检索历史 清除

摘要随着计算机断层成像(Computed tomography，CT)和核磁共振成像(MagneticResonance imaging，MRI)在医疗临床诊断、治疗计划的制定、以及临床研究中应用的越来越多，我们用计算机来辅助放射学科专家进行图像分割成为必须的条件，这就需要我们提供可靠的算法来分析图像的解剖结构、感兴趣区域。但由于部分容积效应与偏移场的影响，CT与MR图像中的灰度会产生不同程度的变异，这成为局限这两种图像应用的掣肘。<br>　　基于水平集模型的图像分割方法属于动态轮廓线分割方法的一种，被广泛的应用到医学图像分割当中。水平集分割方法的优势主要概括为实用、便捷、迅速、鲁棒性强。在最新的研究成果当中，水平集方法已经发展到了无需重新初始化，并且加入了限制能量参数的阶段。本文以更好地分割灰度变异医学图像为目标，对之前的水平集算法提出了几点改进，而且在多种医学图像验证了改进算法的优异的性能，具体的工作与成果如下:<br>　　1)分析了如今广泛使用的针对灰度不均匀图像分割问题的算法的优点与劣势。当前的一些算法基本思想都是基于改进能量项，使能量泛函尽量包含全局与局部信息，但事实表明，二者很难兼得，本文将高斯核函数引入能量泛函，在图像分割之前，对高斯函数的形状参数进行拟合，将全局信息捕获，在能量泛函构建过程中就摆脱全局能量项的掣肘，强化算法对灰度变异图像的分割能力。<br>　　2)以一种新的获取局部信息的方式:局部属性基于K-means算法聚类。本文提出的局部信息获取方法，首先定义一个局部灰度聚类函数，对于局部的每一个点都进行分类。这样最大程度的采集了局部灰度的信息。<br>　　3)从两相分割到多相分割，一步一步介绍了算法的实现。给出多项分割的参数更新模式，提高算法对多目标图像的分割能力。