【摘要】 醫學圖像分割在臨床診斷、病理分析以及治療方面具有重要的意義，分割的準確性對醫生判斷疾病的真實情況并做出正確的診斷計劃至關重要。在醫學圖像分割中，對腦部腫瘤圖像進行精確分割的研究具有重要的臨床實用價值。精確的腦組織分割是放療計劃的制定、外科手術計劃的制定、腦腫瘤結構的3D可視化和定量測量等應用研究的先決條件。由于醫學圖像的復雜性，到目前為止，還沒有一種對所有醫學圖像都能產生滿意的分割效果的分割方法。本文通過對現有的醫學圖像分割算法進行研究分析，對腦部腫瘤MR圖像的分割技術進行了初步探索。工作主要有以下幾個方面：1.研究了基于聚類的腦部腫瘤分割方法。將K均值算法和FCM算法應用于腦部腫瘤MR圖像的分割中，并對兩種算法的分割結果進行了分析。K均值算法簡單易行，但是對于邊緣模糊、低對比度的醫學圖像分割效果不好。FCM算法由于引入了模糊集合理論，能夠將K均值算法所無法提取的腫瘤輪廓清晰的顯示出來。2.研究了基于數學形態學的腦部腫瘤的分割方法。針對傳統的分水嶺算法存在過分割的問題，采用控制標記和強制最小技術改進分水嶺算法。同時針對醫學圖像存在模糊、低對比度這一現象，先采用高帽和低帽變換增強圖像的對比度，再使用改進的分水嶺算法進行分割。與傳統的分水嶺算法相比，過分割現象得到了很好的抑制，分割效果良好。3.研究了基于GVF Snake模型的腦部腫瘤分割方法。對GVF Snake模型進行了改進，采用Canny算子獲取GVF Snake模型的邊緣映射圖，并用分水嶺算法自動獲取GVF Snake模型分割的初始輪廓，將改進的GVF Snake算法用于腦部腫瘤圖像的分割，既避免了GVF Snake模型中人工選取初始輪廓的復雜性和主觀性，又提高了算法的迭代效率和準確性。綜上，本文所提出的GVF Snake模型的分割效果最好。 

1 緒論

隨著醫學影像技術的飛速發展，近年來醫學影像已成為醫學診斷中最為活躍的研究領域之一。醫學影像分割是醫學圖像處理和醫學分析中的一項重要技術，在疾病診斷、病變組織定位及計算機指導手術等各種場合得到了廣泛的應用。由于核磁共振成像(MRI)具有高質量的圖像顯示效果，所以被廣泛的用于醫學成像中，而對于腦部腫瘤的檢測就是較為重要的應用之一。將核磁共振成像用于腦部腫瘤的檢測以及分割上，對于醫學診斷是非常重要的，因為它提供了對于制定治療計劃和病人跟蹤系統所必要的解剖結構和潛在的異常組織的信息。腦部腫瘤的分割也可以有利于建立通用的病變大腦模型和圖譜。精確的腦組織分割對于制定放療計劃、外科手術計劃以及腦腫瘤結構的 3D 可視化等應用研究具有重要的意義[1]。
..........

2 基于 FCM 算法的腦部腫瘤圖像分割

2.1 聚類分析
聚類也被稱為聚類分析，聚類分析是一種用數學方法研究和處理事物的分類的方法。聚類算法是一種無監督的分類方法。無監督的圖像分割方法是根據圖像像素間的相似性進行分割，無需對目標對象的特征進行優化，整個過程不需要人工干預，從而使分割方法具有一定的自動化和智能化。聚類算法是根據樣本間的相似性測度進而對一個沒有類別標記的樣本集進行劃分的，即將樣本中相似的數據點或者目標點歸為一類的一種數學方法。

2.2 K 均值算法
Zadeh 于 1965 年發表了論文《模糊集（Fuzzy Sets）》，首次引入表達事物模糊性的隸屬度函數的概念，并提出了用模糊理論來研究不確定性和不精確性，從而創建了模糊集合理論[16]。在傳統的集合理論中，元素與集合之間的隸屬關系是 N:1 的對應關系，即元素對于集合的歸屬性不存在中間狀態；而在模糊集合中，元素與集合的隸屬關系是 N:N 的對應關系，即元素對于集合的歸屬性是多樣的。從圖 2-1(c)和圖 2-1(f)可以看到 FCM 算法可以把 K 均值算法無法提取的腫瘤輪廓分割出來，算法的分割效果遠優于 K 均值算法。FCM 算法由于引入了模糊集合理論，所以在分割過程中能夠保留更多的原始圖像信息，比 K 均值算法具有更好的魯棒性。因為 FCM 算法可以有效地分割邊緣模糊、低對比度的圖像，所以該算法被廣泛應用于醫學圖像分割中，其獨特的優勢在腦部腫瘤 MR 圖像的分割中也被顯示出來。

 

3 基于數學形態學分水嶺算法的腦部腫瘤圖像的分割 ....................12
3.1 數學形態學基本運算 .........................................12
3.2 灰度圖像形態學處理 .........................................15
4 基于 GVF Snake 模型的腦部腫瘤圖像分割............................23
4.1 傳統的 Snake 模型 ...........................................23
4.2 Snake 模型的兩種外力改進模型................................25
5 總結與展望........................................39
5.1 本文工作總結 ....................................39
5.2 展望 ........................................39

4 基于 GVF Snake 模型的腦部腫瘤圖像分割

4.1 傳統的 Snake 模型
對 GVF Snake 模型進行仿真實驗，并與傳統的 Snake 模型和氣球力 Snake模型進行比較。圖 4-1 是 GVF Snake 模型對 U 型物體檢測結果。從圖 4-1(b)和圖4-1(c)的可以看出，GVF Snake 模型能夠收斂到 U 型物體的底部，而且所需的迭代次數比較少。在設置的初始輪廓相同的情況下，傳統的 Snake 模型經過了 500次的迭代后，仍然不能收斂到凹陷區域的底部，并且在繼續增加迭代次數的情況下，輪廓線停止迭代收斂，不能完成對深度凹陷物體的分割；而 GVF Snake 模型僅進行了 100 次迭代，就能夠很好的收斂到凹陷區域的底部。比較可得，GVFSnake 模型比傳統的 Snake 模型有更大的捕捉范圍，能夠收斂到凹陷物體的底部區域。

4.2 Snake 模型的兩種外力改進模型
圖 4-2 是 GVF 模型與目標邊緣相交時的檢測結果。將圖 4-2(b)和圖 4-2(c)的進行比較，圖 4-2(b)顯示了 GVF Snake 模型在迭代 100 次就能收斂到凹陷區域的底部；而在同樣的初始輪條件下，圖 4-2(c)表明，高斯力 Snake 模型即使在迭代了 2000 次后，依然無法收斂到凹陷區域的底部，而是收斂到了局部極值處。可以看出，GVF Snake 模型解決了傳統 Snake 模型對初始輪廓的位置過于敏感的問題。
.........

5 總結與展望

5.1 本文工作總結
對腦部腫瘤的準確分割在臨床上具有重要價值，但由于腦腫瘤結構復雜、邊界模糊且與正常腦組織混疊在一起，，因此，要實現對腦腫瘤的準確而自動的分割是非常困難。針對腦部腫瘤MR圖像分割的問題，本文做了如下研究工作：(1)闡述了腦部腫瘤圖像分割的研究背景及意義，并對醫學圖像分割方法進行了詳細的綜述；(2)研究了K均值算法和FCM算法的基本原理，并在腦部腫瘤圖像的分割上進行了仿真實驗，對它們的分割結果進行了對比分析；(3)詳細論述了傳統的分水嶺算法及控制標記的分水嶺算法的原理，并結合腦部腫瘤MR圖像的特點，利用形態學高帽低帽變換進行增強對比度的預處理，再用分水嶺算法進行分割，并對傳統的分水嶺算法及控制標記的分水嶺算法的分割結果進行了對比與分析；(4)研究了基于GVF Snake模型的分割方法，并與本文所使用的其它方法做了對比分析。針對傳統的GVF Snake模型對噪聲比較敏感，運算量大，仍然過分的依賴初始輪廓的問題，通過采用Canny算子的邊緣檢測結果作為GVF擴散方程計算的邊緣映射圖的方法，提高了GVF Snake模型的抗噪性；用分水嶺算法自動獲取的輪廓作為GVF Snake模型分割的初始輪廓的方法，降低了GVF力場計算的復雜性和分割時輪廓線的迭代次數。將改進的GVF Snake算法用于腦部腫瘤圖像的分割，既避免了GVF Snake模型中人工選取初始輪廓的復雜性和主觀性，又提高了算法的迭代效率和準確性，且分割所得輪廓的邊緣連續光滑，分割效果良好。

5.2 展望
總的來說，本文基本實現了FCM算法、控制標記的分水嶺算法、改進的GVFSnake模型算法在腦部腫瘤MR圖像分割上的應用，但還有以下幾方面的問題有待進一步的研究和完善。(1)由于實際中實驗數據有限，算法的有效性和魯棒性均得不到充分的驗證。所以，對腦部腫瘤圖像分割的算法要使用更多的數據進行驗證；(2)參數化活動輪廓模型的一個缺點是不能解決拓撲變換問題，所以不能適用于圖像中包含多個目標的分割中，因此對于參數化活動輪廓模型的輪廓生長模式應做更多的研究，使其能夠自動的改變拓撲結構；(3)將本文所取得的部分成果擴展到三維領域，使之更適合臨床應用。

 

.........

參考文獻（略） 

本文編號：19219