子點(diǎn)生成方法,通過(guò)對(duì)顱內(nèi)病灶與腫瘤進(jìn)行粗略的定位,將上述交互式方法轉(zhuǎn)化為全自動(dòng)式分割。對(duì)比實(shí)驗(yàn)顯示,當(dāng)種子點(diǎn)數(shù)量下降、種子點(diǎn)位置偏移和錯(cuò)誤種子點(diǎn)比例增加時(shí),本文提出算法的性能均優(yōu)于圖割算法和隨機(jī)游走算法。本研究使用30例多模態(tài)神經(jīng)膠質(zhì)瘤核磁共振圖像對(duì)全自動(dòng)腦腫瘤分割方法進(jìn)行驗(yàn)證,在分割整體病灶時(shí)平均Dice系數(shù)為0.852 ± 0.107,在分割腫瘤時(shí)平均Dice系數(shù)為0.729 ± 0.252。為了有效解決算法中涉及的大規(guī)模稀疏線性方程組問(wèn)題,本研究采用基于GPU技術(shù)的CULA線性代數(shù)運(yùn)算工具包作為加速工具,可實(shí)現(xiàn)在五分鐘之內(nèi)完成一例分辨率為256× 256 × 181的腦腫瘤圖像分割�；谌橄儆跋竦挠�(jì)算機(jī)輔助診斷可幫助醫(yī)生對(duì)圖像中可疑腫塊和病灶進(jìn)行檢測(cè)和分析,是醫(yī)學(xué)圖像領(lǐng)域重要課題,而乳腺腫瘤的圖像分割是該課題中的關(guān)鍵技術(shù)。針對(duì)乳腺病灶圖像分割問(wèn)題,本文提出了一種半自動(dòng)基于半監(jiān)督譜聚類的迭代式圖像分割算法。該算法借鑒了經(jīng)典算法GrabCut的交互界面,允許用戶對(duì)像素做不完全標(biāo)記,只需在目標(biāo)外輸入一個(gè)矩形框即可完成算法初始化。該算法提出一種新的相似性圖構(gòu)造方式,將半監(jiān)督譜聚類在特征空間中的聚類功能和隨機(jī)游走算法在圖像空間中的分割功能整合在同一框架之內(nèi),通過(guò)迭代式地優(yōu)化能量函數(shù)實(shí)現(xiàn)分割過(guò)程。本研究使用30例乳腺腫瘤病人(包括15例良性和15例惡性)共計(jì)60幅(每例病人包含兩個(gè)體位)數(shù)字乳腺斷層圖像對(duì)上述算法進(jìn)行驗(yàn)證,實(shí)驗(yàn)結(jié)果表明該方法可以實(shí)現(xiàn)對(duì)乳腺腫瘤的分割,分割結(jié)果與金標(biāo)準(zhǔn)之間的平均Dice系數(shù)為0.798 ± 0.090。本文還對(duì)算法中關(guān)鍵參數(shù)以及初始化對(duì)分割結(jié)果的影響做了探討與分析。
[Abstract]:In recent more than 10 years, the interactive medical image segmentation method based on graph has attracted more and more attention. This method shows the following advantages in clinical application: first, the algorithm provides the user with an intuitive and convenient interface, and can get arbitrary segmentation results under sufficient interaction; two, no training steps are needed. Or prior information is robust to different targets in all kinds of images; three is an automatic seed point detection method, which can be transformed into a full automatic segmentation method. On the basis of previous research, the innovation and improvement of this paper mainly include two parts: first, a new type of base is proposed. The image segmentation method of random walk model is applied to the segmentation of brain tumors in multimodal NMR images. Secondly, an iterative image segmentation method based on semi supervised spectral clustering is proposed and applied to the segmentation of tumor lesions in digital mammography images. Brain tumor is a common and lethal type of tumor. High rate malignant tumor, MRI is the most common diagnostic technique for this kind of tumor. Multi mode NMR image segmentation of brain tumor is one of the difficult and hot issues in the field of medical image. In this paper, a new model based on random walk model is proposed for the segmentation of NMR images of multimodal brain tumors. The algorithm extends the random walk model to the feature space, and calculates the probability values of the foreground or the background of the unmarked points in the feature space according to the marked seed points, and makes it the set of preset tags used in the next step. In order to make the algorithm have higher fault tolerance for the initialization, the author will be able to make the traditional algorithm in the traditional algorithm. The problem of the hard constrained optimization of the quantity function is transformed into a non constrained optimization. The author also proposes a method for the generation of seed points based on the asymmetry. By rough positioning of the intracranial focus and tumor, the interactive method is transformed into an automatic segmentation. The comparison experiment shows that the seed point position is offset and the number of seed points is reduced. When the proportion of wrong seed points is increased, the performance of the algorithm is better than that of the graph cut algorithm and random walk algorithm. This study uses 30 cases of multimodal glioma MRI to verify the full automatic brain tumor segmentation method. The average Dice coefficient is 0.852 + 0.107 when segmenting the whole focus, and the average Dice system in the segmentation of the tumor. The number is 0.729 + 0.252. in order to effectively solve the problem of large-scale sparse linear equations involved in the algorithm. In this study, the CULA linear algebra operation toolkit based on GPU technology is used as an acceleration tool. A case of brain tumor image segmentation with a resolution of 256 * 256 * 181 can be completed within five minutes. Auxiliary diagnosis can help doctors detect and analyze suspicious masses and lesions in images. It is an important subject in the field of medical image, and image segmentation of breast tumor is the key technology in this subject. In this paper, an iterative image segmentation algorithm based on semi supervised spectral clustering is proposed in this paper for image segmentation of breast lesions. The algorithm uses the interactive interface of the classical algorithm GrabCut, allowing the user to make incomplete markings of the pixels. The algorithm initializes the algorithm only by entering a rectangle outside the target. The algorithm proposes a new pattern of similarity graph construction, and the clustering function and random walk algorithm of semi supervised spectrum clustering in the feature space are empty in the image space. In this study, 30 cases of breast cancer (including 15 benign and 15 malignant) were used to verify the above algorithm, and the experimental results showed that the proposed method was used in 30 cases of breast tumor patients (including 15 benign and 15 malignant). The segmentation of breast tumor can be realized. The average Dice coefficient between the segmentation results and the gold standard is 0.798 + 0.090.. This paper also discusses and analyzes the key parameters in the algorithm and the influence of the initialization on the segmentation results.

【學(xué)位授予單位】：南方醫(yī)科大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 邱明,張二虎;醫(yī)學(xué)圖像分割方法[J];計(jì)算機(jī)工程與設(shè)計(jì);2005年06期

2 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

3 孔曉榮;史延新;孔祥斌;;醫(yī)學(xué)圖像分割處理技術(shù)的應(yīng)用[J];蘭州大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年S1期

4 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

5 林麗秋;陳亮亮;;醫(yī)學(xué)圖像分割研究概況[J];科技信息;2011年21期

6 朱文婕;;圖像分割技術(shù)在醫(yī)學(xué)圖像分割中的應(yīng)用[J];安徽科技學(xué)院學(xué)報(bào);2011年03期

7 熱孜萬(wàn)古麗·夏米西丁;;醫(yī)學(xué)圖像分割算法分類及特點(diǎn)[J];科技信息;2013年03期

8 黃文博;燕楊;王云吉;;醫(yī)學(xué)圖像分割方法綜述[J];長(zhǎng)春師范學(xué)院學(xué)報(bào);2013年04期

9 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(bào);2002年04期

10 林瑤;田捷;;醫(yī)學(xué)圖像分割方法綜述[J];模式識(shí)別與人工智能;2002年02期

相關(guān)會(huì)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(huì)第三十一屆學(xué)術(shù)年會(huì)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(guó)光電技術(shù)學(xué)術(shù)交流會(huì)會(huì)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(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)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(chǎng)校正[A];第七屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)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(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)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(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第五分冊(cè)）[C];2013年

7 王高峰;黎杰;漆云翔;;膀胱CT圖像的自動(dòng)動(dòng)分割[A];中華醫(yī)學(xué)會(huì)放射腫瘤治療學(xué)分會(huì)六屆二次暨中國(guó)抗癌協(xié)會(huì)腫瘤放療專業(yè)委員會(huì)二屆二次學(xué)術(shù)會(huì)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(guó)生物力學(xué)學(xué)術(shù)會(huì)議暨第十二屆全國(guó)生物流變學(xué)學(xué)術(shù)會(huì)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(guó)計(jì)算機(jī)圖形學(xué)進(jìn)展2008--第七屆中國(guó)計(jì)算機(jī)圖形學(xué)大會(huì)論文集[C];2008年

相關(guān)博士學(xué)位論文 前8條

1 肖陽(yáng);基于圖的醫(yī)學(xué)圖像分割方法研究[D];南方醫(yī)科大學(xué);2017年

2 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

3 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

4 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

5 孟t-;基于活動(dòng)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

6 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

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

8 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(dòng)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(hào)：1786004