本文關(guān)鍵詞： 概率圖譜 水平集 可變環(huán)形濾波器 自適應(yīng)模糊聚類 分割與檢測(cè)　出處：《哈爾濱工業(yè)大學(xué)》2016年博士論文　論文類型：學(xué)位論文

【摘要】：計(jì)算機(jī)輔助分割與檢測(cè)在人體重要器官的早期診斷與治療、外科規(guī)劃與導(dǎo)航等方面發(fā)揮著重要的作用。CT醫(yī)學(xué)成像技術(shù),因其高分辨率、低成本等特性,被廣泛應(yīng)用于人體重要器官的醫(yī)療診斷。然而,人體重要的腺體器官——肝臟,其CT成像由于對(duì)比度較低、形狀不規(guī)則、灰度不均勻、相鄰組織干擾等因素,往往導(dǎo)致計(jì)算機(jī)輔助分割與檢測(cè)非常困難;人體重要的呼吸器官——肺,其CT成像雖然對(duì)比度較高、但由于血管、支氣管、以及胸膜附近異常的存在,往往也對(duì)其分割與檢測(cè)的準(zhǔn)確性造成很大影響。針對(duì)這些問(wèn)題,本文以肝臟和肺的精準(zhǔn)分割及其腫瘤檢測(cè)為研究目標(biāo),在高分辨率螺旋CT圖像中,研究肝臟的分割方法、肝臟腫瘤的檢測(cè)技術(shù);肺的分割方法、肺腫瘤的檢測(cè)技術(shù)。研究的目的是,通過(guò)本文的研究,提升這兩大重要器官自動(dòng)分割、自動(dòng)檢測(cè)的精準(zhǔn)性和自動(dòng)化程度,幫助放射科醫(yī)生提高診斷效率,降低肝癌與肺癌致死風(fēng)險(xiǎn)。針對(duì)肝臟分割過(guò)程中,腹部多個(gè)器官相互鄰近、對(duì)比度低以及腫瘤異常導(dǎo)致的分割難題,本文提出了一種基于概率圖譜與水平集混合技術(shù)的自動(dòng)分割方法。首先,通過(guò)基于特定病人的肝臟概率圖譜與測(cè)試圖像之間的相似度,生成最大可能性的肝臟區(qū)域;然后,根據(jù)直方圖分析將最大可能肝臟區(qū)域進(jìn)行后驗(yàn)概率分類,通過(guò)最大后驗(yàn)概率映射實(shí)現(xiàn)肝臟的粗分割;最后,通過(guò)基于形狀-灰度先驗(yàn)?zāi)Ｐ偷乃郊莼夹g(shù),對(duì)粗分割輪廓優(yōu)化,并獲取最終細(xì)分割的肝臟實(shí)質(zhì)。該新方法是首次應(yīng)用于肝臟分割,實(shí)驗(yàn)表明該新算法具有很高的自動(dòng)分割精度,且能夠有效處理器官鄰近以及包含腫瘤的肝臟分割情形。肝臟分割的復(fù)雜性,以及肝臟內(nèi)異常的多樣性,是肝臟腫瘤自動(dòng)檢測(cè)技術(shù)發(fā)展的主要障礙。本文在前期肝臟自動(dòng)分割研究的基礎(chǔ)上,針對(duì)肝臟腫瘤的近球形特性,提出了基于可變環(huán)形濾波器的自動(dòng)檢測(cè)方法。首先,基于圖譜與水平集混合技術(shù)獲得肝臟分割輪廓;然后,利用可變環(huán)形濾波器的半徑自適應(yīng)特性檢測(cè)可疑腫瘤區(qū)域,并提出了基于灰度權(quán)重的距離轉(zhuǎn)換函數(shù),來(lái)對(duì)濾波后的種子點(diǎn)進(jìn)行對(duì)比度增強(qiáng);最后,利用支持向量機(jī)分類算法對(duì)候選腫瘤進(jìn)行基于特征的分類,獲取最終腫瘤的位置與類別信息。這是可變環(huán)形濾波器首次應(yīng)用于肝臟腫瘤檢測(cè),實(shí)驗(yàn)表明,該方法對(duì)于近球形的不同尺寸的肝臟腫瘤具有較高的檢測(cè)敏感度。針對(duì)肺分割的過(guò)程中,附胸膜腫瘤容易造成的過(guò)分割問(wèn)題,本文提出了基于邊界重構(gòu)與凹形區(qū)域修正的肺分割技術(shù)。首先,借助形態(tài)學(xué)濾波與連通區(qū)域分析技術(shù)獲取胸部區(qū)域掩碼,完成胸部提取;然后,利用基于對(duì)角線的邊界跟蹤技術(shù),實(shí)現(xiàn)肺部輪廓的初始分割;接著,基于最大代價(jià)路徑實(shí)現(xiàn)左右肺分離,并應(yīng)用基于弧長(zhǎng)重采樣的邊界重構(gòu)技術(shù),實(shí)現(xiàn)肺輪廓的鋸齒狀邊緣平滑;最后,應(yīng)用提出的凹凸判斷函數(shù)對(duì)附胸膜凹形區(qū)域進(jìn)行檢測(cè)與修復(fù),通過(guò)降低由附胸膜腫瘤造成的過(guò)分割,提高肺實(shí)質(zhì)的分割精度。實(shí)驗(yàn)表明,該方法在保持分割精度與復(fù)雜度的同時(shí),能夠有效降低附胸膜腫瘤造成的過(guò)分割誤差。肺分割技術(shù)的相對(duì)成熟,促進(jìn)了肺腫瘤自動(dòng)檢測(cè)技術(shù)的快速發(fā)展,很多學(xué)者提出了基于不同分類器的檢測(cè)方法。然而,基于分類器的肺腫瘤自動(dòng)檢測(cè)技術(shù),在檢測(cè)精準(zhǔn)度、假陽(yáng)性、系統(tǒng)運(yùn)行速度等方面的性能仍然不夠高,無(wú)法直接應(yīng)用于臨床。本文在前期肺分割的研究基礎(chǔ)上,提出一種基于改進(jìn)的模糊C均值聚類技術(shù)的肺腫瘤自動(dòng)檢測(cè)方法。首先,利用可變環(huán)形濾波器將可疑的近球形的候選腫瘤提取出來(lái),并利用球度閾值對(duì)近似管狀結(jié)構(gòu)進(jìn)行篩除,初步降低假陽(yáng)性。然后,對(duì)于候選肺腫瘤實(shí)施特征選擇,特征計(jì)算,應(yīng)用改進(jìn)的自適應(yīng)模糊聚類技術(shù)對(duì)訓(xùn)練集、測(cè)試集分別進(jìn)行聚類。最后,設(shè)計(jì)馬哈拉諾比斯距離函數(shù),判斷測(cè)試集與已標(biāo)記的訓(xùn)練集之間的相似性,從而進(jìn)一步降低假陽(yáng)性,獲取最終的肺腫瘤分類信息。該方法能夠有效提高分類器參數(shù)的自適應(yīng)性,并且在有限的特征訓(xùn)練的條件下,獲得與主流算法相近的分類水平。總之,本文提出了針對(duì)肝臟與肺的分割及其腫瘤檢測(cè)的自動(dòng)化方法,并采用醫(yī)院提供的數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)與分析,其中部分算法參加了國(guó)際競(jìng)賽,整體上取得了預(yù)期的效果,證明了方法在計(jì)算機(jī)輔助分割與檢測(cè)中的應(yīng)用前景。
[Abstract]:Early diagnosis and treatment of computer aided segmentation and detection in human organs, surgical planning and navigation plays an important role in the.CT medical imaging technology, because of its high resolution, low cost and other characteristics, are widely used in medical diagnosis of important human organs. However, the human body important organs - liver, the CT imaging because of low contrast, irregular shape, uneven gray, tissue adjacent interference and other factors, often lead to computer aided segmentation and detection is very difficult; human respiratory organs: lung, the CT as though the high contrast, but because the blood vessels, bronchi, and pleural abnormalities are often near, the segmentation and detection accuracy is greatly affected. To solve these problems, based on the liver and lung cancer detection and accurate segmentation as the research object, in high resolution spiral CT images And the segmentation of the liver, liver cancer detection technology; lung segmentation method, detection of lung cancer. The purpose of the study is that through this study, to enhance the two important organs of automatic segmentation, automatic detection accuracy and automation degree, help doctors to improve the efficiency of diagnosis, reduce liver cancer and lung cancer the risk of death. For liver segmentation, multiple abdominal organs adjacent to each other, the problem of low contrast and tumor segmentation caused by abnormal, this paper proposes a probability map and level set based on the hybrid technique of automatic segmentation method. Firstly, the similarity between the probability map and liver test image specific patient based on liver region to generate the maximum possible; then, according to analyzing the histogram of the maximum possible liver area of posterior probability Classification, the maximum a posteriori probability mapping to achieve coarse liver Finally, through the cut; gray shape prior model based on the level set evolution technology, the coarse segmentation contour optimization, and obtain the final segmentation of the liver parenchyma. The new method is first applied to the liver segmentation experiments show that the new algorithm has the automatic segmentation of high precision, and can effectively and adjacent liver processor officer contains the tumor segmentation. The complexity of liver segmentation, and liver abnormality in diversity is a major obstacle to technical development of automatic detection of liver tumor. Based on automatic segmentation in the early stage of liver, nearly spherical according to the characteristics of liver tumors, the automatic detection method based on variable ring filter. Firstly, Atlas and the level set technique to obtain the mixed liver segmentation based on the contour; then, using regional characteristics to detect suspicious tumor with variable radius adaptive loop filter, and based on gray The weights of the distance transform function of the seed point after filtering contrast enhancement; finally, using support vector machine classification algorithm for candidate classification based on tumor characteristics, tumor location and obtain the final category information. This is a variable loop filter is first applied to the detection of liver tumors, experiments show that this method has good detection for liver tumors of different sizes of nearly spherical sensitivity. In the process of lung segmentation, with pleural tumor easy to cause the over segmentation problem, this paper presents the boundary reconstruction and concave region modified lung segmentation based on technology. Firstly, by means of morphological filtering and connected region analysis techniques to obtain the chest region mask, complete extraction of the chest then, using the diagonal; boundary tracking technique based on the realization of initial lung contour segmentation; then, the maximum cost path based on the separation of left and right lung, and The application of boundary reconstruction technology of arc length based on resampling, realize the jagged edge smoothing lung contour; finally, put forward the application of convex judgment function for detecting and repairing of pleural concave region, by reducing an attached pleural tumor caused by the segmentation of lung parenchyma, improve the segmentation accuracy. Experimental results show that this method in keep the segmentation accuracy and complexity at the same time, can effectively reduce of pleural tumor caused by the segmentation error. Lung segmentation technology is relatively mature, and promote the rapid development of automatic detection of lung cancer, many scholars have proposed different classifiers based on detection method. However, the automatic detection technology based on classifier in the detection of lung cancer. The accuracy, false positive, the performance aspect of the system operation speed is still not high enough, can not be directly applied to clinical. Based on the study of early lung segmentation, is proposed based on an improved Automatic detection method of fuzzy C mean clustering technique of lung tumors. First, using the variable loop filter will be nearly spherical suspicious candidate tumor is extracted, and the approximate tubular structures were screening by ball threshold, primarily to reduce false positive. Then, the candidate for lung cancer the implementation of feature selection, feature calculation, fuzzy clustering technology the training set using the improved adaptive clustering, respectively test set. Finally, the design of Mahalanobis distance function, the similarity between the test set and the labeled training set, so as to further reduce the false positive, obtain the lung tumor classification information in the end. The adaptive method can effectively improve the classifier parameters, and the characteristics of training under the condition of limited access, similar to the mainstream level of classification algorithm. In short, this paper presents a segmentation and detection of liver tumor and lung self Experiments and analysis were carried out with data provided by hospitals. Some of them participated in the international competition, and achieved the expected results as a whole. It proved the application prospect of the method in computer-aided segmentation and detection.

【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類號(hào)】：R730.44;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 林亞忠;程躍斌;陳武凡;;一種水平集分割的快速算法[J];南方醫(yī)科大學(xué)學(xué)報(bào);2006年06期

2 田杰;模糊聚類在中國(guó)鼠疫菌生態(tài)型聚類中的應(yīng)用[J];中國(guó)地方病防治雜志;1992年02期

3 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

4 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

5 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

6 謝維信,高新波,裴繼紅;模糊聚類理論發(fā)展及其應(yīng)用[J];中國(guó)體視學(xué)與圖像分析;1999年02期

7 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

8 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

9 周金海;耿玉良;;基于遺傳算法的模糊聚類在臨床決策分析中的研究[J];醫(yī)學(xué)信息;2008年11期

10 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

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(xiě)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(ài)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 王一波;胡仲翔;姚耀;;基于水平集的激光條紋提取方法[A];2009全國(guó)虛擬儀器大會(huì)論文集（一）[C];2009年

4 文振q;朱為總;歐陽(yáng)杰;羅威;;基于無(wú)向概率圖模型的視頻語(yǔ)義狀態(tài)建模[A];圖像圖形技術(shù)研究與應(yīng)用2009——第四屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2009年

5 張春月;李曉奇;;基于SPSS的模糊聚類分析[A];第七屆中國(guó)不確定系統(tǒng)年會(huì)論文集[C];2009年

6 田昊;楊劍;李國(guó)輝;;基于變分水平集的遙感影像建筑物檢測(cè)[A];第18屆全國(guó)多媒體學(xué)術(shù)會(huì)議（NCMT2009）、第5屆全國(guó)人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2009）、第5屆全國(guó)普適計(jì)算學(xué)術(shù)會(huì)議（PCC2009）論文集[C];2009年

7 朱輝;李在銘;;基于模糊聚類的圖像閥值處理方法及其在醫(yī)學(xué)中的應(yīng)用[A];第十屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2001）論文集[C];2001年

8 朱枝琳;;基于模糊聚類的城市功能區(qū)劃分研究[A];2006年浙江省測(cè)繪學(xué)會(huì)工程測(cè)量專業(yè)委員會(huì)論文評(píng)審和討論工程測(cè)量發(fā)展趨勢(shì)會(huì)議論文集[C];2006年

9 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

10 李揚(yáng);謝春雪;趙小囡;李紅;;基于模糊聚類的方法評(píng)定學(xué)生的學(xué)習(xí)狀態(tài)[A];創(chuàng)新沈陽(yáng)文集（B）[C];2009年

相關(guān)博士學(xué)位論文 前10條

1 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

2 韓明;基于水平集表示和均值漂移的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤研究[D];燕山大學(xué);2015年

3 秦傳波;基于微型機(jī)器人的自動(dòng)化顯微注射系統(tǒng)關(guān)鍵技術(shù)研究[D];華南理工大學(xué);2015年

4 劉宇;基于水平集方法和模糊模型的醫(yī)學(xué)圖像分割算法研究[D];吉林大學(xué);2016年

5 何昀;基于圖像水平集分割的航磁圖像信息提取方法研究[D];吉林大學(xué);2016年

6 胡桃成;凸分析在概率圖模型中的應(yīng)用[D];浙江大學(xué);2017年

7 趙悅;基于能量極小化方法的腦影像分割算法研究[D];吉林大學(xué);2017年

8 張玲;基于變分水平集理論的活動(dòng)輪廓模型在圖像分割中的應(yīng)用研究[D];太原理工大學(xué);2016年

9 紀(jì)東升;圖像分割的水平集模型及其在醫(yī)學(xué)圖像分割中的應(yīng)用研究[D];蘭州大學(xué);2016年

10 李春生;模糊聚類的組合方法及其應(yīng)用研究[D];湖南大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 詹新玲;基于FLICM模糊聚類和水平集算法的醫(yī)學(xué)圖像分割[D];河北大學(xué);2015年

2 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

3 李秀格;基于模糊等價(jià)矩陣的模糊聚類相關(guān)理論研究[D];遼寧大學(xué);2015年

4 方文周;基于概率邊界的多層次顯著性檢測(cè)算法研究[D];深圳大學(xué);2015年

5 劉曉婧;基于顯著區(qū)域的水平集圖像分割算法研究[D];遼寧大學(xué);2015年

6 李蘇葦;模糊聚類在經(jīng)濟(jì)區(qū)域劃分中的應(yīng)用[D];西南交通大學(xué);2015年

7 馮晨菲;半監(jiān)督模糊聚類集成方法研究[D];西南交通大學(xué);2015年

8 陳漢濤;模糊聚類集成研究[D];華南理工大學(xué);2015年

9 張f

本文編號(hào)：1493462