【摘要】：前列腺癌是最常見(jiàn)的男性癌癥之一。在歐美等國(guó)家,前列腺癌在男性癌癥死亡率中排名第二位。在中國(guó),前列腺癌死亡率近年來(lái)也呈現(xiàn)出上升的趨勢(shì)。在前列腺疾病的診斷和治療中,經(jīng)直腸超聲(Trans-rectal Ultrasonography,TRUS)圖像由于具有實(shí)時(shí)性,且廉價(jià)無(wú)輻射等優(yōu)點(diǎn),而得到了廣泛應(yīng)用。在實(shí)際臨床中,包括前列腺穿刺活檢時(shí)穿刺針的精確定位,前列腺癌治療中放射性物質(zhì)的空間位置分布,以及測(cè)量前列腺的體積等,都需要從TRUS圖像中精確分割出前列腺輪廓。但是,臨床中常采用的手動(dòng)分割方法存在工作量大、分割結(jié)果依賴操作者經(jīng)驗(yàn)、重復(fù)性差等問(wèn)題。TRUS圖像中前列腺的自動(dòng)分割方法研究為近年來(lái)的一個(gè)研究熱點(diǎn),但是超聲圖像中存在前列腺組織鈣化的弱邊界,嚴(yán)重的斑點(diǎn)噪聲和低信噪比等因素,要精確地分割出前列腺的邊界仍然是一項(xiàng)巨大的挑戰(zhàn)。本文提出一種新方法,利用前列腺圖像特征和先驗(yàn)統(tǒng)計(jì)形狀從TRUS圖像中自動(dòng)地分割出前列腺邊界。首先,利用圖像的致密尺度和旋轉(zhuǎn)不變特征變換(Dense SIFT),提取特征向量并進(jìn)行分類,能夠快速地從TRUS圖像中定位前列腺,得到初始分割結(jié)果。其次,根據(jù)該初始結(jié)果從建立的多個(gè)平均模型中選擇最優(yōu)的形狀模型作為分割的初始化輪廓。在分割過(guò)程中,前列腺偽影區(qū)域所缺失的邊界信息就可以通過(guò)形狀模型估計(jì)得到。最后,在該初始輪廓的指導(dǎo)下,利用灰度梯度特征模型和局部灰度高斯分布構(gòu)建能量函數(shù),使其最小化從而實(shí)現(xiàn)前列腺的精確分割。分割過(guò)程使用了一種由粗到細(xì)的多分辨率方式,提高了魯棒性和計(jì)算的效率。通過(guò)大量實(shí)驗(yàn)得到的結(jié)果證實(shí)了該自動(dòng)分割方法的有效性。本方法的分割結(jié)果與專家手動(dòng)分割前列腺邊界的平均絕對(duì)距離的均值是1.03±0.27毫米,豪斯多夫距離的均值是3.37±0.65毫米,Dice相似性系數(shù)的均值是91.9±0.8%,靈敏度的均值為94.7±2.1%,精確度的均值為99.2±0.2%。本文所使用的方法相比于改進(jìn)的主動(dòng)形狀模型,在分割精度上有了較大程度的提高。
[Abstract]:Prostate cancer is one of the most common cancers in men. In Europe and the United States and other countries, prostate cancer in male cancer mortality rate ranked second. In China, prostate cancer mortality has also shown an upward trend in recent years. In the diagnosis and treatment of prostate disease, Trans-rectum Ultrasound (TRUS) image has been widely used because of its advantages of real time, low cost and no radiation. In clinical practice, including the accurate location of the puncture needle in prostate biopsy, the spatial distribution of radioactive material in prostate cancer treatment, and the measurement of prostate volume, it is necessary to segment the prostate contour accurately from TRUS images. However, the manual segmentation method often used in clinic has many problems such as heavy workload, the segmentation result depends on the operator's experience, and the repeatability is poor. The research on automatic prostate segmentation in TRUS image is a hot topic in recent years. However, there are some factors such as weak boundary of calcification of prostate tissue, severe speckle noise and low signal-to-noise ratio in ultrasound image, so it is still a great challenge to segment the boundary of prostate accurately. In this paper, a new method is proposed to automatically segment the prostatic boundary from TRUS images by using the prostate image features and prior statistical shapes. Firstly, feature vectors are extracted and classified by dense scale and rotation invariant feature transformation (Dense sift). The prostate can be located from TRUS image quickly and the initial segmentation results can be obtained. Secondly, according to the initial results, the optimal shape model is selected as the initial contour of the segmentation from the established multiple average models. In the process of segmentation, the missing boundary information of prostate artifacts can be estimated by shape model. Finally, under the guidance of the initial contour, the energy function is constructed by using the grayscale gradient feature model and the local gray Gao Si distribution, so that the prostate can be accurately segmented. The segmentation process uses a coarse-to-fine multi-resolution approach to improve robustness and computational efficiency. A large number of experimental results show the effectiveness of the automatic segmentation method. The average absolute distance between this method and the expert manual method is 1.03 鹵0.27 mm, the average of Hausdorf distance is 3.37 鹵0.65 mm, the average of Dice similarity coefficient is 91.9 鹵0.8, the average of sensitivity is 94.7 鹵2.1 and the average of accuracy is 99.2 鹵0.2. Compared with the improved active shape model, the method used in this paper improves the segmentation accuracy to a great extent.
【學(xué)位授予單位】：深圳大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：R737.25;TP391.41

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 韓強(qiáng);;基于廣義Hough變換的手寫(xiě)文檔整詞定位[J];安徽電子信息職業(yè)技術(shù)學(xué)院學(xué)報(bào);2011年05期

2 程一斌,汪松,任彬;利用彈簧模型提取物體輪廓[J];安徽大學(xué)學(xué)報(bào)(自然科學(xué)版);2001年02期

3 張坤,羅立民,舒華忠,楊芳;基于Level Set方法的Visible Human Being虛擬人圖像處理[J];安徽大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年04期

4 張雪飛;;基于GVF模型的蔬果圖像快速分割方法[J];安徽農(nóng)業(yè)科學(xué);2010年05期

5 程剛;鄭小華;陽(yáng)鋒;徐祖艦;;三維全景視覺(jué)技術(shù)在農(nóng)業(yè)機(jī)器人中的應(yīng)用[J];安徽農(nóng)業(yè)科學(xué);2010年34期

6 何海燕;施培蓓;;基于改進(jìn)AdaBoost算法的行人檢測(cè)方法[J];安慶師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2009年03期

7 趙瑩;張學(xué)東;;改進(jìn)水平集的車輛檢測(cè)算法[J];遼寧科技大學(xué)學(xué)報(bào);2010年05期

8 張鶴;董彥麟;;一種改進(jìn)的變分水平集車輛檢測(cè)技術(shù)[J];遼寧科技大學(xué)學(xué)報(bào);2011年03期

9 吳慧蘭;劉國(guó)棟;劉炳國(guó);胡濤;浦昭邦;;ICF實(shí)驗(yàn)靶定位技術(shù)研究[J];半導(dǎo)體光電;2008年05期

10 李燕;羅四維;鄒琪;;帶評(píng)價(jià)系統(tǒng)的曲率相關(guān)有向主動(dòng)輪廓模型[J];北京交通大學(xué)學(xué)報(bào);2010年02期

相關(guān)會(huì)議論文 前10條

1 譚守標(biāo);霍劍青;郝建;王曉蒲;趙永飛;謝行恕;;高分辨率軟X射線顯微成像下細(xì)胞的自動(dòng)提取?[A];2005年“數(shù)字安徽”博士科技論壇論文集[C];2005年

2 劉善磊;張亮;;基于相位相關(guān)和SURF算法的關(guān)鍵幀實(shí)時(shí)匹配研究[A];江蘇省測(cè)繪學(xué)會(huì)2011年學(xué)術(shù)年會(huì)論文集[C];2011年

3 隋樹(shù)林;孫立宏;姚文龍;袁健;;融合改進(jìn)UKF/SIFT信息的自主光學(xué)導(dǎo)航方法[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

4 汪力;葉樺;夏良正;;利用特征點(diǎn)定位嘴巴[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

5 ;Loop-closing By Using SIFT Features for Mobile Robots[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

6 ;A Hardware-Accelerated Segmentation Algorithm for Moving Object Generation[A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

7 周佳男;;一種拓?fù)浼y理圖像的相位場(chǎng)模型分割算法[A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

8 ;Edge Detection of Wood Defects in X-ray Wood Image Using Neural Network and Mathematical Morphology[A];第二十九屆中國(guó)控制會(huì)議論文集[C];2010年

9 周凱;范瑞霞;李位星;;一種基于SIFT的MeanShift-粒子濾波融合跟蹤算法[A];第二十九屆中國(guó)控制會(huì)議論文集[C];2010年

10 ;Rapid Target Recognition and Tracking under Large Scale Variation Using Semi-Naive Bayesian[A];第二十九屆中國(guó)控制會(huì)議論文集[C];2010年

相關(guān)博士學(xué)位論文 前10條

1 王玉全;基于全景視覺(jué)的移動(dòng)機(jī)器人同時(shí)定位與地圖創(chuàng)建方法研究[D];哈爾濱工程大學(xué);2010年

2 王興梅;水下聲納圖像的MRF目標(biāo)檢測(cè)與水平集的輪廓提取方法研究[D];哈爾濱工程大學(xué);2010年

3 梁洪;基于內(nèi)容的醫(yī)學(xué)圖像檢索及語(yǔ)義建模關(guān)鍵技術(shù)研究[D];哈爾濱工程大學(xué);2010年

4 任楨;圖像分類任務(wù)的關(guān)鍵技術(shù)研究[D];哈爾濱工程大學(xué);2010年

5 孔凡芝;引線鍵合視覺(jué)檢測(cè)關(guān)鍵技術(shù)研究[D];哈爾濱工程大學(xué);2009年

6 王作為;具有認(rèn)知能力的智能機(jī)器人行為學(xué)習(xí)方法研究[D];哈爾濱工程大學(xué);2010年

7 肖潔;視覺(jué)注意模型及其在目標(biāo)感知中的應(yīng)用研究[D];華中科技大學(xué);2010年

8 韓守東;紋理建模與圖切分優(yōu)化方法研究[D];華中科技大學(xué);2010年

9 朱清波;序列圖像三維重建方法研究[D];華中科技大學(xué);2010年

10 莫X;基于隱式函數(shù)的曲面重構(gòu)方法及其應(yīng)用[D];華中科技大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 孫濤;基于DR骨密度分析系統(tǒng)的研究[D];南京醫(yī)科大學(xué);2010年

2 宋抗;壓縮機(jī)活塞圓度誤差數(shù)字檢測(cè)系統(tǒng)研究[D];河南理工大學(xué);2010年

3 趙永剛;圖像檢索中形狀描述和匹配算法研究[D];南昌航空大學(xué);2010年

4 陳忠翔;基于立體視覺(jué)的三維重建方法研究[D];南昌航空大學(xué);2010年

5 雒燕飛;地質(zhì)災(zāi)害應(yīng)急地理信息數(shù)據(jù)庫(kù)設(shè)計(jì)及其應(yīng)用[D];山東科技大學(xué);2010年

6 唐紅梅;基于輻射與空間信息的遙感圖像檢索[D];山東科技大學(xué);2010年

7 倪希亮;基于尺度不變特征的多源遙感影像配準(zhǔn)[D];山東科技大學(xué);2010年

8 賈偉潔;SAR影像與光學(xué)影像配準(zhǔn)研究[D];山東科技大學(xué);2010年

9 任天宇;自穩(wěn)定航拍系統(tǒng)算法與設(shè)計(jì)[D];長(zhǎng)春理工大學(xué);2010年

10 胡申寧;中醫(yī)舌診中舌色、苔色自動(dòng)分類的研究[D];浙江理工大學(xué);2010年

，

本文編號(hào)：2122709