發(fā)布時間：2020-04-18 20:00

【摘要】：腦出血是成人急性神經損傷最常見的發(fā)病癥狀之一,因其高死亡率和術后恢復差備受關注。量化腦出血對于預測出血病灶的出血量和計劃后續(xù)治療方案是非常重要的。雖然手動方法分割結果最為準確,但是在數據集較大時,這種方法耗時耗力,并且可能引入可變性。像臨床試驗這種情況下,大量的數據集必須由不同地點或不同人員分析,因此手動和半自動分割方法會消耗大量寶貴的時間,并且由于不同人員的分析方法不同,引入隨機誤差的可能性也較高。因此,在時間和資源都有限的臨床環(huán)境下,更需要自動、準確、快速的分割方法。數十年來,MRI已被證實是量化腦出血的黃金標準,但是MRI成像時間長而且成本較高,因此可用性比CT低。如今CT技術是輔助診斷腦出血的流行技術之一。因為它無創(chuàng)、無痛、快速的特性和CT圖像中組織和血液之間對比度高的特點,使CT技術在大多數醫(yī)院和急救服務中提供技術支持。在CT圖像中新鮮血液或者出血病灶比其他組織更加明亮。病灶在發(fā)病前24小時檢測識別的靈敏度為90%,前三天降為80%,一周內降為50%。為了量化出血病灶的體積,必須在CT掃描圖像中分割出病灶區(qū)域。沒有解剖模型能夠獲得不同結構的所有可能變化(例如形狀、大小、紋理等)、低信噪比、固有的人工干擾、掃描中的偽陰影和噪聲等各種因素使得分割病灶充滿挑戰(zhàn)。本文研究的目的是為臨床試驗開發(fā)出一種準確、自動的腦出血病灶分割方法,解決FCM算法對噪聲敏感的問題,并探討FCM模糊聚類算法和其改進算法在出血病灶分割方面的適宜性和適用性。首先,文中介紹了DICOM文件的標準和結構。實現DICOM圖像轉換成其它通用圖像格式的算法,該算法不僅可以以通用格式顯示圖像還可以將病人的詳細信息和其他相關信息保存起來。其次,對腦部CT圖像進行預處理操作。在預處理操作中,本文提出了一種改進的高斯拉普拉斯算子對顱腦CT圖像進行邊緣提取,該算法在原始的高斯拉普拉斯算子中加入邊緣強度檢測器,可以去除偽邊緣點提取出真正的邊緣點。再次,對圖像進行基于左右掃描算法的顱內提取操作。最后,分割出血病灶。在實現顱內出血病灶分割問題上,本文提出了一種改進的FCM聚類算法,在隸屬度函數的定義和目標函數的定義上均考慮了空間信息。實驗結果表明該方法在不需要事先人工干預的情況下對出血病灶可以進行精確高效的分割,并且對噪聲不敏感。
【圖文】：

其中許多方法提供了相當理想的結果。分割是醫(yī)學圖像分析的一個基本問題，它識別圖像中器官或異常區(qū)域（如腫瘤）的邊界。有了分割結果可以對病灶進行形狀分析、檢測體積變化并制定精確的放射治療方案。在醫(yī)學圖像處理文獻中，現已提出了關于分割的各種理論框架。醫(yī)學影像分割算法中一些主要的數學模型有閾值法[8]、區(qū)域增長[9]、邊緣檢測[10]、馬爾科夫隨機場[11]、動態(tài)輪廓模型（或可變性模型）[12]、基于 Mumford-Shah 功能的框架分區(qū)[13]、水平集[14]、均值漂移[15]。將這些框架互相擴展和整合，可以提高算法的效率、適用性和準確性。圖 1.1 列出了部分常用數學模型。盡管人們已經對醫(yī)學圖像進行了深入的研究，但由于圖像的多樣性、雜亂的外界物體干擾、圖像噪聲、不均勻的物體紋理及其他因素，醫(yī)學圖像分割仍然是一個具有挑戰(zhàn)性的問題。本文的重點是研究解決被噪聲污染后的醫(yī)學影象分割問題，本文重點研究了基于聚類分割的算法，并提出了一種對于噪聲不敏感的基于聚類的 FCM 改進算法。

圖 2.1 DICOM 文件結構 文件的結構如下：：文件頭由 128 字節(jié)的前言和 4 字節(jié)的 DICOM 文件標識組成含在文件中也可以不包含在文件中，文件標識固定為’D’，’I’，’C人姓名、病人其它詳細信息和圖像信息組成。圖像信息中最重，即圖像的寬度、高度和每像素占多少位等。：每個文件都包含一個數據集。數據集代表著真實世界信息對M 數據集不包括文件的總長度，數據集是由數據元素組成（數屬性編碼值）。素：數據元素是由數據元素中的標簽唯一標識的，在數據集中遞增排列并且標簽在數據集中是唯一標識的。下圖 2.2 為數據
【學位授予單位】：吉林大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP391.41;R816.1;R743.34

【參考文獻】

相關期刊論文 前10條

1 王大溪;陳鑫鑫;;基于形態(tài)學的腦部MRI圖像顱骨剝離算法[J];計算機技術與發(fā)展;2015年12期

2 王更;王光輝;楊化超;;融合顏色-紋理模型的均值漂移分割算法[J];測繪科學;2015年08期

3 李杰;陳國棟;;基于改進區(qū)域生長算法的肝臟管道圖像分割方法[J];中國醫(yī)療設備;2014年10期

4 汪亮;金福江;陳峻嚴;;基于區(qū)域生長和FCM模糊聚類的顱內出血CT圖像分割[J];系統仿真學報;2014年02期

5 張光勝;鄒友峰;盧小平;李長春;;基于改進分塊閾值的SAR圖像分割算法[J];測繪通報;2013年12期

6 高利濤;李斯龍;宋冬立;;曲線擬合在伽瑪變換中的應用[J];才智;2010年21期

7 宋燕;劉團結;丁赤飚;趙永超;;一種直方圖匹配和線性空間濾波相結合的條帶噪聲去除方法[J];測繪科學;2009年05期

8 方亞玲;焦偉利;;利用對稱動態(tài)輪廓模型自動檢測圖像最優(yōu)鑲嵌線[J];科學技術與工程;2007年14期

9 魏偉波;芮筱亭;;圖像邊緣檢測方法研究[J];計算機工程與應用;2006年30期

10 梁存升;馮驥;;DICOM標準分析及其應用[J];中國醫(yī)學裝備;2006年02期

相關碩士學位論文 前5條

1 陳元X;改進的FCM算法在腦部圖像分割中的應用研究[D];大連海事大學;2017年

2 劉杰;基于Snake模型的圖像分割算法研究[D];重慶郵電大學;2016年

3 蔣小波;GVF Snake模型及其在圖像分割中的應用研究[D];江南大學;2015年

4 劉玲玲;CT/MRI醫(yī)學影像分割算法研究[D];天津醫(yī)科大學;2013年

5 王海波;顱腦CT圖像分割算法研究[D];哈爾濱工程大學;2009年

，

本文編號：2632480