非線性統(tǒng)計形狀分析與復雜醫(yī)學圖像分割研究.pdf

1、醫(yī)學圖像分割是醫(yī)學圖像處理領域的研究熱點和難點，它是計算機輔助診斷的一個重要組成部分，在臨床診斷、病理分析以及治療方面具重要意義，其目標是標識醫(yī)學圖像中感興趣的對象。視網(wǎng)膜視神經(jīng)病(如青光眼)是由多種原因引起的視網(wǎng)膜及視神經(jīng)組織病變，最終可能致盲的眼科疾病。此類疾病在世界范圍內(nèi)發(fā)病率高，且大多早期無臨床征兆，因此早期診斷至關(guān)重要。研究表明，彩色眼底照片中視乳頭的分割、度量和評估在青光眼疾病的臨床診斷和普查中起著非常重要的作用。然而，眼底

2、照片往往質(zhì)量不好，對比度低，以至部分視盤邊緣難以識別，再加上存在血管的遮擋、病人之間的差異等情況，使得病人視乳頭圖像的分割十分困難，僅僅利用圖像本身的信息難以準確分割出視乳頭。因此，有必要將視乳頭的形狀先驗知識有效地集成到分割模型，而尋找有效的目標形狀先驗知識表達方法和集成方法成為解決此類問題的關(guān)鍵。傳統(tǒng)的線性統(tǒng)計分析方法只考慮了圖像數(shù)據(jù)中的二階統(tǒng)計信息，未能利用數(shù)據(jù)中的高階統(tǒng)計信息，忽略了多個像素間的非線性相關(guān)性，這在一定程度上影響了

3、其效果。
　　 本文提出了一種集成非線性統(tǒng)計形狀先驗的醫(yī)學圖像分割模型，并將其應用于視乳頭圖像視盤分割中。首先對青光眼專家在青光眼病人眼底照片上描繪的視盤形狀用窄帶水平集表達，然后在其核空間進行主成分分析，獲得核空間的基向量(即形變模式)，并定義一個形狀先驗的約束項(即形狀部分的能量函數(shù))，將先驗知識集成到向量值Mumford-Shah模型，得到集成非線性統(tǒng)計形狀先驗知識的Mumford-Shah向量值分割模型。最后，將該模型應