本文關(guān)鍵詞：三維醫(yī)學(xué)圖像的線狀結(jié)構(gòu)檢測與量化技術(shù)研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：循環(huán)系統(tǒng)和神經(jīng)系統(tǒng)在醫(yī)學(xué)圖像中多表現(xiàn)為管狀和線狀形態(tài),它們所涉及的疾病可以統(tǒng)稱為線狀結(jié)構(gòu)疾病。目前,線狀結(jié)構(gòu)疾病是發(fā)病率、死亡率、致殘率最高的疾病。線狀結(jié)構(gòu)疾病的診斷非常依賴于三維CT圖像,而對于人工來說,三維CT圖像所蘊含的信息量過于龐大。因此,使用計算機對龐大的圖像信息進(jìn)行處理使之易于臨床應(yīng)用迫在眉睫。隨著對線狀結(jié)構(gòu)研究的不斷深入以及應(yīng)用的不斷推廣,人們發(fā)現(xiàn)了越來越多的特殊線狀結(jié)構(gòu),如特征不完整不清晰的線狀結(jié)構(gòu)。特征不完整不清晰的線狀結(jié)構(gòu)多處在病理區(qū)域內(nèi),臨床對此類線狀結(jié)構(gòu)的檢測提出了高完整度、高精度的要求。然而,目前的算法達(dá)不到臨床的要求。本文通過融合圖像處理、人工智能以及模式識別等技術(shù),借助數(shù)值方法,從線狀結(jié)構(gòu)的特性出發(fā),解決了幾類線狀結(jié)構(gòu)的檢測不完整和檢測精度不高等問題。本文具體研究內(nèi)容如下:(1)以低對比度線狀結(jié)構(gòu)為研究對象,以解決線狀結(jié)構(gòu)中心線檢測不完整問題為目標(biāo),本文提出了線狀結(jié)構(gòu)中心線的平滑度優(yōu)化檢測算法。由于低對比度會造成特征的缺失,傳統(tǒng)算法無法得到完整的線狀結(jié)構(gòu)檢測結(jié)果。針對此類問題,本文對不完整的中心線進(jìn)行平滑度度量,對斷裂中心線的修復(fù)可能性進(jìn)行建模,統(tǒng)一地描述了不完整問題的全局修復(fù)不確定性,通過全局優(yōu)化算法給出了不完整中心線的全局最優(yōu)修復(fù)方式,進(jìn)而得到完整的中心線。此外,本文構(gòu)造的全局優(yōu)化算法能夠通過不確定性的描述抑制噪音,得到更為精確的檢測結(jié)果。(2)以細(xì)小線狀結(jié)構(gòu)為研究對象,針對低信噪比、低對比度以及臨近組織干擾等特殊情況,本文提出了基于限制的B樣條主動輪廓模型。由于細(xì)小線狀結(jié)構(gòu)的對比度極低,因此傳統(tǒng)算法無法得到精確的檢測結(jié)果。而且細(xì)小線狀結(jié)構(gòu)會伴有低信噪比或受到臨近組織的干擾,這給細(xì)小線狀結(jié)構(gòu)的精確檢測帶來了極大的挑戰(zhàn)。針對此類細(xì)小線狀結(jié)構(gòu)的精確檢測問題,本文提出了限制B樣條主動輪廓模型。該算法基于線狀結(jié)構(gòu)的幾何特征,構(gòu)造了主動輪廓模型的約束能量函數(shù),并通過將歐拉-拉格朗日優(yōu)化方法融入到主動輪廓模型,使得約束的主動輪廓模型可以對特殊情況下的線狀結(jié)構(gòu)進(jìn)行精確檢測。此外,B樣條的融合提高了主動輪廓模型的收斂速度,使得算法可以對極小的線狀結(jié)構(gòu)進(jìn)行檢測。(3)以異常線狀結(jié)構(gòu)為研究對象,針對異常線狀結(jié)構(gòu)漏檢誤檢率高的問題,提出了基于Patch隱式特征的稀疏表示檢測算法。異常線狀結(jié)構(gòu)多出現(xiàn)于病理區(qū)域。而病理區(qū)域的環(huán)境非常復(fù)雜,導(dǎo)致異常線狀結(jié)構(gòu)的特征缺失嚴(yán)重,使得傳統(tǒng)的算法的漏檢率和誤檢率過高,無法滿足臨床的需要。針對這種情況,本文提出基于Patch的隱式特征算法,避免了因為顯式特征缺失而造成的誤檢和漏檢。并且,本文進(jìn)一步提出了Patch的稀疏表示,解決了Patch算法的時間復(fù)雜度過高的問題,使之易于臨床應(yīng)用。(4)本文對多類線狀結(jié)構(gòu)的檢測結(jié)果進(jìn)行了對比量化分析。算法的正確性和準(zhǔn)確性是其臨床應(yīng)用的關(guān)鍵,而算法的量化是評判算法正確性和準(zhǔn)確性的基礎(chǔ)。本文從多個角度采用多個量化標(biāo)準(zhǔn)對算法的結(jié)果進(jìn)行了量化,并從不同方向?qū)λ惴ǖ男阅苓M(jìn)行了分析。進(jìn)一步,通過將本文的算法和多種目前較為先進(jìn)的算法進(jìn)行對比,更加直觀地說明了本文算法的優(yōu)越性。最后,量化分析結(jié)果驗證了本文算法的正確性、準(zhǔn)確性以及實用性。
【關(guān)鍵詞】：三維CT圖像 線狀結(jié)構(gòu) 優(yōu)化修復(fù) 限制B樣條主動輪廓模型 隱式特征
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 摘要4-6
• ABSTRACT6-14
• 第1章 緒論14-34
• 1.1 研究的背景及意義14-15
• 1.2 線狀結(jié)構(gòu)檢測研究現(xiàn)狀分析15-31
• 1.2.1 外觀和幾何模型15-19
• 1.2.2 線狀結(jié)構(gòu)特征19-25
• 1.2.3 檢測方案25-31
• 1.2.4 線狀結(jié)構(gòu)檢測的主要難點31
• 1.3 主要研究內(nèi)容及文章結(jié)構(gòu)31-34
• 第2章 CT圖像相關(guān)知識及量化標(biāo)準(zhǔn)34-42
• 2.1 引言34
• 2.2 CT圖像相關(guān)知識34-37
• 2.2.1 CT成像原理34-35
• 2.2.2 CT圖像相關(guān)參數(shù)35
• 2.2.3 CT圖像特點35-36
• 2.2.4 CT圖像成像方式36-37
• 2.3 檢測算法常用概念37-38
• 2.4 量化標(biāo)準(zhǔn)38-41
• 2.4.1 中心線量化標(biāo)準(zhǔn)40-41
• 2.4.2 線狀結(jié)構(gòu)量化標(biāo)準(zhǔn)41
• 2.5 本章小結(jié)41-42
• 第3章 三維完整中心線自動檢測與量化42-61
• 3.1 引言42-43
• 3.2 提取初始中心線43-47
• 3.2.1 細(xì)小線狀結(jié)構(gòu)強化43-45
• 3.2.2 檢測線狀結(jié)構(gòu)區(qū)域45-46
• 3.2.3 線狀結(jié)構(gòu)骨架化46-47
• 3.3 中心線優(yōu)化修復(fù)47-52
• 3.4 中心線檢測結(jié)果量化分析52-60
• 3.4.1 模擬數(shù)據(jù)集52-55
• 3.4.2 腹部肝臟動脈CT圖像55-57
• 3.4.3 胸腔肺氣管CT圖像57-60
• 3.5 本章小結(jié)60-61
• 第4章 基于限制主動輪廓模型的線狀結(jié)構(gòu)精確檢測與量化61-91
• 4.1 引言61-63
• 4.2 線狀結(jié)構(gòu)中心線的跟蹤算法63-70
• 4.2.1 線狀結(jié)構(gòu)強化63-66
• 4.2.2 強化過程的驗證66-68
• 4.2.3 線狀結(jié)構(gòu)中心點檢測68
• 4.2.4 中心的跟蹤算法68-70
• 4.3 線狀結(jié)構(gòu)檢測70-80
• 4.3.1 參數(shù)化主動輪廓模型71-72
• 4.3.2 定位約束點72-76
• 4.3.3 約束能量函數(shù)76-78
• 4.3.4 主動輪廓模型的進(jìn)化78
• 4.3.5 約束的融合78-80
• 4.3.6 B樣條主動輪廓模型的具現(xiàn)化80
• 4.4 線狀結(jié)構(gòu)量化分析80-89
• 4.4.1 來自合作單位的數(shù)據(jù)81-86
• 4.4.2 公開數(shù)據(jù)源86-89
• 4.5 本章小結(jié)89-91
• 第5章 基于Patch的異常線狀結(jié)構(gòu)檢測與量化91-114
• 5.1 引言91-93
• 5.2 不完備的訓(xùn)練集93-94
• 5.3 中心線檢測94-99
• 5.3.1 外觀模型95-97
• 5.3.2 基于最短路徑的中心線修復(fù)97-99
• 5.4 基于Patch的線狀結(jié)構(gòu)重建99-104
• 5.5 結(jié)果量化分析104-112
• 5.5.1 中心線量化分析104-106
• 5.5.2 異常線狀結(jié)構(gòu)量化分析106-112
• 5.6 本章小結(jié)112-114
• 結(jié)論114-116
• 參考文獻(xiàn)116-128
• 攻讀博士學(xué)位期間發(fā)表的論文及其他成果128-130
• 致謝130-131
• 個人簡歷131

  本文關(guān)鍵詞：三維醫(yī)學(xué)圖像的線狀結(jié)構(gòu)檢測與量化技術(shù)研究，由筆耕文化傳播整理發(fā)布。

本文編號：416726