【摘要】 醫(yī)學(xué)影像領(lǐng)域的迅速發(fā)展給醫(yī)學(xué)帶來(lái)了新的革命,計(jì)算機(jī)斷層成像(ComputedTomography, CT)、核磁共振成像(Magnetic Resonance Imaging, MRI)、超聲(Ultrasonography,US)及其它模式的醫(yī)學(xué)影像已被廣泛地應(yīng)用于臨床診斷和治療。在計(jì)算機(jī)輔助下,從醫(yī)學(xué)圖像中分割出醫(yī)生感興趣區(qū)域(regions of interest, ROI),并結(jié)合可視化技術(shù)進(jìn)行三維顯示,使醫(yī)生對(duì)人體病變部位的觀察更直接、更清晰,有助于進(jìn)一步提高疾病的確診率和治愈率。圖像分割是醫(yī)學(xué)圖像處理分析中的一個(gè)重要步驟。由于醫(yī)學(xué)圖像具有極其繁雜的多樣性和復(fù)雜性,并且圖像中還存在噪聲的干擾,這使醫(yī)學(xué)圖像的準(zhǔn)確分割往往具有較大的難度。目前,研究者們提出了許多分割方法,但在臨床應(yīng)用中,這些方法在準(zhǔn)確度、執(zhí)行速度、魯棒性及自動(dòng)化程度上還存在一定問(wèn)題,因此,設(shè)計(jì)實(shí)用高效的自動(dòng)分割方法一直是研究者們追求的目標(biāo)。醫(yī)學(xué)圖像可視化是醫(yī)學(xué)圖像處理的重要研究?jī)?nèi)容,也是科學(xué)計(jì)算可視化中最成功的應(yīng)用領(lǐng)域之一,已成為輔助疾病診斷和治療的重要手段,并且已深入到醫(yī)學(xué)的各個(gè)領(lǐng)域。目前已有很多可視化方法,如體繪制、面繪制、局部顯示等等,如何充分利用這些可視化技術(shù)方便、快捷地顯示圖像中有價(jià)值信息已成為目前醫(yī)學(xué)圖像可視化領(lǐng)域的研究熱點(diǎn)。本論文對(duì)醫(yī)學(xué)CT 圖像三維分割與可視化中的關(guān)鍵技術(shù)進(jìn)行了一些有益的探討,其貢獻(xiàn)主要有以下幾個(gè)方面:1. 設(shè)計(jì)了一種醫(yī)學(xué)CT 圖像三維分割框架,提出了兩種三維分割算法:單目標(biāo)三維自適 應(yīng)迭代分割算法(SO3DAISA)和多目標(biāo)三維分割算法(MO3DSA)。本文設(shè)計(jì)的醫(yī)學(xué)CT 圖像三維分割框架主要有三部分組成:圖像預(yù)處理、三維分割和分割結(jié)果后處理。(1) 在圖像預(yù)處理部分,首先采用切片堆疊方式構(gòu)建3D 圖像,然后探討了基于3D 圖 像的各向異性濾波方法,最后針對(duì)3D 圖像中層間分辨率遠(yuǎn)低于層內(nèi)分辨率的特點(diǎn), 采用三線性插值算法對(duì)3D 圖像進(jìn)行切片內(nèi)插,提高切片間分辨率。(2) 在分割部分,針對(duì)醫(yī)學(xué)CT 圖像,提出了一種基于3D 區(qū)域生長(zhǎng)的單目標(biāo)三維自適 應(yīng)迭代分割算法(SO3DAISA),設(shè)計(jì)了一種綜合全局特征和局部特征的生長(zhǎng)準(zhǔn)則, 以迭代方式獲取了令人滿意的分割結(jié)果;提出了一種過(guò)分割檢測(cè)準(zhǔn)則,有效地解決 了3D 區(qū)域生長(zhǎng)方法中的過(guò)分割問(wèn)題。針對(duì)3D 圖像中多目標(biāo)分割問(wèn)題,本文提出 了一種多目標(biāo)三維圖像分割算法(MO3DSA),有效地解決了直方圖呈單峰分布圖像 的分割問(wèn)題。(3) 由于人體組織結(jié)構(gòu)的復(fù)雜性以及圖像中噪聲的干擾,采用基于區(qū)域生長(zhǎng)方法進(jìn)行分 割時(shí),分割結(jié)果中往往會(huì)存在“空洞”。為獲取完整的目標(biāo)邊界,本文提出了基于 數(shù)學(xué)形態(tài)學(xué)和基于行程的“空洞”填充方法,有效地填充了“空洞”。 

第 1 章 緒  論

醫(yī)學(xué)成像設(shè)備的不斷涌現(xiàn)以及醫(yī)學(xué)成像技術(shù)的不斷提高使得所獲得的醫(yī)學(xué)圖像數(shù)量不斷增多，導(dǎo)致醫(yī)生通過(guò)逐片解讀醫(yī)學(xué)圖像來(lái)判斷疾病種類和程度的方式逐漸變得不可能，并且判斷結(jié)果變得具有不可重復(fù)性（與醫(yī)生經(jīng)驗(yàn)有很大關(guān)系），由此限制了醫(yī)學(xué)成像設(shè)備在臨床實(shí)際中的應(yīng)用。但是伴隨著計(jì)算機(jī)網(wǎng)絡(luò)、人工智能、醫(yī)學(xué)物理的迅猛發(fā)展以及圖形圖像技術(shù)的日臻成熟，使其逐漸的滲透到醫(yī)學(xué)領(lǐng)域當(dāng)中，一門(mén)具有特色的新興交叉學(xué)科---醫(yī)學(xué)圖像處理與分析，應(yīng)運(yùn)而生。該學(xué)科有效的解決了上述問(wèn)題，借助醫(yī)學(xué)圖像處理與分析手段不僅減輕了由于圖像過(guò)多而使醫(yī)生解讀費(fèi)時(shí)的壓力，同時(shí)極大地提高了醫(yī)生診療水平，從而為醫(yī)學(xué)的研究和進(jìn)一步發(fā)展提供了堅(jiān)實(shí)的基礎(chǔ)[2]。 醫(yī)學(xué)圖像處理與分析主要包括醫(yī)學(xué)圖像分割、配準(zhǔn)、三維重建、結(jié)構(gòu)分析以及運(yùn)動(dòng)分析等研究方向，其中醫(yī)學(xué)圖像分割是其他研究方向的基礎(chǔ)，因?yàn)槠渌芯烤墙⒃谒幚淼臄?shù)據(jù)是在準(zhǔn)確分割基礎(chǔ)之上的。圖像分割結(jié)果有許多重要的用途，如目標(biāo)物體體積的定量計(jì)算[3]、疾病診斷[4]、病變區(qū)域的定位[5]、解剖結(jié)構(gòu)的研究[6]、治療方案的設(shè)計(jì)[7]以及計(jì)算機(jī)輔助外科手術(shù)[8]（Computer Assisted Surgery，CAS）等，因此研究醫(yī)學(xué)圖像分割具有重要意義，可以說(shuō)該技術(shù)的解決與否直接影響著計(jì)算機(jī)輔助診斷（Computer  Aided Diagnoisis，CAD）技術(shù)能否在醫(yī)學(xué)上的成功應(yīng)用。
..........

第 2 章 醫(yī)學(xué) CT 圖像的數(shù)據(jù)獲取及預(yù)處理

2.1 引言
計(jì)算機(jī)及其圖形圖像技術(shù)的日漸成熟，使其逐步滲入醫(yī)學(xué)領(lǐng)域中，開(kāi)創(chuàng)了數(shù)字醫(yī)療的新時(shí)代。CT 以其分辨率高、成本小、技術(shù)成熟等優(yōu)點(diǎn)成為檢查和病理研究的主要手段，廣泛的應(yīng)用于臨床。了解所獲取 CT 數(shù)據(jù)的基本信息有利于進(jìn)一步評(píng)價(jià)分割結(jié)果的準(zhǔn)確性以及算法適用性。 本章首先詳細(xì)總結(jié)所獲得各部位圖像的基本信息，其中包括數(shù)據(jù)來(lái)源、平面像素間距、層間距、數(shù)據(jù)集尺寸范圍等；接下來(lái)概括性的討論了各部位數(shù)據(jù)的分割難點(diǎn)以及針對(duì)該分割難點(diǎn)所構(gòu)建的分割方法；  最后重點(diǎn)探討了與具體分割方法相適應(yīng)的圖像預(yù)處理手段。

2.2 CT 圖像數(shù)據(jù)獲取
本文總共搜集到 55 套髖關(guān)節(jié) CT 數(shù)據(jù)，共包含 110 個(gè)髖關(guān)節(jié)，數(shù)據(jù)由哈爾濱醫(yī)科大學(xué)附屬第一醫(yī)院 CT 室提供。這些數(shù)據(jù)中，32 套為女性，23 套為男性。數(shù)據(jù)集的年齡范圍為 22 至 75 歲，平均年齡為 52 歲。實(shí)驗(yàn)數(shù)據(jù)來(lái)源于GE ProSpeed CT 機(jī)，切片平面像素?cái)?shù)目為 512?512 ，平面像素間距為 0.68 mm，層間距為 1.5  mm。本文搜集到的數(shù)據(jù)中包含了從正常到嚴(yán)重病變的各種類型的髖關(guān)節(jié)。所有數(shù)據(jù)的分割結(jié)果在實(shí)驗(yàn)前均已由放射專家手動(dòng)標(biāo)出。 本文共搜集到 20 套肺部 CT 數(shù)據(jù)，所有的數(shù)據(jù)中均包含胸膜結(jié)節(jié)。這些數(shù)據(jù)來(lái)自兩種多排計(jì)算機(jī)斷層掃描（Multidetector Cmputed Tomography）儀器： 其中 10 個(gè)來(lái)源于西門(mén)子醫(yī)學(xué)系統(tǒng) Somatom  Sentation  64 儀器（由哈爾濱醫(yī)科大學(xué)附屬第二醫(yī)院 CT 室提供），另外 10 個(gè)來(lái)源于飛利浦醫(yī)學(xué)系統(tǒng) Brilliance 64儀 器 （ 由 威 海 市 立 醫(yī) 院 CT 室 提 供 ）。層間距范圍為：0.6-1.0mm。20 個(gè)數(shù)據(jù)的分割結(jié)果在本實(shí)驗(yàn)前均已由放射專家給出。在這 20 個(gè)數(shù)據(jù)里，總共包含 307 個(gè)肺結(jié)節(jié)（結(jié)節(jié)最大直徑范圍為：1.2-17mm；  均值為：3.9mm），其中 65 個(gè)是胸膜結(jié)節(jié)。

第 3 章  基于自適應(yīng)分類和法線方向校正的髖關(guān)節(jié) CT 圖像分割......................31
3.1  引言 .................................. 31
3.2  圖像初始分割 ..................................... 31
第 4 章  基于迭代平均和曲率修復(fù)的肺部 CT 圖像分割與光滑..........................57
4.1  引言 ........................................ 57
4.2  胸腔抽取.................................. 57
4.3  肺部辨別...................................... 58
第 5 章  基于概率約束形狀強(qiáng)度水平集的肝臟 CT 圖像分割..............................81
5.1  引言 .......................................... 81
5.2  算法描述........................................ 81
5.3  肝臟粗分割 .................................. 82

第 5 章 基于概率約束形狀強(qiáng)度水平集的肝臟 CT 圖像分割

5.1 引言
基于CT圖像的肝臟分割是肝臟疾病計(jì)算機(jī)輔助診斷和手術(shù)治療的關(guān)鍵步驟。然而，在 CT 圖像中由于腹部器官之間的低對(duì)比度、器官病變的存在以及個(gè)體之間器官形狀的差異，使得僅依賴灰度信息的圖像分割方法（如閾值法、區(qū)域生長(zhǎng)法和模糊分割等）難以奏效，傳統(tǒng)方法往往導(dǎo)致肝臟分割結(jié)果的泄露。到目前為止，基于 CT 圖像的肝臟分割仍是當(dāng)前醫(yī)學(xué)圖像分割領(lǐng)域的重點(diǎn)和難點(diǎn)。 近幾年將更多的先驗(yàn)知識(shí)如統(tǒng)計(jì)圖譜，融入到肝臟分割方法中已經(jīng)引起廣泛的注意。統(tǒng)計(jì)圖譜主要包括基于統(tǒng)計(jì)形狀模型（Statistical Shape Model, SSM）的形狀圖譜（Shape  Atlas,  SA）和基于空間位置分布信息的概率圖譜（Probabilistic Atlas, PA）。大量的實(shí)驗(yàn)結(jié)果表明，統(tǒng)計(jì)圖譜的加入對(duì)后面的分割過(guò)程具有較好的指導(dǎo)和約束作用，能有效的提高分割算法的魯棒性，因此使得分割結(jié)果更加準(zhǔn)確。

5.2 算法描述
對(duì)于測(cè)試相中的每一個(gè)目標(biāo)數(shù)據(jù)集，首先計(jì)算該目標(biāo)數(shù)據(jù)集與所有圖譜的相似度，根據(jù)相似度生成該目標(biāo)數(shù)據(jù)集的權(quán)重概率圖譜（Probabilistic  Atlas, PA）；然后根據(jù)所產(chǎn)生的 PA，得到該目標(biāo)數(shù)據(jù)集中最有可能的肝臟區(qū)域（Most Likely  Liver  Region,  MLLR）；接下來(lái)，在 MLLR 中，根據(jù)最大化后驗(yàn)概率分類 PM 的方法得到肝臟粗分割結(jié)果；最后，利用形狀強(qiáng)度先驗(yàn)水平集方法得到肝臟準(zhǔn)確分割結(jié)果。為了優(yōu)化分割過(guò)程并避免肝臟分割結(jié)果的泄露，在最后一步的實(shí)現(xiàn)過(guò)程中使用窄帶技術(shù)（Narrowband Technique）并將水平集函數(shù)演化范圍限制在 MLLR 中。
...........

結(jié)  論

醫(yī)學(xué)圖像分割是計(jì)算機(jī)輔助診斷和自動(dòng)識(shí)別組織器官的基礎(chǔ)，研究醫(yī)學(xué)CT 圖像分割方法對(duì)于進(jìn)一步推動(dòng)計(jì)算機(jī)輔助診斷在臨床實(shí)際中的應(yīng)用具有十分重要的意義。由于醫(yī)學(xué)圖像分割方法具有面向特定對(duì)象的特點(diǎn)，本文主要就髖關(guān)節(jié)、包含胸膜結(jié)節(jié)的肺部以及肝臟等部位 CT 圖像分割方法進(jìn)行了深入的研究。 （1）論文的主要研究工作 1）針對(duì)髖關(guān)節(jié) CT 圖像中股骨頭與髖臼準(zhǔn)確分割問(wèn)題，提出和設(shè)計(jì)實(shí)現(xiàn)了一種通過(guò)迭代自適應(yīng)閾值分類，并利用貝葉斯判別分析的處理流程，解決了該部位圖像分割中常出現(xiàn)的骨與骨之間的錯(cuò)誤粘連現(xiàn)象。實(shí)驗(yàn)過(guò)程中首先將所得 110 個(gè)數(shù)據(jù)按照解剖學(xué)特征進(jìn)行分組，筆耕文化傳播，隨后與當(dāng)前流行的髖關(guān)節(jié) CT 圖像分割方法相比較驗(yàn)證了該方法的準(zhǔn)確性，最后通過(guò) ROC 分析驗(yàn)證了該方法的臨床適用性。
.........

參考文獻(xiàn):
[1] 周禮平,高新波.  圖像分割的快速模糊c均值聚類算法[J]. 計(jì)算機(jī)工程與應(yīng)用. 2004(08)
[2] 王剛,高新波,姬紅兵.  三維重建中形狀插值的快速算法研究[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2003(08)
[3] 羅希平,田捷.  一種改進(jìn)的交互式醫(yī)學(xué)圖像序列分割方法[J]. 電子學(xué)報(bào). 2003(01)
[4] 聶斌.  醫(yī)學(xué)圖像分割技術(shù)及其進(jìn)展[J]. 泰山醫(yī)學(xué)院學(xué)報(bào). 2002(04)
[5] 于水,馬范援.  一種基于數(shù)據(jù)融合的醫(yī)學(xué)圖像分割方法[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2001(12)
[6] 田捷,韓博聞,王巖,羅希平.  模糊C-均值聚類法在醫(yī)學(xué)圖像分析中的應(yīng)用[J]. 軟件學(xué)報(bào). 2001(11)
[7] 林瑤,田捷,張曉鵬.  基于模糊連接度的FCM分割方法在醫(yī)學(xué)圖像分析中的應(yīng)用[J]. 中國(guó)體視學(xué)與圖像分析. 2001(02)
[8] 宛銘,唐澤圣.  基于微機(jī)環(huán)境的三維數(shù)據(jù)場(chǎng)多等值面快速顯示算法[J]. 軟件學(xué)報(bào). 1996(09)


本文編號(hào)：11577