本文關(guān)鍵詞：CT圖像中肝臟分割方法研究

  更多相關(guān)文章： 腹部CT圖像 肝臟分割 SKFCM GrowCut

【摘要】：近年來,由于肝癌患者數(shù)量持續(xù)增長,早期診斷和準確的手術(shù)規(guī)劃對治療肝癌至關(guān)重要。精確的肝臟分割是計算機輔助肝臟疾病診斷和手術(shù)規(guī)劃的必要步驟,它對于肝臟組織的定量分析、圖像配準以及三維可視化建模具有重要的學術(shù)和應用研究價值。本論文提出了一種針對腹部CT圖像的肝臟分割策略,該策略采用由粗到細的分割方法,充分利用了CT切片圖像在空間上的連續(xù)性,實現(xiàn)了全序列圖像中的肝臟分割。論文的具體研究內(nèi)容如下:(1)對CT圖像進行預處理以及對分割結(jié)果進行后處理操作。本文對CT圖像的預處理包括將醫(yī)學圖像DICOM格式轉(zhuǎn)換為常用的BMP格式和中值濾波去噪。對分割結(jié)果的后處理包括利用形態(tài)學方法平滑圖像邊緣,填充二值圖像中的孔洞以及提取最大連通區(qū)域。(2)采用基于空間鄰域信息的核模糊C均值聚類算法(SKFCM)對腹部CT圖像中的肝臟進行粗分割,本文第一次將SKFCM算法用于肝臟分割。SKFCM算法是在模糊C均值聚類算法(FCM)的基礎上引入了核函數(shù)和空間鄰域信息,它的聚類能力和抗噪聲能力比FCM算法強。在腹部CT切片圖像中,相鄰切片的形狀變化較小,利用這一特性,可實現(xiàn)肝臟圖像的連續(xù)粗分割。粗分割結(jié)果中有大概一半的分割結(jié)果不需要再進行細分割,這些不再需要進行細分割的粗分割結(jié)果可作為模板,用于自動生成細分割的種子點。(3)采用本文提出的改進的GrowCut算法對粗分割結(jié)果中分割不完全的圖像進行細分割。傳統(tǒng)的GrowCut算法是一個交互式的分割算法,需要手動輸入種子點,分割效果依賴于種子點的選擇。本文改進了GrowCut算法,可實現(xiàn)種子點的自動生成,提高了分割的效率和準確性。利用本文提出的由粗到細的分割策略對三組腹部CT圖像進行了肝臟分割,并對分割結(jié)果進行了定性和定量分析,驗證了本文提出的肝臟分割方法的準確性和有效性。
【關(guān)鍵詞】：腹部CT圖像 肝臟分割 SKFCM GrowCut
【學位授予單位】：北京理工大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：R735.7;TP391.41
【目錄】：

• 摘要5-6
• abstract6-10
• 第1章 緒論10-18
• 1.1 研究背景和意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀11-15
• 1.3 本文的研究內(nèi)容15-16
• 1.4 本文的組織結(jié)構(gòu)16-18
• 第2章 CT圖像的預處理和后處理18-28
• 2.1 醫(yī)學圖像格式轉(zhuǎn)換18-20
• 2.1.1 DICOM文件18-19
• 2.1.2 BMP文件19
• 2.1.3 DICOM文件到BMP文件的轉(zhuǎn)換19-20
• 2.2 圖像去噪20-22
• 2.2.1 均值濾波20-21
• 2.2.2 中值濾波21-22
• 2.3 形態(tài)學圖像平滑22-25
• 2.3.1 膨脹22-23
• 2.3.2 腐蝕23
• 2.3.3 開運算23-24
• 2.3.4 閉運算24
• 2.3.5 圖像平滑24-25
• 2.4 填充孔洞25-26
• 2.5 提取圖像中的最大連通區(qū)域26-27
• 2.6 本章小結(jié)27-28
• 第3章 基于SKFCM算法的肝臟圖像粗分割28-43
• 3.1 模糊C均值聚類算法28-32
• 3.1.1 模糊集28-29
• 3.1.2 C均值聚類算法29
• 3.1.3 模糊C均值聚類算法29-31
• 3.1.4 模糊C均值聚類算法的不足31-32
• 3.2 改進的模糊C均值聚類算法32-38
• 3.2.1 基于空間鄰域信息的模糊C均值聚類算法32-34
• 3.2.2 基于核函數(shù)的模糊C均值聚類算法34-37
• 3.2.3 基于空間鄰域信息的核模糊C均值聚類算法37-38
• 3.3 基于SKFCM算法的肝臟圖像粗分割38-40
• 3.4 實驗結(jié)果與分析40-42
• 3.5 本章小結(jié)42-43
• 第4章 基于改進的GrowCut算法的肝臟圖像細分割43-58
• 4.1 元胞自動機理論43-47
• 4.2 傳統(tǒng)的GrowCut算法47-50
• 4.2.1 GrowCut算法的基本思想47-49
• 4.2.2 GrowCut算法的特點49
• 4.2.3 GrowCut算法的不足49-50
• 4.3 改進的GrowCut方法50-52
• 4.4 實驗結(jié)果與分析52-57
• 4.5 本章小結(jié)57-58
• 總結(jié)與展望58-60
• 本文工作總結(jié)58-59
• 本文創(chuàng)新點59
• 展望59-60
• 參考文獻60-66
• 攻讀學位期間發(fā)表論文與研究成果清單66-67
• 致謝67

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前8條

1 李華 ,謝元輝;圖像文件的格式及轉(zhuǎn)換[J];電子與電腦;2002年05期

2 張德才;周春光;周強;池淑珍;王u&菁;;基于輪廓的孔洞填充算法[J];吉林大學學報(理學版);2011年01期

3 王華忠;俞金壽;;核函數(shù)方法及其模型選擇[J];江南大學學報;2006年04期

4 沈清波;吳煒;楊曉敏;何小海;;分水嶺變換在巖屑圖像分割中的應用[J];計算機應用;2009年10期

5 常銳;裴海龍;;基于形態(tài)學的快速圖像搜索與識別算法[J];計算機工程與設計;2007年07期

6 張華;;DICOM醫(yī)學圖像格式轉(zhuǎn)換的研究[J];現(xiàn)代電子技術(shù);2006年16期

7 朱士虎;朱紅;何培忠;;形態(tài)學運算中結(jié)構(gòu)元素選取方法研究[J];現(xiàn)代計算機(專業(yè)版);2009年07期

8 熊奎,況建榮,李超,王道梅,馬玉芳;三維適形技術(shù)在射頻消融治療原發(fā)性肝癌中的應用[J];腫瘤防治研究;2005年08期

，

本文編號：987144