医学图像中感兴趣区（病灶）的识别与自动分割的研究
本文的主要研究背景是与广州医学院核医学科及广州中医药大学祁福医院影像科合作的广州市番禺区科技项目：“基于解剖与功能成像信息融合的三维可视化医疗装置研制及其在肿瘤临床中的应用”(2005-Z-55-1)。
计算机X线体层摄影(Computed Tomography，CT)为临床上诊断颅脑外伤和新生儿颅脑疾病的首选检查方式，也是五官和颈部疾病的重要诊断手段。医学图像分割是医学图像三维重建和医学图像可视化的基础，也是医学图像处理与分析的热点与难点。由于CT扫描仪扫描获得的颅脑图像除了被检者的头颅影象，还有头颅周围的空气，支撑被检者头部的头架以及头架与头颅之间的头垫。如果三维重建的预处理过程中不剔除头架，重建后的图像就会存在这些不必要的物体，不仅影响重建效果，而且妨碍医生的诊断。目前还没有一种能自动分离出颅脑CT图像中的头架的软件，人们一般用手工分割或者阈值分割法分离头架。由于医学图像的数据量较大，手工分割的任务量繁重，而且分割结果与操作者的经验有很大关系；而对于阈值法，因为有的CT图像的头架的CT值与皮肤重叠，利用该方法就会造成图像的过分割，丢失皮肤甚至皮下组织的信息。临床应用也需要图像分割过程不能耗费太多的时间，应具有一定的实时性，因为目前的医学图像分割都采用交互式的方式，即在临床专家的参与下完成。这一过程虽然能够提高分割的精度，但却极其耗时。其实，专家的参与是对先验知识的使用，那么，如何将这种先验知识转化为一种直接使用的知识，即如何既能将临床专家解放出来，又能提高分割精度，或者能否创造一种高效的算法，以实现分割的自动化是一件很有意义的工作。课题研究的目的是提出一种自动分割算法，分割去除CT图像背景中的头架和头垫，保留皮肤及皮下组织的信息。
本文详细研究了各类图像分割算法及其特点，以及CT颅脑图像的特征。结合CT颅脑图像的先验知识，提出了基于模板匹配与区域生长的算法和结合阈值和边缘检测的改进的区域生长算法，利用这些算法可以自动分割剔除CT颅脑图像的头架，并且满足临床应用的实时性要求，这两个算法在第三章、第四章作了详细介绍。
第五章针对模糊C均值算法(Fuzzy C-Means Algorithm，FCM)存在的问题，从减少迭代次数和优化参与运算的数据集两个方面来优化算法，从而使FCM算法的速度得到了极大的提高，改进后的FCM算法更贴近临床应用的实时性要求。
第六章详细讨论研究曲线演化理论、水平集理论、水平集方程的数值方法及快速解法。提出了使用模板生成窄带的方法，与快速推进方法(Fast MarchingMethod，FMM)方法相比，使用模板方法生成的窄带，由于在对角线方向上窄带点更多，所以在演化速度相等的条件下，重新初始化窄带的次数要少，这就降低了分割时间。
医学图像处理;感兴趣区;病灶;识别;图像分割算法;头架;颅脑图像;临床应用;先验知识;方法;实时性;自动分割;图像三维重建;窄带;皮下组织;专家;诊断;阈值;信息;头颅
华南理工大学
硕士
模式识别与智能系统
毛宗源
2006
中文
TP391
59
2007-08-07（万方平台首次上网日期，不代表论文的发表时间）