论文部分内容阅读
周围神经损伤的治疗一直是外科临床上的难题。在周围神经损伤修复手术中,最理想的是能做到相同性质的神经束配对吻合。在计算机中实现周围神经的三维可视化可能是解决这一难题的有效途径。目前周围神经的三维可视化重建主要包括神经切片图像的制备、配准、神经束边缘轮廓的获取、神经束类型的识别、周围神经的三维重建等五个主要步骤。本文探索研究一种适应从大多数周围神经切片图像中分割神经束的算法,通过这种算法自动提取到精确的神经束边缘,为最终实现周围神经三维可视化奠定基础。本文在分析周围神经切片图像特征的基础上,深入研究了采用Gabor滤波器和粗糙k-均值算法实现提取神经束边缘轮廓的过程。首先,本文介绍了研究内容的相关背景知识和研究意义;分析了提取神经切片图像中神经束边缘轮廓的处理现状、纹理图像分析现状和采用粗糙集理论的图像区域分割现状。其次,本文在分析周围神经切片图像具有色彩对比度低、神经束呈现离散点状分布、构成同一神经束的像素点群颜色深浅不一、神经束轮廓边缘模糊不连续等特征的基础上,将周围神经切片图像看作自然纹理图像来处理,再通过对比自相关函数、傅里叶频谱分析、灰度共生矩阵和Gabor滤波器等四种不同的描述纹理的方法的优缺点,最终选用Gabor滤波器提取周围神经切片图像的纹理特征,并在此基础上构建了目标纹理特征矩阵,为后面进行的聚类处理提供有效的图像数据。第三,本文采用无须人为设置参数值并能达到精分割的粗糙k-均值算法对目标纹理特征矩阵进行了聚类处理,使得处于神经束区域的像素单独聚成一类,从而得到神经束的边缘轮廓图像。第四,本文采用设计好的算法对周围神经切片图像进行处理,探讨算法对不同的周围神经切片图像进行神经束边缘轮廓提取的适用性;并试验使用灰度共生矩阵描述周围神经切片纹理特征,得到纹理特征矩阵后同样使用粗糙k-均值进行聚类处理,然后用上述算法和本文所用算法进行了实验结果的对比;本文还提出用Gabor滤波器提取周围神经切片图像的纹理特征,构建出目标纹理特征矩阵后,再结合模糊c-均值聚类算法来分割神经束区域的智能算法同本文所用算法进行对比。实验结果表明:(1)在本文算法的适用性方面,本文使用Gabor滤波器来获取神经切片图像的纹理特征,设计了基于粗糙k-均值的分割算法,这种算法不仅可以快速准确地从周围神经切片图像中提取出神经束边缘轮廓,而且无须改变参数便可以提取其它神经切片图像中的神经束边缘轮廓,因此这种方法具有很强的适应性;(2)在切片图像纹理特征的描述方法方面,本文将灰度共生矩阵法和Gabor滤波器进行了对比。在相同的软硬件平台和操作系统实验条件下,用上述两种纹理描述方法对分辨率为1600万像素的、任选的第3、7、12和32张周围神经切片图像进行了纹理特征提取,然后均用粗糙k-均值算法对特征矩阵进行了聚类处理。对单张切片图像进行处理的平均处理时间表明,采用灰度共生矩阵构建纹理特征矩阵再用粗糙k-均值进行聚类的算法的效率大概等于本文所用算法效率的45%,且通过对比提取出来的神经束边缘轮廓图像也可看出本文所用的算法要精确于对比的算法;(3)在采用聚类算法进行神经切片图像处理方面,本文将模糊c-均值聚类算法和粗糙k-均值聚类算法进行了对比。在相同的实验条件下,用Gabor滤波器对分辨率为1600万像素的、任选的第3、7、12和32张周围神经切片图像进行了纹理特征提取,然后分别用粗糙k-均值算法和模糊c-均值算法对特征矩阵进行了聚类处理。对单张切片图像进行处理的平均处理时间表明,采用Gabor滤波器获得纹理特征矩阵再用模糊c-均值进行聚类的算法的效率大概等于本文所用算法效率的75%,且模糊c-均值聚类算法不能很好地将杂质和神经束分类,所得到的图像即含有神经束又包含杂质。实验表明,在处理神经切片图像方面,模糊c-均值的聚类精确度不如粗糙k-均值的聚类精确度。第五,本文对所进行的工作进行了总结,并给出了后续研究的建议。