【摘要】：從腹部CT圖像中分割出精準(zhǔn)的肝臟輪廓是醫(yī)學(xué)圖像分割中的一個(gè)熱點(diǎn)問(wèn)題,同時(shí)也是一個(gè)極具挑戰(zhàn)的問(wèn)題。本文針對(duì)此問(wèn)題,提出了一種半自動(dòng)和一種全自動(dòng)的數(shù)學(xué)分割模型。一方面,肝臟CT數(shù)據(jù)具有復(fù)雜的背景、低對(duì)比度、弱邊界以及高噪聲的特點(diǎn);另一方面,肝臟腫瘤或者其它肝臟病變的出現(xiàn)往往會(huì)將肝臟分成兩個(gè)表征完全不同的子區(qū)域。特別的,如果肝臟腫瘤位于肝臟表面,那么準(zhǔn)確的提取肝臟邊界將更為困難。此問(wèn)題雖然可以通過(guò)多次分割得到解決,但卻需要對(duì)體數(shù)據(jù)進(jìn)行多次處理,這必然增加時(shí)間消耗。為此,在基于活動(dòng)輪廓模型的框架下,我們提出了新的混合變分模型。此模型僅僅用一個(gè)水平集函數(shù)就可以一次分割出含兩個(gè)子部分的整個(gè)肝臟組織。此模型創(chuàng)新性地引入了測(cè)地距離選擇的技巧來(lái)自適應(yīng)地選擇最相似的特征去驅(qū)動(dòng)曲線演化到準(zhǔn)確的肝臟邊界。另外,在定義局部區(qū)域表征項(xiàng)時(shí),提出的加權(quán)直方圖技巧對(duì)精準(zhǔn)邊界的提取也有一定的貢獻(xiàn)�；跍y(cè)地距離選擇的肝臟分割方法需要人工給定初始化,這將降低方法的臨床應(yīng)用性。為此,我們借助于深度學(xué)習(xí)和圖割給出了一種全自動(dòng)的肝臟分割方法。此方法包含兩個(gè)內(nèi)容:(ⅰ)利用三維卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)出肝臟概率圖,同時(shí)確定初始肝臟區(qū)域;(ⅱ)利用肝臟先驗(yàn)概率信息和圖割的技巧精分割初始的肝臟輪廓。此模型完全不需要任何人工操作,因此具有潛在的臨床應(yīng)用價(jià)值。另外,此模型中三維卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用在肝臟分割領(lǐng)域也屬于較早的工作。本文所提出的所有分割模型均在公共數(shù)據(jù)集上進(jìn)行了驗(yàn)證。大量定性和定量的實(shí)驗(yàn)結(jié)果顯示了所提模型可以準(zhǔn)確地從CT圖像中提取肝臟輪廓。
[Abstract]:Segmenting accurate liver contour from abdominal CT image is a hot issue in medical image segmentation, and it is also a very challenging problem. In order to solve this problem, a semi-automatic and a fully automatic mathematical segmentation model is proposed in this paper. On the one hand, liver CT data have the characteristics of complex background, low contrast, weak boundary and high noise. On the other hand, liver tumors or other liver lesions often divide the liver into two subregions characterized by completely different characteristics. In particular, if liver tumors are located on the surface of the liver, accurate extraction of liver boundaries will be more difficult. Although this problem can be solved by multiple segmentation, it is necessary to process the volume data many times, which will inevitably increase the time consumption. Therefore, under the framework of active contour model, we propose a new hybrid variational model. In this model, the whole liver tissue with two subparts can be segmented by using only one level set function. This model innovatively introduces the geodesic distance selection technique to adaptively select the most similar features to drive the curve to the exact liver boundary. In addition, the proposed weighted histogram technique also contributes to accurate boundary extraction when defining local representation terms. The method of liver segmentation based on geodesic distance selection needs artificial initialization, which will reduce the clinical application of the method. For this reason, we give a fully automatic liver segmentation method by means of deep learning and graph cutting. This method consists of two parts: (I) learning the liver probability map by using three-dimensional convolution neural network and determining the initial liver region at the same time; (II) segmenting the initial liver contour precisely by using the prior probability information of the liver and the technique of graph cutting. This model does not need any manual operation, so it has potential clinical application value. In addition, the application of three-dimensional convolution neural network in this model is also an early work in the field of liver segmentation. All the segmentation models proposed in this paper are verified on the common data set. A large number of qualitative and quantitative experimental results show that the proposed model can accurately extract liver contours from CT images.
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類號(hào)】：R816.5;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 L.Fruhwald;J.Kettenbach;M.Figl;J.Hummel;H.Bergmann;W.Birkfellner;何健;;CT圖像自動(dòng)與人工層到體配準(zhǔn)的比較研究[J];國(guó)際醫(yī)學(xué)放射學(xué)雜志;2010年01期

2 盧暢;韓珂;李晶;王冰;呂國(guó)華;;基于CT圖像全頸椎三維有限元模型的建立及驗(yàn)證[J];中南大學(xué)學(xué)報(bào)(醫(yī)學(xué)版);2008年05期

3 劉治華;管文浩;檀中奇;;基于CT圖像構(gòu)建的腰椎三維有限元模型[J];中國(guó)組織工程研究;2012年26期

4 林源泉,賈軍,尹夕龍,劉文峰,張浚;CT圖像計(jì)分在判斷顱腦損傷預(yù)后的意義[J];中國(guó)臨床解剖學(xué)雜志;2004年04期

5 曾自力;劉兵;;三維適形放射治療計(jì)劃系統(tǒng)重建CT圖像體積誤差的研究[J];中國(guó)輻射衛(wèi)生;2008年01期

6 村木稔，，陳金益;特發(fā)性股骨頭壞死不典型病例CT圖像分析[J];中醫(yī)正骨;1996年02期

7 李登旺;王洪君;萬(wàn)洪林;尹勇;孫偉峰;;正交小波基函數(shù)實(shí)現(xiàn)圖像引導(dǎo)放射系統(tǒng)中計(jì)劃CT與錐形束CT圖像的形變配準(zhǔn)[J];中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào);2011年02期

8 胡永勝;CT圖像存檔系統(tǒng)的自動(dòng)控制[J];中華放射學(xué)雜志;1999年06期

9 王力;窗寬、窗位對(duì)CT圖像的影響[J];醫(yī)學(xué)信息;2004年11期

10 付淼;;基于CT圖像的頜面三維重建及其應(yīng)用[J];中國(guó)醫(yī)學(xué)工程;2013年02期

相關(guān)會(huì)議論文 前10條

1 劉靜;鐘秀群;;護(hù)理質(zhì)量控制與CT圖像關(guān)系的探討[A];首屆《中華護(hù)理雜志》論文寫作知識(shí)專題講座暨研討會(huì)論文匯編[C];2001年

2 杜建軍;陸建榮;喬愛科;劉有軍;;一種基于CT圖像的血管快速分割方法[A];2008年全國(guó)生物流變學(xué)與生物力學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2008年

3 魏麗春;石梅;劉雋悅;范風(fēng)云;陸宙;肖鋒;胡明民;馬海昕;劉曉莉;;CT圖像引導(dǎo)下宮頸癌的高劑量率后裝治療劑量體積參數(shù)與放射反應(yīng)的關(guān)系[A];2007第六屆全國(guó)放射腫瘤學(xué)學(xué)術(shù)年會(huì)論文集[C];2007年

4 魏麗春;石梅;劉雋悅;范風(fēng)云;陸宙;肖鋒;胡明民;馬海昕;劉曉莉;;CT圖像引導(dǎo)下宮頸癌的高劑量率后裝治療劑量體積參數(shù)與放射反應(yīng)之間的關(guān)系[A];2007第六屆全國(guó)放射腫瘤學(xué)學(xué)術(shù)年會(huì)論文集[C];2007年

5 沈宏榮;;控制CT掃描中的變量因素提高CT圖像質(zhì)量[A];2009中華醫(yī)學(xué)會(huì)影像技術(shù)分會(huì)第十七次全國(guó)學(xué)術(shù)大會(huì)論文集[C];2009年

6 程志亮;姜振興;賈曉光;高輝;馬虹;;利用PACS系統(tǒng)清除模糊效應(yīng)對(duì)CT圖像的影響[A];2009中華醫(yī)學(xué)會(huì)影像技術(shù)分會(huì)第十七次全國(guó)學(xué)術(shù)大會(huì)論文集[C];2009年

7 楊誼;喻德曠;申洪;;用基于主動(dòng)輪廓模型的方法分割肺部病理CT圖像病灶[A];2005年全國(guó)理論計(jì)算機(jī)科學(xué)學(xué)術(shù)年會(huì)論文集[C];2005年

8 李國(guó)麗;張建;胡存剛;;基于小波軟閾值法的CT圖像偽影去除方法[A];全國(guó)第13屆計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)（CAD/CG）學(xué)術(shù)會(huì)議論文集[C];2004年

9 宋學(xué)義;;CT圖像上緣發(fā)暗的原因及解決方法[A];2009中華醫(yī)學(xué)會(huì)影像技術(shù)分會(huì)第十七次全國(guó)學(xué)術(shù)大會(huì)論文集[C];2009年

10 徐夏剛;張定華;趙歆波;敖波;;CT圖像短裂紋群特征提取方法研究[A];第十一屆中國(guó)體視學(xué)與圖像分析學(xué)術(shù)會(huì)議論文集[C];2006年

相關(guān)重要報(bào)紙文章 前4條

1 吉林 鄒連瑞;CT圖像偽影淺析與對(duì)策[N];電子報(bào);2007年

2 美國(guó)明尼蘇達(dá)大學(xué)社會(huì)學(xué)博士 密西西比州立大學(xué)國(guó)家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護(hù)好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國(guó)教師報(bào);2014年

3 盧業(yè)忠;腦控電腦 驚世駭俗[N];計(jì)算機(jī)世界;2001年

4 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡(luò)將大顯身手[N];中國(guó)紡織報(bào);2003年

相關(guān)博士學(xué)位論文 前10條

1 盧方;CT圖像中肝臟分割的數(shù)學(xué)建模方法[D];浙江大學(xué);2016年

2 李海巖;基于CT圖像的活體人顱骨幾何特征測(cè)量與研究[D];天津大學(xué);2006年

3 王進(jìn)科;CT圖像的肝臟及肺部腫瘤檢測(cè)方法研究[D];哈爾濱工業(yè)大學(xué);2016年

4 楊旭華;神經(jīng)網(wǎng)絡(luò)及其在控制中的應(yīng)用研究[D];浙江大學(xué);2004年

5 李素芳;基于神經(jīng)網(wǎng)絡(luò)的無(wú)線通信算法研究[D];山東大學(xué);2015年

6 石艷超;憶阻神經(jīng)網(wǎng)絡(luò)的混沌性及幾類時(shí)滯神經(jīng)網(wǎng)絡(luò)的同步研究[D];電子科技大學(xué);2014年

7 王新迎;基于隨機(jī)映射神經(jīng)網(wǎng)絡(luò)的多元時(shí)間序列預(yù)測(cè)方法研究[D];大連理工大學(xué);2015年

8 付愛民;極速學(xué)習(xí)機(jī)的訓(xùn)練殘差、穩(wěn)定性及泛化能力研究[D];中國(guó)農(nóng)業(yè)大學(xué);2015年

9 李輝;基于粒計(jì)算的神經(jīng)網(wǎng)絡(luò)及集成方法研究[D];中國(guó)礦業(yè)大學(xué);2015年

10 王衛(wèi)蘋;復(fù)雜網(wǎng)絡(luò)幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 賀娟;基于CT圖像的全心臟分割算法研究[D];浙江大學(xué);2015年

2 徐馳;基于胰腺灌注CT圖像的胰腺外周血管三維重建顯示及應(yīng)用[D];電子科技大學(xué);2014年

3 康慧慧;基于CT圖像與MRI-CT融合圖像勾畫海馬的對(duì)比研究[D];山東大學(xué);2016年

4 金奇j;基于CT圖像的肺結(jié)節(jié)自動(dòng)識(shí)別系統(tǒng)研究[D];浙江大學(xué);2016年

5 張磊;基于螺旋斷層放療系統(tǒng)的兆伏級(jí)CT圖像分析腫瘤治療中的擺位偏差[D];南華大學(xué);2016年

6 李譚譚;基于錐形束CT圖像引導(dǎo)治療直腸癌靶區(qū)外放邊界研究[D];清華大學(xué);2015年

7 王敏;基于素描序列圖和多視角策略的胃部CT圖像淋巴結(jié)檢測(cè)[D];西安電子科技大學(xué);2016年

8 吳文姝;冠狀動(dòng)脈系統(tǒng)CT圖像去噪研究[D];天津工業(yè)大學(xué);2017年

9 賈晨堯;基于CT圖像的腎臟數(shù)字化三維重建模型在腹腔鏡下腎腫瘤根治術(shù)中的應(yīng)用研究[D];南方醫(yī)科大學(xué);2017年

10 賈慧賢;排球運(yùn)動(dòng)對(duì)青少年掌骨形態(tài)結(jié)構(gòu)影響的CT圖像分析[D];中北大學(xué);2013年

本文編號(hào)：2287710