论文部分内容阅读
肺癌是当今对人类健康威胁最大的恶性肿瘤之一,对肺部CT图像的分析研究对肺癌的早期发现和早期治疗具有重要意义。目前,对肺部病灶区域的检测主要集中在对肺部结节的检测上,因此,准确地分割检测出肺部结节是进行分析研究的首要任务。
本文首先综述了医学图像分割的特点和国内外研究现状,讨论了医学图像分割存在的问题和困难,进而总结了当前存在的主要的医学图像分割算法,分析了它们的优缺点和应用范围,并指出了形变模型分割技术在医学图像分割,特别是低信噪比低对比度图像研究中的重要地位。
形变模型可以分为参数变形模型和几何变形模型。本文首先研究了基于参数变形模型(snake)的孤立肺结节分割与检测方法。参数活动轮廓模型虽然在医学图像处理上得到了成功应用,但同时具有很多缺点,主要表现为抗噪性差和不能收敛到凹形区域,针对这些缺点,一些学者对参数活动轮廓模型做出了一定的改进,比较成功的有基于梯度矢量场模型(GVF Snake)方法。本文研究了基于GVF Snake的孤立肺结节检测算法,并与基于Snake的检测方法进行了对比,实验结果表明,该算法可以较精确地提取出孤立性结节病灶区域的轮廓。
基于曲线演化理论和水平集方法的几何变形模型,能自然地处理拓扑结构的变化,避免了演化曲线的参数化过程,适合应用于较为复杂的医学图像分割。本文研究了基于Mumford-Shah模型的C-V方法,在对整个肺部图像的病灶区域分割检测过程中,根据肺部结节的病例特征,引入了圆形约束项,进一步排除了非病灶区其它组织的干扰,进而提出了基于形状约束的改进C-V方法的肺部病灶区域分割算法。实验结果表明,该算法可以较好地分割出肺部病灶区域。