毕业设计(论文)活动轮廓模型在医学图像处理中的应用.doc
《毕业设计(论文)活动轮廓模型在医学图像处理中的应用.doc》由会员分享,可在线阅读,更多相关《毕业设计(论文)活动轮廓模型在医学图像处理中的应用.doc(26页珍藏版)》请在三一办公上搜索。
1、论文题目:活动轮廓模型在医学图像处理中的应用姓 名: 摘 要 计算机图像分割在医学图像处理中占有越来越重要的位置。分割后的图像存在大量的应用,例如:组织体积量化,诊断,病灶确定,解剖组织研究,医疗规划,功能图像数据的局部体积校正,以及计算机集成化手术。医学图像在诊断和疾病治疗中的日益重要的作用提出了一个挑战性的问题,那就是计算医学图像解剖组织的精确的几何模型。处理这种问题的一种比较有前途的方法是使用变形模型。这种有力的模型在分割、可视化、配准和解剖组织跟踪中是很有效的,因为其开发了图像数据的约束(自底向上)和组织的位置、大小和形状的先验知识(自顶向下)。而且,变形模型高度支持直观的交互机制,从
2、而允许医学科学家和工作者将他们的经验带到图像解析工作中。 本论文在医学图像分割和分析中提出、发展和运用一种新的离散变形模型。这种新的变形模型以仿射单元分解(ACD,Affine Cell Decomposition)结构来定义,这种结构理论上可以扩展传统变形模型的能力使其有拓扑自适应性。基于ACD的变形模型可以用来提取、重建和分析医学图像中非常复杂的生物学组织。 ACD结构组合了一种新的和一种原始的重新参数化算法,对多分辨率变形曲线、曲面和实体模型“流入”或“增长到”带有复杂的几何和拓扑结构的组织对象产生了一种简单但极好的而且有力的机制,而且可以使它们的形状自适应性的遵循对象边界。可以动态的生
3、成或消除多个模型实例而且可以无缝的分裂或合并多个模型实例以适应对象的拓扑结构。基于ACD的模型保持了传统变形模型的基于物理的参数化公式,允许其以能量和限制力的形式加入先验解剖知识,同时提供直观的交互能力。在进一步,通过定义ACD结构模型,“复杂的”几何、拓扑和全局形状限制可以有效的实现。这些合并的属性导出了一种将稀疏或有噪声的局部图像特征连接到全局的一致的解析的对象模型的强壮的一流的高度自动化的方法。关键词:变形模型 图像分割 仿射单元分解AbstractComputerized image segmentation has played an increasingly important r
4、ole in medical imaging. Segmented images are now used routinely in a multitude of different applications, such as the quantification of tissue volumes , diagnosis , localization of pathology , study of anatomical structure , treatment planning , partial volume correction of functional imaging data ,
5、 and computer-integrated surgery .The increasingly important role of medical imaging in the diagnosis and treatment of disease has opened an array of challenging problems centered on the computation of accurate geometric models of anatomic structures from medical images. A promising approach to tack
6、le such problems is the use of deformable models. These powerful models have proven to be effective in segmenting, visualizing, matching and tracking anatomic structures by exploiting (bottom-up) constraints derived from the image data together with (top-down) a priori knowledge about the location,
7、size and shape of these structures. Furthermore, deformable models support highly intuitive interaction mechanisms that allow medical scientists and practitioners to bring their expertise to bear on the image interpretation task.This thesis proposes, develops and applies a new class of discrete defo
8、rmable models for the segmentation and analysis of medical images. This new class of deformable models is embedded and defined in terms of an Affine Cell Decomposition (ACD) framework-a theoretically sound framework that significantly extends the abilities of traditional deformable models, enabling
9、topological flexibility among other features. ACD-based deformable models can be used to extract, reconstruct and analyze even the most complex biological structures from medical images.The ACD framework combined with a novel and original reparameterization algorithm creates a simple but elegant and
10、 powerful mechanism for multiresolution deformable curve, surface and solid models to “flow” or “grow” into objects with complex geometries and topologies, and adapt their shape to conform to the object boundaries. Multiple instances of the models can be dynamically created or destroyed and can seam
11、lessly split or merge to adapt to object topology. ACD-based models maintain the traditional parametric physics-based formulation of deformable models, allowing them to incorporate a priori anatomic knowledge in the form of energy and force-based constraints and provide intuitive interactive capabil
12、ities. Furthermore, by defining the models in terms of the ACD framework, “hard” geometric, topological and global shape constraints can be efficiently realized. These combined properties lead to a robust, elegant and highly automated method of linking sparse or noisy local image features into a com
13、plete, consistent and analytical object model.Keywords:Deformable Models Image Segmentation Affine Cell Decomposition致 谢本论文得以顺利完成首先要感谢前人在医学图象处理和变形模型领域的大量的卓越的研究成果。没有这些研究基础,本论文无法达到预期的目的。特别要感谢我的指导老师潘振宽教授,他在专业知识和学术研究方法方面都给予我无微不至的指导。潘院长渊博的学术知识、严谨的治学作风、敏锐的科研眼光、活跃的学术思维,给我留下了深刻的印象。尤其是他对所研究问题整体的把握以及开阔的思路,使我在
14、学业上受益非浅,将对我今后的工作、学习产生深远的影响。在此,对潘院长的指导致以深深的感谢。也要感谢一起生活了三年的舍友,在生活和学习上给了我很大的帮助,从相互交流中得到了许多值得珍惜的宝贵东西。三年硕士生活的寂寞与艰辛也理不开家人的理解、支持与鼓励,特别是我的父母,不然我难以集中精力完成我的论文。不能一一列举,感谢所有帮助过我的老师和同学。目 录摘 要1Abstract2致 谢3目 录4第一章 引言51.1问题叙述61.2基于ACD的变形模型71.3论文组织7第二章 参数变形模型理论82.1 参数变形模型的能量最小公式82.2 参数变形模型的动态力公式102.3 外力设计102.3.1 多尺度
15、高斯势力102.3.2 压力112.3.3 距离势力112.3.4 动态距离力112.3.5 交互力122.4参数变形模型的数值实现132.5 结论15第三章 梯度矢量流变形模型163.1 参数变形模型广义力平衡方程163.2 梯度矢量流(GVF)变形模型173.2.1 边缘映射173.2.2 梯度矢量流(GVF)183.3 梯度矢量流变形模型的数值实现183.4 GVF变形模型在医学图像分割中的应用203.4.1 GVF变形模型与传统方法的比较203.4.2 人体小腿肌肉图像分割213.4.3 人体胸腔图像分割223.4.4 人体心室图像分割233.5 结论24第一章 引言医学图像技术的快速
16、发展和传播在医学界引起一场革命。医学图像允许科学家和医师以非入侵的方式察看人体从而收集挽救生命的信息。最近几年,医学图像的任务已经延伸到简单的可视化和解剖组织的研究。其已经成为一种医疗规划和模拟、手术导航、规划放疗和跟踪疾病发展的工具。例如,探知解剖组织详细的形状和结构可以使医生在外科手术前制定一个到达目标组织的最佳的路径。在放射性治疗中,医学图像允许传送一定量的防射线到肿瘤处而尽量减少对健康组织的间接伤害。 随着医学图像在医疗诊断和疾病治疗中的作用日益显著,在计算机的辅助下从医学图像中提取有用的临床信息已经成为医学图像分析领域中富有挑战性问题。这些信息是CT,MR,PET所包含的解剖组织信息
17、或其他特征。尽管现代成像设备提供了内部组织的特别的视点,但是使用计算机精确地有效地量化和分析内部组织还很有限。为了支持生物医学的研究和诊断、放射治疗以及手术等临床行为,必须有效地提取精确度的可重用的定量的数据。从医学图像中分割组织而且重建这些组织的紧凑的解析的表示是很困难的,这些困难是基于数据集的绝对大小和感兴趣的解剖形状的复杂性和可变性。此外,采样数据的典型的缺点像人工采样误差、空间混淆或噪声可能引起结构边界的模糊和不连续。挑战就是提取同一组织的边界元素同时将这些元素综合成一个完整的一致的组织模型。传统的低级图像处理技术仅仅考虑局部信息,因此在综合过程中作了不正确的假设因而产生了不合理的对象
18、边界。结果,这些自由模型技术经常需要相当数量的专家干预。而且,分割对象的后续分析和解释被由大多数图像处理操作产生的像素级或体素级的组织表示法所干扰。一个有前途的且正处于兴盛的关于计算机辅助医学图像分析技术的研究就是变形模型的使用。在这些基于模型的技术中,变形模型提供了一种图像分析的独特的有利的方法,其综合了几何、物理和逼近理论。这种连续的几何模型将对象边界看作一个单独的连通结构,因此保证了对象的连通性。变形模型利用对象形状的先验知识来约束分割问题,模型固有的连续性和光滑性可以补偿对象边界中的噪声、缺口和其他不规则的东西。另外,模型的参数表示法提供对象形状的紧凑的解析的描述。最后,变形模型高度支
19、持直观的交互机制,也就是在需要的时候允许医学专家和工作者将他们的经验应用到基于模型的图像解释工作中。这些合并的属性导出了一种键壮的一流的高度自动化的方法,这种方法将稀疏或有噪声的局部图像特征连接到全局的一致的解析的对象模型中。 本论文在医学图像分割和分析中提出、发展和运用一种新的医学图像分割和分析变形模型。这种新的变形模型开发了图像域的一种仿射单元分解(ACD,Affine Cell Decomposition),这种结构理论上可以扩展传统变形模型像变形轮廓或snakes1和变形表面2,3的能力。仿射单元分解将图像域划分成凸多面体的集合,这种结构中嵌入的变形模型允许模型提取和重建非常复杂的生物
20、学组织。ACD结构加入了一种新的重新参数化算法,对多分辨率变性曲线、曲面和实体模型“流入”或“增长到”带有复杂的几何和拓扑结构的组织对象产生了一种简单但极好的而且有力的机制,而且可以使它们的形状自适应性的遵循对象边界。模型形状适应性或变形有一物理公式控制。ACD结构使模型保持经典变形模型的传统属性像用户交互和通过能量函数和力函数加入约束,同时克服他们的局限性。1.1问题叙述解剖组织的分割将原始图像点集划分成相应组织的子集是大多数图像分析任务像形状分析、可视化、配准、分类和运动跟踪的必要的第一步。这些任务通常需要原始图像上的解剖组织成为其形状的紧凑的、解析的描述。一个很基本的例子是心脏特别是心脏
21、图像中左心室(LV,left ventricle)的分割。左心室的分割和重建是处理诊断信息像排出率、心室体积比率、心脏输出量和提供室壁厚度信息的室壁运动分析等的先决条件4。 医学图像的人工分割的劳动量很大而且很费时间。因此,半自动最后达到全自动化的技术是期望的目标。增加自动化程度不仅可以减小临床医师工作方面的劳动强度,而且可以提高效率、精度,最重要的是分割的可重用性。另一方面,既然医学图像的不正确地解释是无法接受的,那么成功的分割技术应该支持直观地、有效的交互向导或者可以由医学专家编辑。 基于这种动机,我们的目标就是扩展经典变形模型像snakes的能力,提高其性能。提高其自动化的程度,而同时还
22、保持其所有的传统优点。一个要保持的重要的属性就是其设计能量函数和力函数来约束及交互引导模型的能力;换句话说就是加入或应用先验知识的能力。要克服的主要局限性是: 1、snake和其他变形模型对初始位置很敏感。经典的snakes设计为交互模型,通常需要必须将其放得很靠近目标对象的边界以保证好的结果。在变分模型表达式中使用的外能函数是由多个局部极小值的非凸函数。此外,不能保证是全局解的梯度下降算法使能量最小化中使用的最普遍的方法。结果,snakes能停在局部极小值以至于不能正确描述对象边界。2、感兴趣对象的拓扑结构必须提前知道,因为传统变形模型是参数化的,而且没有附加机制是不能处理拓扑转化的问题的。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 毕业设计 论文 活动 轮廓 模型 医学 图像 处理 中的 应用
链接地址:https://www.31ppt.com/p-3983546.html