基于统计形状模型的肝脏图像分割算法分析

《基于统计形状模型的肝脏图像分割算法分析》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、南方医科大学2009级硕士学位论文基于统计形状模型的肝脏图像分割算法研究RESEARCH0FLIVERIMAGESEGN住NTATl0NBASEDONSTATISTICALSHAPEMODELS课题来源：国家重点基础研究发展规划(973)项目(No：2010CB732500)国家自然科学基金(No：31000450)专业名学位申请指导教称生物医学工程人李春丽师冯前进教授答辩委员会主席答辩委员会成员韩国强教授陈仲本教授吴效明教授周长忍教授杨丰教授论文评阅人杨丰教授罗立民教授2012年5月15日广州硕士学位论文基于统计形状模型的肝脏图像分割算法研究硕士研究生：李春丽指导老

2、师：冯前进摘要’图像分割是将图像划分成多个具有相似特征的区域，并提出感兴趣目标的技术与过程，是图像处理的重要工具。在医学图像领域，分割技术是图像处理的重要组成部分，分析领域研究的重要内容。医学图像分割着重提取具有特殊含义的区域，如组织、肿瘤等，并使分割结果尽可能地接近解剖结构。进而帮助医务人员进行病情分析，诊断及制定治疗方案。目前虽已研究出各种用途的图像分割方法，至今还没有一种能够统一适用于各种图像及不同分割部位的有效方法。由于人体解剖的个体差异较大，分割对象结构性质的千差万别，临床应用对医学图像分割的准确度和算法的执行速度要求较高；又由于噪声、伪影、偏移场效应和部分

3、容积效应等对图像的影响，使得己有的分割算法远未达到理想的效果。同时因无法完全用数学模型来简单描述人们所面临的实际问题；图像退化以及人们对分割结果预期目标互不相同等原因，只能针对特定问题和具体的需求给予合理选择，在精度、速度、鲁棒性和效率等关键性指标上做出侧重或均衡。基于以上种种原因，医学图像的分割一直是医学图像处理和分析领域的热点、难点研究问题。肝脏是人体内最大的、功能最多的腺体器官，在各种各样的基本生理活动过程中，起着十分重要的核心作用。肝脏对整个机体具有广泛的调节和保护作用，它参与体内消化、排泄、过滤、免疫、血液贮存以及各种生物转化等活动过程，因此可以将其称之为人

4、体重要的器官之一。同时肝脏疾病又是常见的危中文摘要害性极大的疾病，因此对肝脏疾病的诊治就显得尤为重要。肝脏组织的准确、鲁棒分割是肝脏疾病诊断、研究和手术规划中(常用来辅助诊断各种肝脏肿瘤和组织病变)的重要步骤。在临床应用中，即使对于有经验的临床医师，手工分割肝脏组织也是困难且耗时的工作，因此研究精确的肝脏组织自动分割算法具有重要价值，并吸引了众多学者的参与和研究。目前，用于肝脏分割的方法有：基于边缘的方法，区域增长，统计形状模型，图谱配准，水平集，图割等。2007年医学影像计算与计算机辅助介入国际会议举行了一届三维肝脏图像分割的竞赛，其为不同的分割方法提供了一个共同的

5、测试和竞赛平台。竞赛结果表明，基于统计形状模型的方法在其中具有最好的分割效果。而且基于统计形状模型的分割方法也是目前使用广泛的图像分割方法之一。从Cootes提出形状模型和外观模型后，其在2D模型中得到快速发展，但近几年才有了3D模型的发展和应用。3D模型分割需要解决诸如形状表达，形状对应性关系，特征提取，特征表达等问题。其中影响分割结果的重要因素就包括特征的选择与应用，先前的模型的特征一般包括边缘特征和区域特征。边缘特征有法线方向的灰度统计信息，如盖伯小波，贝叶斯特征等；区域特征有动态外观模型，组织内外灰度直方图等。然而这些基于统计形状的外观模型应用于肝脏分割时，由

6、于各自的局限性，效果并不理想。肝脏组织分割的困难在于其自身形状的多变，结构纹理复杂、和周围组织间的边缘不明显等原因，具体可分为以下几方面：1)肝脏病变导致自身形状的变化，及组织内灰度的不一致；2)数据中，有些肝脏组织被施以增强剂，有些则没有，造成不同个体间灰度的差异性增大；3)肝脏在不同人体中，形状、体积和位置迥异；4)数据层间分辨率不同(0．33．8．0mm)，层间分辨率小的数据存在明显的阶梯效应等。这些原因使准确分割肝脏更有挑战性。为了解决以上肝脏分割难的问题，我们在统计形状模型的基础上，提出一个新颖的灰度外观模型。这样我们就可以结合从训练集中提取的先验信息，弹性

7、地表达物体的形状。在设计相关方法的时候需要解决两个中心问题：(1)怎样构建一个紧密的统计形状模型，以更精确地表达形状共性与变化。TT硕士学位论文(2)怎样选择图像的特征和设计能量函数，以精确和稳定地将形状模型匹配到图像中的目标上。对于第一点，动态形状模型和中值线模型已可以紧密表达形状的变化。这项工作中，我们采用和动态形状模型相似的点分布模型(网格)。第二点的目的是丰富图像的特征，以及设计能量函数来引导模型的变形。大量的特征已经被用来建立外观模型。可以将之分为四类：(1)基于剖面的特征。剖面是指标记点的法线，而剖面特征即是法线上的灰度向量或灰度派生向量