本文關(guān)鍵詞：核磁共振圖像前列腺分割算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：放射治療是治療前列腺腫瘤的有效手段,其關(guān)鍵問題是對前列腺腫瘤的準(zhǔn)確定位,包括其位置與形體大小,因此準(zhǔn)確分割前列腺和周圍器官是至關(guān)重要的。在MR圖像上人工分割前列腺仍是常用方法,但由于前列腺形狀差異性大、與相鄰器官邊界模糊、治療過程中體積會變化等原因,使其人工分割雖然精確度較高,但主觀性較大,耗時長。專家在MR圖像上手動分割前列腺時,是利用已有經(jīng)驗,在圖像上找出前列腺的邊緣分界�；诙鄨D譜的圖像方法與此相似,在圖譜集的標(biāo)簽圖像上,保留了前列腺位置與形狀的先驗信息,當(dāng)圖譜越多時,這種先驗的信息就越豐富,就越能找到與待分割的測試圖像相似的圖譜圖像,將這些圖譜圖像以不同的權(quán)值組合,就可以非常近似地重建出測試圖像,最后將這些圖譜圖像對應(yīng)的標(biāo)簽進(jìn)行融合,傳播到測試圖像上,最終完成對測試圖像的分割。多圖譜分割的優(yōu)點是能從圖譜中獲取更多的先驗的位置與形狀等信息,這對于最終分割結(jié)果的準(zhǔn)確度有很大的影響；另外,當(dāng)圖譜越多時,就越能適用待分割目標(biāo)變化情況較多的情況,魯棒性好,因此本文研究用多圖譜分割的方式分割前列腺。為了使分割結(jié)果有個參照比較,本文先采用歸一化互信息法,度量圖像的相似性,以此來進(jìn)行圖譜選擇,然后用流行的全局加權(quán)投票法,以歸一化互信息法計算權(quán)重,來進(jìn)行標(biāo)簽圖像的融合,最終完成分割。圖譜選擇是從圖譜集中,依據(jù)一定算法查找出與測試圖像相似度最高的。圖像是一個高維度的數(shù)據(jù),需要從中抓住主要特征信息,忽略次要的信息,也就是要對圖像數(shù)據(jù)進(jìn)行降維處理,并且保留所需的形狀特征信息。由于圖譜選擇是通過測試圖像與圖譜圖像的相似度來進(jìn)行的,主要目的是找到與測試圖像上前列腺形狀特征相似的圖譜圖像,因此在數(shù)據(jù)降維處理的時候,要保持?jǐn)?shù)據(jù)的近鄰不變性,這樣在降維之后,在低維空間里就能用簡單的歐氏距離來表示數(shù)據(jù)的本征距離了。同時,希望在計算好投影矩陣之后,對于新樣本數(shù)據(jù)的加入,不需要重新計算,解決樣本外問題,而局部保持映射算法正滿足了這樣的要求,它具有線性投影的性質(zhì),以及局部鄰域關(guān)系保持的特點,和解決了樣本外問題,以及運算快等特點,本文將研究局部保持映射算法圖譜選擇中的應(yīng)用。由于在圖譜選擇中,前列腺在相似度中貢獻(xiàn)并不大,因此完全可能出現(xiàn)所選擇出的圖譜圖像中,前列腺與測試圖像中的并不相似的情況,也有可能前列腺相似的圖譜圖像,由于受周圍組織較大不相似的干擾,而沒有被選中。因此有必要在計算相似度時,對感興趣區(qū)域,即前列腺區(qū)域進(jìn)行限制,而該區(qū)域正是標(biāo)簽圖像所標(biāo)示的部分,因此本文也研究用標(biāo)簽圖像來約束降維投影過程,以增大前列腺區(qū)域在相似度計算中的貢獻(xiàn),提高圖譜圖像選擇的準(zhǔn)確性。圖譜融合是指對所選擇標(biāo)簽圖像進(jìn)行融合,其融合算法直接影響分割結(jié)果。全局相關(guān)性不能表示出不同情況前列腺的解剖結(jié)構(gòu)的局部差異信息。局部加權(quán)投票算法和非局部均值的塊加權(quán)算法解決了這一問題,局部加權(quán)算法不僅考慮圖譜圖像和測試圖像的體素點,而且對該體素點周圍的區(qū)域塊,也分析計算其相似度,然后對該體素點賦予所得的權(quán)重,但此算法對前期的配準(zhǔn)要求較高。而非局部均值的塊加權(quán)算法則在一定程度上克服了這問題,它是在體素點周圍一定范圍內(nèi)搜索更相似的塊,而且非局部均值加權(quán)法只利用了距離平方和來進(jìn)行相似性度量,計算不復(fù)雜,可適用于運算量較大的情況。本文研究在非局部均值的塊加權(quán)算法的基礎(chǔ)上,進(jìn)一步擴(kuò)大塊搜索范圍,在所有已選擇的圖譜范圍內(nèi),搜索與測試圖像塊對應(yīng)塊及鄰域塊,來重建測試圖像塊,并且利用稀疏表示的思想,對參與重建的圖譜圖像塊進(jìn)行稀疏性限制,以得到優(yōu)化的權(quán)重。綜上,本文主要做了兩方面工作。1)研究利用流形學(xué)習(xí)方法,對圖像數(shù)據(jù)進(jìn)行降維,在低維數(shù)據(jù)空間來選擇圖像圖像；同時,研究利用標(biāo)簽圖像,對感興趣區(qū)域進(jìn)行限制,以提高前列腺在圖像相似性度量中的貢獻(xiàn)。2)研究利用塊加權(quán)的思想,以及稀疏表示方法,用所有圖譜圖像上,與測試圖像塊對應(yīng)的塊及其鄰域塊,來重建測試圖像塊,期望用最好且最少的圖譜圖像塊來重建,以達(dá)到最好效果。在50組訓(xùn)練數(shù)據(jù)和18幅測試圖像上進(jìn)行了實驗,對本文所提方法進(jìn)行了驗證。測試圖像已給出了專家的分割結(jié)果,采用Dice系數(shù)和Hausdorff距離對本文分割結(jié)果和專家的分割結(jié)果進(jìn)行比較,以判斷本文所提方法的效果。實驗結(jié)果表明,本文所提出的圖譜選擇和圖譜融合算法,相較歸一化互信息法為基礎(chǔ)的圖譜選擇和融合算法而言,有一定的提高。
【關(guān)鍵詞】：前列腺 MRI 圖像分割 歸一化互信息 流形學(xué)習(xí) 稀疏表示
【學(xué)位授予單位】：南方醫(yī)科大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2015
【分類號】：R737.25;TP391.41
【目錄】：

• 摘要3-6
• ABSTRACT6-13
• 第一章 緒論13-25
• 1.1 研究背景和選題意義13-17
• 1.2 多圖譜圖像分割方法17-22
• 1.2.1 圖像配準(zhǔn)18-20
• 1.2.2 圖譜選擇20-21
• 1.2.3 圖譜融合21-22
• 1.3 實驗數(shù)據(jù)22-23
• 1.4 本文主要工作23
• 1.5 章節(jié)安排23-25
• 第二章 相關(guān)理論概述25-48
• 2.1 流形學(xué)習(xí)25-26
• 2.1.1 流形學(xué)習(xí)的定義26
• 2.2 降維算法26-38
• 2.2.1 主成份分析26-29
• 2.2.2 多維尺度變換29-31
• 2.2.3 等距映射ISOMAP31-32
• 2.2.4 局部線性嵌入LLE32-35
• 2.2.5 拉普拉斯特征映射35-36
• 2.2.6 局部保持映射算法36-38
• 2.3 稀疏表示38-44
• 2.3.1 信號的稀疏表示41-42
• 2.3.2 過完備字典的構(gòu)造42-44
• 2.3.3 稀疏表示在圖像信號處理領(lǐng)域的應(yīng)用44
• 2.4 評價方法44-46
• 2.4.1 Dice相似系數(shù)45
• 2.4.2 Hausdorff距離45-46
• 2.5 本章小結(jié)46-48
• 第三章 歸一化互信息在圖譜選擇中的應(yīng)用48-54
• 3.0 歸一化互信息48-49
• 3.1 歸一化互信息選擇圖譜49
• 3.2 分割實驗49-53
• 3.2.1 圖像預(yù)處理49-50
• 3.2.2 圖譜配準(zhǔn)與選擇50-51
• 3.2.3 圖譜融合51
• 3.2.4 實驗結(jié)果51-53
• 3.3 本章小結(jié)53-54
• 第四章 基于流形學(xué)習(xí)的圖譜選擇54-69
• 4.1 基于LPP的圖譜選擇方法54-58
• 4.2 圖譜選擇中使用標(biāo)簽圖像約束58-61
• 4.3 圖譜融合61-62
• 4.4 分割結(jié)果及分析62-67
• 4.5 本章小結(jié)67-69
• 第五章 基于稀疏表示的標(biāo)簽融合方法69-82
• 5.1 塊加權(quán)算法69-71
• 5.2 塊相似度計算71-72
• 5.3 稀疏表示塊加權(quán)算法72-74
• 5.4 基于局部線性的標(biāo)簽融合74-76
• 5.5 實驗結(jié)果與分析76-81
• 5.6 本章小結(jié)81-82
• 第六章 總結(jié)與展望82-85
• 6.1 本文工作小結(jié)82
• 6.2 后續(xù)工作展望82-85
• 6.2.1 更多的實驗82-83
• 6.2.2 數(shù)據(jù)庫細(xì)化83-84
• 6.2.3 3D的分割研究84-85
• 參考文獻(xiàn)85-96
• 讀博期間發(fā)表的文章96-97
• 致謝97-98

  本文關(guān)鍵詞：核磁共振圖像前列腺分割算法研究，，由筆耕文化傳播整理發(fā)布。

本文編號：444146