本文關鍵詞：基于活動輪廓模型的甲狀腺結節(jié)分割方法研究

  更多相關文章： 圖像分割 活動輪廓模型 DRLSE模型 CV模型 邊界停止函數(shù)

【摘要】：甲狀腺結節(jié)是內(nèi)分泌系統(tǒng)的常見多發(fā)病,其中惡性結節(jié)預示著甲狀腺癌的出現(xiàn)。然而,甲狀腺癌死亡率約占所有腫瘤死亡的0.2%,表明大多數(shù)甲狀腺癌是可以治愈的。超聲檢查是目前普查和診斷甲狀腺疾病最常用的方法,對于甲狀腺癌的及早發(fā)現(xiàn)和治療,并提高治愈率具有十分重大意義。為了解決醫(yī)生閱片耗時且易造成誤檢漏檢等問題,基于超聲檢查的計算機輔助診斷技術在臨床上被廣泛應用。本文主要針對甲狀腺超聲圖像進行分割,以提高分割準確性和效率為目標。本文對幾何活動輪廓模型進行研究,由于其基于曲線演化理論和水平集方法,采用隱式表達形式克服了參數(shù)化表達方式,且曲線演化過程是基于曲線自身的幾何特征。其中,DRLSE模型采用變分水平集方法,距離正則項的加入避免了曲線演化過程的重新初始化問題,從而加快了曲線演化速度。而在CV模型中,圖像被劃分為兩個區(qū)域,用平均灰度來區(qū)分目標和背景,當兩區(qū)域平均灰度差最大時即完成分割任務。因此,CV模型是一種全局最優(yōu)分割方法。首先,以基于邊緣信息的DRLSE模型作為研究對象,針對DRLSE模型無法準確分割邊緣模糊的甲狀腺超聲圖像這一問題,本文提出改進邊界停止函數(shù)的DRLSE分割模型。分析可知邊界停止函數(shù)在曲線演化過程中起著關鍵作用,因此將圖像全局信息引入到邊界停止函數(shù)中,得到一個梯度和全局信息相結合的分割模型。仿真實驗結果表明改進后的DRLSE模型不僅降低了初始位置的敏感性,且增強了對邊緣模糊的甲狀腺超聲圖像的邊界檢測定位能力。其次,以基于全局信息的CV模型作為研究對象,針對CV模型無法分割灰度分布不均勻的甲狀腺超聲圖像這一問題,本文提出結合局部信息改進的CV分割模型。先利用局部擬合信息構造一種新的速度函數(shù),由于核窗口的可控性可以使某像元嚴格依賴其近鄰域像素灰度,極好地克服了灰度分布不均問題;然后將速度函數(shù)引入到CV模型的保真項中,避免了權重分配問題。仿真實驗結果表明改進后的CV模型可以準確分割出灰度分布不均勻的甲狀腺結節(jié)超聲圖像。最后,兩改進模型進行對比,仿真實驗結果表明改進后的CV模型的分割更好。不僅具有全局分割能力,而且可以提取結節(jié)內(nèi)部鈣化斑。同時,在分割精度和分割效率上也優(yōu)于改進的DRLSE模型。
【關鍵詞】：圖像分割 活動輪廓模型 DRLSE模型 CV模型 邊界停止函數(shù)
【學位授予單位】：河北大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：R581;TP391.41
【目錄】：

• 摘要5-7
• Abstract7-11
• 第1章 緒論11-23
• 1.1 課題背景及研究意義11-12
• 1.2 課題研究現(xiàn)狀12-21
• 1.2.1 超聲成像原理及甲狀腺結節(jié)超聲圖像特點12-16
• 1.2.2 分割方法概述16-19
• 1.2.3 活動輪廓模型分割方法研究現(xiàn)狀19-21
• 1.3 論文的主要工作和組織結構21-23
• 第2章 活動輪廓模型及其相關理論介紹23-30
• 2.1 參數(shù)活動輪廓模型23-24
• 2.2 曲線演化理論24-26
• 2.3 水平集方法介紹26-29
• 2.3.1 傳統(tǒng)的水平集方法26-27
• 2.3.2 變分水平集方法27-29
• 2.4 本章小結29-30
• 第3章 幾何活動輪廓模型30-38
• 3.1 DRLSE模型30-34
• 3.2 CV模型34-36
• 3.3 本章小結36-38
• 第4章 基于活動輪廓模型的甲狀腺結節(jié)分割38-55
• 4.1 改進邊界停止函數(shù)的DRLSE分割模型38-46
• 4.1.1 邊界停止函數(shù)的分析及改進38-41
• 4.1.2 DRLSE-IESF模型的水平集表達41-42
• 4.1.3 實驗結果及分析42-46
• 4.2 結合局部信息改進的CV分割模型46-52
• 4.2.1 基于局部信息速度函數(shù)的構造46-48
• 4.2.2 CV-CLI模型的水平集表達48-49
• 4.2.3 實驗結果及分析49-52
• 4.3 改進模型對比及分析52-54
• 4.4 本章小結54-55
• 第5章 總結與展望55-57
• 5.1 工作總結55-56
• 5.2 工作展望56-57
• 參考文獻57-60
• 致謝60-61
• 攻讀碩士學位期間取得的科研成果61

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 何愛軍,汪天富,鄭昌瓊,鄭翊,李德玉,趙樹魁;基于活動輪廓模型的超聲心臟圖像輪廓的自動檢測[J];生物醫(yī)學工程學雜志;2001年02期

2 王敏尤;秦斌杰;;基于圖像塊匹配和測地線活動輪廓模型的腫瘤自動檢測算法[J];中國生物醫(yī)學工程學報;2007年06期

3 孫豐榮;李艷玲;曲懷敬;劉澤;張梅;;基于活動輪廓模型和邊緣對比度特征量的血管內(nèi)超聲圖像邊緣提取[J];中國生物醫(yī)學工程學報;2006年04期

4 田飛;楊豐;劉國慶;;一種適用于血管圖像分割的活動輪廓模型[J];生物醫(yī)學工程學雜志;2010年05期

5 楊柳;汪天富;林江莉;李德玉;;基于平均曲率流活動輪廓模型的超聲醫(yī)學圖像邊緣提取[J];航天醫(yī)學與醫(yī)學工程;2007年03期

6 聶敏;高滿屯;;基于活動輪廓模型的B超乳腺腫瘤圖像分割[J];北京生物醫(yī)學工程;2008年05期

7 苗鳳君;B超醫(yī)學圖像分割技術的研究[J];中原工學院學報;2004年02期

8 許燕,樊瑜波,于曉軍;體表損傷圖像的分割[J];四川大學學報(工程科學版);2005年05期

9 程兆寧;宋志堅;;RSF模型的優(yōu)化及其在MRI腦腫瘤分割中的應用[J];生物醫(yī)學工程學雜志;2013年02期

10 ;[J];;年期

中國重要會議論文全文數(shù)據(jù)庫 前4條

1 劉丹;賴志茂;;于活動輪廓模型的邊界快速提取算法[A];教育部中南地區(qū)高等學校電子電氣基礎課教學研究會第二十屆學術年會會議論文集（下冊）[C];2010年

2 主海文;高松;刁越;劉有軍;;基于改進活動輪廓模型的血管斷層圖像分割[A];中國生物醫(yī)學工程學會第六次會員代表大會暨學術會議論文摘要匯編[C];2004年

3 王國棟;潘振寬;趙希梅;劉存良;王鈺;;基于圖像分解和活動輪廓模型的紋理分割[A];第十五屆全國圖象圖形學學術會議論文集[C];2010年

4 方林;于海洋;李立超;鄒嬌;;基于光照不均勻的車輛提取與恢復模型[A];第八屆中國智能交通年會優(yōu)秀論文集——智能交通與安全[C];2013年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 侍佼;模糊活動輪廓模型在圖像分割與變化檢測中的應用[D];西安電子科技大學;2015年

2 付斌;基于活動輪廓模型的目標分割與跟蹤的研究[D];哈爾濱工程大學;2006年

3 薛維琴;基于管狀約束活動輪廓模型的血管分割方法研究[D];中國科學院研究生院（長春光學精密機械與物理研究所）;2013年

4 陳侃;基于活動輪廓模型的肺結節(jié)分割方法研究[D];華南理工大學;2013年

5 崔華;基于活動輪廓模型的圖像分割方法研究[D];東北大學;2009年

6 高向軍;活動輪廓模型及其在虛擬內(nèi)窺鏡中的應用研究[D];華南理工大學;2008年

7 朱國普;基于活動輪廓模型的圖像分割[D];哈爾濱工業(yè)大學;2007年

8 方玲玲;圖像分割的活動輪廓模型研究[D];蘇州大學;2013年

9 劉國奇;活動輪廓模型中向量場基本理論及發(fā)展[D];華南理工大學;2013年

10 鄭罡;基于活動輪廓模型的人腦MRI結構像多層次分割方法研究[D];南京航空航天大學;2007年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 官俊;活動輪廓模型在林木圖像分割中的應用研究[D];東北林業(yè)大學;2015年

2 苗宗霞;基于活動輪廓模型的醫(yī)學圖像分割方法研究[D];西南大學;2015年

3 鐘景茹;顱內(nèi)動脈瘤介入治療支架植入圖像仿真優(yōu)化計算方法研究[D];首都醫(yī)科大學;2016年

4 卜祥東;顱腦損傷病灶區(qū)分割研究[D];安徽大學;2016年

5 戚世樂;活動輪廓模型的改進與基于Sobolev梯度的優(yōu)化[D];福州大學;2014年

6 萬志勤;結合灰度與差分信息的混合活動輪廓模型[D];南昌航空大學;2016年

7 楚瑩瑩;基于區(qū)域信息活動輪廓模型的核磁共振圖像分割研究[D];南京信息工程大學;2016年

8 林喜蘭;圖像分割算法研究及其應用[D];江南大學;2016年

9 王丹;三維心臟MRI輔助診斷系統(tǒng)關鍵技術的研究[D];四川師范大學;2016年

10 張晶;基于活動輪廓模型的甲狀腺結節(jié)分割方法研究[D];河北大學;2016年

，

本文編號：535300