目的:研究一種新的舌癌圖像自動分割算法以實現(xiàn)對舌癌腫瘤的快速準(zhǔn)確分割。方法:通過引入一種基于局部均方差的自適應(yīng)尺度算子實現(xiàn)演化曲線在演化過程中的自動調(diào)整,從而更高效率地向真實目標(biāo)邊界運動,并且克服舌癌腫瘤圖像中目標(biāo)邊界不清和圖像灰度不均勻等不良因素帶來的影響。此外,為加快曲線的收斂速度,本文提出了一種新的能量項評估演化曲線輪廓內(nèi)部和輪廓外部區(qū)域灰度的分布差異,以此引導(dǎo)曲線自適應(yīng)地調(diào)整演化速度,減少完成分割任務(wù)所需的迭代次數(shù)。結(jié)果:使用本方法對22幅舌癌腫瘤MRI圖像進行分割,分割結(jié)果與真實結(jié)果之間的重疊率Dice值為0.82,豪斯多夫距離HD值為1.732 mm。結(jié)論:將本文算法與其它現(xiàn)有的幾種活動輪廓模型進行定性和定量對比分析,實驗結(jié)果表明本文算法在對細節(jié)及弱邊緣灰度的處理上表現(xiàn)更加優(yōu)異,可用于舌癌腫瘤的精確分割,為臨床分析提供輔助信息。 

【文章來源】：中國醫(yī)學(xué)物理學(xué)雜志. 2020,37(08)CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

目標(biāo)邊界和演化曲線邊界數(shù)據(jù)分布關(guān)系圖

共收集了22幅舌癌腫瘤的MRI圖像，其中包含5幅冠狀面成像和17幅橫斷面成像。使用本文所提出的ASLSD模型對該數(shù)據(jù)集進行分割，并將結(jié)果與一些典型的活動輪廓模型進行比較。此外，通過將ASLSD結(jié)果與未引入局部均方差的結(jié)果進行比較，以此評估ASLSD模型的性能。在本文中采用兩個廣泛使用的指標(biāo)：重疊率（Dice）和豪斯多夫距離（HD），進一步定量評估各模型的分割性能。本文實驗是在IntelRCoreTM3.60 GHz CPU、8.0 GB RAM的PC機上使用Matlab R2017b平臺實現(xiàn)的。2.1 與未引入均方差模型分割結(jié)果的比較

為驗證本文模型在分割舌癌腫瘤圖像上的優(yōu)越性，將ASLSD模型分別與DRLSE、LBF、RSF模型比較，圖5顯示了不同模型調(diào)整到最優(yōu)參數(shù)后的分割結(jié)果，不同行代表對不同MRI圖像的分割結(jié)果。a為醫(yī)生勾畫腫瘤區(qū)域的金標(biāo)準(zhǔn)；b、c、d、e分別對應(yīng)DRLSE模型[8]、LBF模型[7]、RSF模型[12]和本文所提出ASLSD模型的分割結(jié)果；f為各模型分割結(jié)果的重疊顯示。從f圖可以看出，與金標(biāo)準(zhǔn)輪廓最接近的是本文所提出的ASLSD模型。DRLSE模型在對一些灰度不均勻和邊界模糊的區(qū)域，并沒有實現(xiàn)準(zhǔn)確的分割，其分割結(jié)果未包含所需要分割的全部目標(biāo)區(qū)域。LBF模型的分割結(jié)果相對DRLSE模型在灰度不均勻區(qū)域的分割方面性能更好，但是對于邊界模糊的區(qū)域其最終的演化曲線并沒有停留在目標(biāo)區(qū)域真實邊界上。RSF模型也沒有克服灰度不均勻和邊界模糊帶來的不良影響，其分割結(jié)果大部分都包含了非目標(biāo)區(qū)域。本文所提出的ASLSD模型對目標(biāo)均進行了準(zhǔn)確分割，且在模糊邊緣的處理上保持魯棒。圖4 引入LMD前后LVD1的變化曲線及分割過程中LVD1、LVD2的變化曲線


本文編號：3400995