【摘要】：腦出血是成人急性神經(jīng)損傷最常見的發(fā)病癥狀之一,因其高死亡率和術(shù)后恢復(fù)差備受關(guān)注。量化腦出血對于預(yù)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(jié)果最為準(zhǔn)確,但是在數(shù)據(jù)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(shù)據(jù)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(jī)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(zhǔn)確、快速的分割方法。數(shù)十年來,MRI已被證實是量化腦出血的黃金標(biāo)準(zhǔn),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(shù)是輔助診斷腦出血的流行技術(shù)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(shù)在大多數(shù)醫(yī)院和急救服務(wù)中提供技術(shù)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(nèi)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(jié)構(gòu)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(zhǔn)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(jìn)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(biāo)準(zhǔn)和結(jié)構(gòu)。實現(xiàn)DICOM圖像轉(zhuǎn)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(xì)信息和其他相關(guān)信息保存起來。其次,對腦部CT圖像進(jìn)行預(yù)處理操作。在預(yù)處理操作中,本文提出了一種改進(jìn)的高斯拉普拉斯算子對顱腦CT圖像進(jìn)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(qiáng)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(jìn)行基于左右掃描算法的顱內(nèi)提取操作。最后,分割出血病灶。在實現(xiàn)顱內(nèi)出血病灶分割問題上,本文提出了一種改進(jìn)的FCM聚類算法,在隸屬度函數(shù)的定義和目標(biāo)函數(shù)的定義上均考慮了空間信息。實驗結(jié)果表明該方法在不需要事先人工干預(yù)的情況下對出血病灶可以進(jìn)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(dāng)理想的結(jié)果。分割是醫(yī)學(xué)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(jié)果可以對病灶進(jìn)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(xué)圖像處理文獻(xiàn)中，現(xiàn)已提出了關(guān)于分割的各種理論框架。醫(yī)學(xué)影像分割算法中一些主要的數(shù)學(xué)模型有閾值法[8]、區(qū)域增長[9]、邊緣檢測[10]、馬爾科夫隨機(jī)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(kuò)展和整合，可以提高算法的效率、適用性和準(zhǔn)確性。圖 1.1 列出了部分常用數(shù)學(xué)模型。盡管人們已經(jīng)對醫(yī)學(xué)圖像進(jìn)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(xué)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(xué)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(jìn)算法。

圖 2.1 DICOM 文件結(jié)構(gòu) 文件的結(jié)構(gòu)如下：：文件頭由 128 字節(jié)的前言和 4 字節(jié)的 DICOM 文件標(biāo)識組成含在文件中也可以不包含在文件中，文件標(biāo)識固定為’D’，’I’，’C人姓名、病人其它詳細(xì)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(shù)據(jù)集。數(shù)據(jù)集代表著真實世界信息對M 數(shù)據(jù)集不包括文件的總長度，數(shù)據(jù)集是由數(shù)據(jù)元素組成（數(shù)屬性編碼值）。素：數(shù)據(jù)元素是由數(shù)據(jù)元素中的標(biāo)簽唯一標(biāo)識的，在數(shù)據(jù)集中遞增排列并且標(biāo)簽在數(shù)據(jù)集中是唯一標(biāo)識的。下圖 2.2 為數(shù)據(jù)
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：TP391.41;R816.1;R743.34

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王大溪;陳鑫鑫;;基于形態(tài)學(xué)的腦部MRI圖像顱骨剝離算法[J];計算機(jī)技術(shù)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(xué);2015年08期

3 李杰;陳國棟;;基于改進(jìn)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(shè)備;2014年10期

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

5 張光勝;鄒友峰;盧小平;李長春;;基于改進(jìn)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(yīng)用[J];才智;2010年21期

7 宋燕;劉團(tuán)結(jié);丁赤飚;趙永超;;一種直方圖匹配和線性空間濾波相結(jié)合的條帶噪聲去除方法[J];測繪科學(xué);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(xué)技術(shù)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(jī)工程與應(yīng)用;2006年30期

10 梁存升;馮驥;;DICOM標(biāo)準(zhǔn)分析及其應(yīng)用[J];中國醫(yī)學(xué)裝備;2006年02期

相關(guān)碩士學(xué)位論文 前5條

1 陳元X;改進(jìn)的FCM算法在腦部圖像分割中的應(yīng)用研究[D];大連海事大學(xué);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(xué);2016年

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

4 劉玲玲;CT/MRI醫(yī)學(xué)影像分割算法研究[D];天津醫(yī)科大學(xué);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(xué);2009年

，

本文編號：2632480