基于几何模型之医学图像分割探微.docVIP

　　基于几何模型之医学图像分割探微 --第一章绪论 1.1图像分割的意义与简述 伴随着计算机技术的飞速发展，人类社会的生产和生活也随之发生改变。计算机技术己经渗透在各行各业当中，将人们从重复机械劳动中解放，生产力得到长足的发展。在发展的同时，人们提出了更多的需求，希望计算机进一步的智能化，信息科学技术的逐渐成熟为这种需求提供了基础。数字图像是重要信息存储形式，因此，对图像相关处理技术的要求也相应增高。数字图像处理技术在各个生产领域得到越来越广泛的应用，例如交通、军事、医疗等。在医疗领域，随着造影技术的发展，B超、CT、MRI等技术已经成为辅助医生决策的重要信息，极大提高了临床诊断的准确性，为定量分析提供数据支持。虽然医学成像的范围很广，但是在临床意义上，我们可以等同于放射成像或者“临床成像”。针对这些技术产生的数字图像带来的相关问题，人们在实践中提出了很多计算模型和方法。这些工作的主要目的是从医学图像中提取出与对临床诊治有益的信息，可以分为几个技术大类：图像分割，图像融合，基于图像的生理建模。医学图像计算是多个学科的交叉领域，综合了计算机科学、数据科学、电子工程、物理学、数学和医学等。医学图像分割技术是医学图像相关技术的基础组成部分。分割技术为感兴趣区域的获取、特征提取、参数测量等应用服务，从而辅助更高层和抽象的医学图像理解和诊断的展开。医学图像分割的应用和研宄价值，具体表现：（1)用于目标区域提取，分析和识别。例如，医学图像的配准、病变器官的识别等；（2)用于器官、组织或病灶的形态学测量，形态学测量的数据包括尺寸、体积或者容积；（3)用于三维重建和可视化；分割的结果作为三维重建的输入数据，医生可以直接对感兴趣器官逐一观察，避免器官之间的互相干扰。 …………… 1.2医学图像分割的主要方法 医学图像分割技术大致可以划分为三个阶段：人工分割、半自动分割、自动分割。人工分割由临床医生借助交互设备人为勾画出组织的边界，其精度在所有分割方法中是最高的，现在一般用作判断其他分割算法准确性的标准。人工分割有大量的人机交互，浪费时间和人力，分割结果会因为操的经验不同而受到影响。随着计算机科学的发展而产生的，半自动分割方法逐渐兴起，计算机担负了部分分割的工作，通过少量人机交互的形式，进行图像分割。与人工分割相比，由于机器运算能力的介入，半自动分割速度明显提高，但仍有对人工的较强依赖。自动分割技术极大程度地消除了分割过程人工介入的依赖，因此这类方法产生的分割结果可以再现，是定量测量的基础。缺点是算法比较复杂，幵发代价较大，某些算法中仍然需要人工的介入，例如，针对不同器官，需要进行算法参数的调整。 …………… 第二章基于二维可变形模型的分割理论 2.1传统的Snake模型 可形变模型是近几年受到广泛关注的一项图像分割技术。主要应用于图像分割、目标跟踪定位、三维重建、目标检测识别、图像检索和形状恢复等领域。可形变模型利用训练数据和人的先验知识进行建模，集成了感兴趣目标的几何形状限制和图像特征来进行图像分割。可变形模型有两种主要形式：主动轮廓模型、统计形状模型。主动轮廓模型在已知目标形状先验知识的假设下，通常这个先验知识来自于训练集，定义一个能表示形变轮廊自身特征的的能量函数。该能量函数由模型的内部能量和目标图像产生的外部能量组成。轮廓曲线的形状在内外力作用下发生改变。通过最小化能量函数，使得形变模型的曲线匹配图像中的目标轮廓。统计形状模型从样本集中得到形状的统计变化特征，并通过对图像中目标形状的拟合，从而实现图像分割。本文接下来详细介绍在二维医学图像中几个主要模型的应用，主要有传统主动轮靡模型（Snake模型），梯度矢量流场主动轮廓模型（Gradient Vector Floethod, LSM),主动形状模型模型（ActiveShape Model, ASM),主动表观模型（Active Appearance Model，AAM)。Snake模型，也叫主动轮廓模型（Active Contour Model，ACM)。参数主动轮廓模型由一条参数曲线表示[52, 53].最小化能量函数为目标，控制曲线进行变形。最后，最小能量函数值对应的闭合曲线为目标区域的轮廓，即分割结果。 ……… 2.2 GVF Snake 模型 梯度矢量流场（Gradient Vector Flow, GVF)的出现，很大程度地改善了 Snake模型捕捉范围和四陷边界捕获能力。以Snake模型为基础，用一个GVF外部力场替换传统Snake的外部力场,得到GVF主动轮廓模型。水平集方法将所追踪的平面表示为高维函数的水平集，可以通过对高维函数方程的求解来确定界面的运动情况。图2-3显示二维平面上的界面区域嵌入三维连续函数的立体图形的水平集割面，该图可以看出，虽然平面上的拓扑发生了改变