基于模糊聚類和水平集的肝臟腫瘤分割研究.pdf

1、圖像分割就是根據(jù)圖像的底層相關(guān)特征，從圖像中提取出感興趣的目標(biāo)。而圖像分割中的醫(yī)學(xué)圖像分割領(lǐng)域，由于其具有現(xiàn)實(shí)意義和實(shí)用價(jià)值，臨床需求大，受到了研究者廣泛的關(guān)注。本文研究的是基于肝臟CT圖像的腫瘤分割，精確的腫瘤分割，在術(shù)前評價(jià)以及手術(shù)規(guī)劃中具有重要的參考作用。如何利用算法既能精確的分割肝臟腫瘤，又只需較少的交互。因此本文提出了兩種基于模糊聚類和水平集的肝臟腫瘤分割算法。
　　首先，深入分析了經(jīng)典常用的圖像分割方法和具體針對肝臟腫

2、瘤分割的相關(guān)研究。以及肝臟腫瘤分割存在的難點(diǎn)，肝臟腫瘤CT圖像存在大量的噪聲，而且由于腫瘤與周圍肝臟組織灰度十分接近，它們之間的邊界模糊。傳統(tǒng)圖割和水平集方法，需要較多的人工初始化操作。
　　其次，提出了基于醫(yī)學(xué)圖像三維可視化的三維感興趣區(qū)域的選取。介紹了可視化過程中，是如何從物體局部坐標(biāo)系轉(zhuǎn)換為計(jì)算機(jī)的屏幕坐標(biāo)系，以及其逆變換。通過在三維上畫一個(gè)封閉的多邊形，實(shí)現(xiàn)三維ROI操作。三維感興趣區(qū)域的確定，減少了像素點(diǎn)，可以加快后續(xù)模

3、糊聚類和水平集算法的效率，還可以去掉其它組織的干擾。
　　再次，提出了基于局部信息C均值模糊聚類（fuzzylocalinformationC-Means，F(xiàn)LICM）和B樣條水平集的腫瘤分割。模糊聚類算法通過引入模糊隸屬度，能夠描述腫瘤的模糊性。但傳統(tǒng)的模糊聚類（FCM）容易受噪聲的影響，介紹了幾種結(jié)合空間信息的FCM，最后選擇了無需參數(shù)的FLICM，能較好地應(yīng)對噪聲的影響。經(jīng)過三維感興趣區(qū)域的操作后，可以確定腫瘤圖像的聚類類別

4、數(shù)為三。由于FLICM聚類結(jié)果邊緣有鋸齒，本文使用了B樣條水平集對聚類二值結(jié)果圖進(jìn)行平滑。
　　最后，本文提出了基于FLICM模糊聚類和自適應(yīng)的距離保持水平集（AdaptiveDistanceRegularizedLevelSetEvolution）的腫瘤分割。與使用B樣條水平集直接對聚類結(jié)果進(jìn)行平滑的思想不同。使用FLICM作為水平集的初始水平集，再利用腫瘤的邊緣梯度信息，對聚類結(jié)果進(jìn)行細(xì)分割。水平集使用的是李純明最新提出的距離

5、保持水平集(DistanceRegularizedLevelSetEvolution,DRLSE)，但由于DRLSE對初始輪廓有限制，初始輪廓必須完全在待分割目標(biāo)的外部或內(nèi)部。本文又引進(jìn)了演化方向自適應(yīng)的v(I)參數(shù)代替DRLSE先前固定的常數(shù)v，可以很好的結(jié)合模糊聚類作為初始輪廓，避免了DRLSE對初始輪廓的限制。
　　上述兩種算法，利用了模糊聚類和水平集算法的優(yōu)點(diǎn)。模糊聚類只需類別數(shù)，實(shí)現(xiàn)無監(jiān)督的聚類，避免了以往傳統(tǒng)水平集的初