本文關(guān)鍵詞：結(jié)合形變優(yōu)化與稀疏統(tǒng)計(jì)的CT圖像肝臟分割方法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：肝臟是人體最大的消化腺和解毒器官,同時(shí)也是膽汁生成的場(chǎng)所,而眾多功能的集成導(dǎo)致其成為易發(fā)腫瘤的主要器官之一。近年來,肝癌已經(jīng)躍居全球癌癥死亡率的第二位,因而,對(duì)肝臟疾病的預(yù)防和治療迫在眉睫,已成為全世界關(guān)注的熱點(diǎn)和重點(diǎn)。CT成像能夠獲得較高分辨率的肝臟解剖結(jié)構(gòu)信息,且當(dāng)肝臟發(fā)生病變時(shí),通常表現(xiàn)為灰度不均勻、邊緣不平滑等特征。由此,CT已成為臨床肝臟疾病診療的重要成像方式之一。分割技術(shù)能夠從CT圖像中檢測(cè)出肝臟的形狀輪廓信息及病灶的結(jié)構(gòu)信息,該信息對(duì)肝臟功能評(píng)定、腫瘤識(shí)別及手術(shù)治療等具有重要的臨床應(yīng)用價(jià)值。然而,肝臟緊鄰脾臟、胃和腸道等器官組織,器官組織間的灰度特征差異度較小;此外,肝臟的個(gè)體差異性較大、其組織結(jié)構(gòu)和空間位置易受外力影響而發(fā)生較大幅度的形變。迄今為止,從CT圖像中實(shí)現(xiàn)肝臟輪廓的準(zhǔn)確分割與檢測(cè)依然是世界性難題。本文在深入研究現(xiàn)有分割方法的基礎(chǔ)上,提出了自適應(yīng)表面擴(kuò)張模型、先驗(yàn)稀疏字典及先驗(yàn)稀疏統(tǒng)計(jì)形狀模型三種肝臟分割方法。實(shí)驗(yàn)結(jié)果表明,三種分割方法均可實(shí)現(xiàn)較高精度的肝臟分割,其中,基于稀疏統(tǒng)計(jì)形狀模型的方法分割精度更高。本文的主要?jiǎng)?chuàng)新性工作包括:(1)針對(duì)傳統(tǒng)形變模型在形變過程中易陷入局部最優(yōu)而難以實(shí)現(xiàn)肝臟凹陷區(qū)域準(zhǔn)確分割的問題,提出了一種結(jié)合自適應(yīng)表面擴(kuò)張和三角剖分優(yōu)化的肝臟分割方法。此方法利用單純形表面模型構(gòu)建了肝臟的初始邊界,并利用模型的頂點(diǎn)及其鄰域頂點(diǎn)間的關(guān)系構(gòu)建了模型內(nèi)力及其約束;在模型的外力中引入氣球力,并利用圖像中肝臟的Gabor邊界特征構(gòu)建外力約束。此外,構(gòu)建了一種自適應(yīng)的三角剖分優(yōu)化算法,在形變過程中對(duì)模型自適地插入新的頂點(diǎn),實(shí)現(xiàn)肝臟精細(xì)結(jié)構(gòu)的準(zhǔn)確提取。(2)針對(duì)機(jī)器學(xué)習(xí)方法需大量訓(xùn)練樣本而影響分割效率的問題,提出了一種基于先驗(yàn)稀疏字典和空洞填充的肝臟分割方法。此方法利用金標(biāo)準(zhǔn)圖像與待分割圖像配準(zhǔn)后的肝臟邊界作為待分割圖像的初始邊界,并在初始邊界點(diǎn)鄰域內(nèi)選擇測(cè)試樣本集,從而實(shí)現(xiàn)樣本數(shù)量的減小;利用訓(xùn)練圖像的Gabor特征圖像和灰度圖像建立肝臟邊界特征的查詢字典,結(jié)合測(cè)試集和查詢字典計(jì)算稀疏系數(shù)及重構(gòu)誤差;提出一種基于肝臟表面信息的空洞填補(bǔ)方法,對(duì)肝臟邊界進(jìn)行補(bǔ)全和平滑處理,從而確保分割結(jié)果具有較高的平滑性和準(zhǔn)確性。(3)針對(duì)現(xiàn)有統(tǒng)計(jì)形狀模型與待分割圖像較難配準(zhǔn)的問題,構(gòu)建了一種基于肝臟邊界先驗(yàn)形狀信息的稀疏統(tǒng)計(jì)模型。此方法基于肝臟先驗(yàn)形狀模型頂點(diǎn)坐標(biāo)構(gòu)建查詢字典,并結(jié)合待分割圖像與先驗(yàn)形狀模型中對(duì)應(yīng)點(diǎn)的稀疏編碼重構(gòu)稀疏統(tǒng)計(jì)形狀模型,從而提高稀疏統(tǒng)計(jì)形狀模型與待分割圖像間的配準(zhǔn)精度;基于稀疏統(tǒng)計(jì)形狀模型頂點(diǎn)在待分割圖像上的灰度信息及其鄰域范圍內(nèi)的邊界信息,構(gòu)建了特異性灰度能量和邊緣能量,進(jìn)而構(gòu)建稀疏匹配能量約束模型,在優(yōu)化迭代過程中能有效驅(qū)動(dòng)統(tǒng)計(jì)形狀模型趨近肝臟邊界,實(shí)現(xiàn)對(duì)肝臟的精確分割。
【關(guān)鍵詞】：肝臟 CT圖像 分割 形變模型 稀疏編碼 統(tǒng)計(jì)模型
【學(xué)位授予單位】：北京理工大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類號(hào)】：R816.5;TP391.41
【目錄】：

• 摘要5-7
• Abstract7-11
• 第1章 緒論11-23
• 1.1 研究背景11-14
• 1.1.1 肝臟疾病及其治療方法11-13
• 1.1.2 肝臟的CT成像特點(diǎn)13-14
• 1.2 肝臟分割的國(guó)內(nèi)外研究現(xiàn)狀14-20
• 1.3 本文的研究?jī)?nèi)容20-22
• 1.4 本文的組織結(jié)構(gòu)22-23
• 第2章 自適應(yīng)網(wǎng)格擴(kuò)張模型(AMEM)23-45
• 2.1 方法概述23-33
• 2.1.1 圖像預(yù)處理24-27
• 2.1.2 AMEM的構(gòu)建27-31
• 2.1.3 自適應(yīng)剖分方法31-33
• 2.2 實(shí)驗(yàn)結(jié)果與討論33-43
• 2.3 本章小結(jié)43-45
• 第3章 結(jié)合空洞填補(bǔ)的先驗(yàn)稀疏字典模型(PSD-HF)45-61
• 3.1 方法概述45-52
• 3.1.1 肝臟區(qū)域配準(zhǔn)46-47
• 3.1.2 肝臟的Gabor特征提取47-48
• 3.1.3 字典構(gòu)建48-50
• 3.1.4 圖像重構(gòu)50
• 3.1.5 空洞填充50-52
• 3.2 實(shí)驗(yàn)結(jié)果與討論52-60
• 3.3 本章小結(jié)60-61
• 第4章 先驗(yàn)稀疏統(tǒng)計(jì)形狀模型(SP-SSM)61-81
• 4.1 方法概述61-72
• 4.1.1 稀疏統(tǒng)計(jì)形狀模型構(gòu)建62-67
• 4.1.2 能量構(gòu)建67-72
• 4.2 實(shí)驗(yàn)結(jié)果與討論72-80
• 4.3 本章小結(jié)80-81
• 第5章 分割結(jié)果評(píng)價(jià)81-97
• 5.1 分割結(jié)果的評(píng)價(jià)方法概述81-84
• 5.2 本文分割算法評(píng)價(jià)84-94
• 5.3 本章小結(jié)94-97
• 第6章 結(jié)論97-99
• 參考文獻(xiàn)99-113
• 攻讀學(xué)位期間發(fā)表論文與研究成果清單113-115
• 致謝115-117
• 作者簡(jiǎn)介117

  本文關(guān)鍵詞：結(jié)合形變優(yōu)化與稀疏統(tǒng)計(jì)的CT圖像肝臟分割方法研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：322330