| 【中文题名】 | 基于动态形体模型的脚踝骨图像统计分割方法研究 |
| 【英文题名】 | Research on Anklebone Images Segmentation Based on Active Shape Models |
| 【学科专业】 | 控制理论与控制工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-11-6 |
| 【中关键词】 | 动态形体模型,统计模型,脚踝骨医学图像,图像分割,, |
| 【英关键词】 | active shape models,statistical shape models,anklebone physical images,image segmentation, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>计算技术、计算机技术>计算机的应用>信息处理(信息加工)>模式识别与装置 |
| 【论文摘要】 |
现代医学设备的发展与普及给医学临床诊断提供了丰富的依据。但是，现有设备只能提供图像而不能挖掘出这些数据中包含的各类信息。因此，借助图像分割技术从医学图像中分离出器官，计算其生理特征和功能状况等重要信息，并分析出可能存在的病灶位置，帮助医生进行诊断和治疗成为当今研究热点。
可变形模型技术是目前最常用的图像分割技术，自其诞生30年来各种模型层出不穷，但很多模型无法实现基于解剖学结构的图像分割。而本文采用的动态形体模型是基于训练集先验知识建立的一种统计模型，能充分利用医学图像训练集先验知识特点，从而能较好地实现基于解剖学意义的图像分割。
本文将动态形体模型应用于脚踝骨图像的分割。首先，以脚踝骨的医学图像为训练集，建立了其形体统计模型并将之应用于新的图像的分割和拟合。实验结果表明：与传统的医学图像分割方法相比，动态形体模型的分割更精确，特别是在图像噪声较大的位置，动态形体模型取得了显著的分割拟合效果，验证了动态形体模型在脚踝骨图像分割上的可行性和有效性。其次，研究中发现统计模型的建立过程中存在平均形体不科学、分割过程中形体过早局部收敛和畸变等问题。本文采用遗传算法的全局搜索优势改进了初始形体... |
| 【论文题纲】 |
|
摘要 |
5-7 |
|
ABSTRACT |
7-11 |
|
第一章 绪论 |
11-22 |
|
1.1 引言 |
11 |
|
1.2 图像分割问题 |
11-12 |
|
1.3 可变形模型 |
12-15 |
|
1.3.1 可变形模型的一般结构 |
13 |
|
1.3.2 可变形模型的发展 |
13-14 |
|
1.3.3 可变形模型的分类 |
14-15 |
|
1.4 图像分割的研究现状 |
15-19 |
|
1.4.1 Snake简介 |
15-17 |
|
1.4.2 几何变形模型 |
17-18 |
|
1.4.3 统计模型 |
18-19 |
|
1.5 本文的研究内容和意义 |
19-20 |
|
1.6 本文的组织 |
20-22 |
|
第二章 动态形体模型 |
22-41 |
|
2.1 引言 |
22 |
|
2.2 点分布模型 |
22-31 |
|
2.2.1 建立训练集 |
22-23 |
|
2.2.2 轮廓标注 |
23-25 |
|
2.2.3 形体的配准 |
25-28 |
|
2.2.4 训练集的配准 |
28 |
|
2.2.5 主动量分析 |
28-30 |
|
2.2.6 建立点分布模型 |
30-31 |
|
2.3 灰度模型 |
31-33 |
|
2.3.1 两端采样 |
31-32 |
|
2.3.2 灰度信息提取 |
32-33 |
|
2.4 灰度信息搜索 |
33-35 |
|
2.4.1 搜索采样 |
34 |
|
2.4.2 灰度信息搜索 |
34-35 |
|
2.5 获取和更新变化参数 |
35-38 |
|
2.5.1 变化参数获取 |
36-37 |
|
2.5.2 变化参数更新 |
37-38 |
|
2.6 图像分层搜索 |
38-39 |
|
2.7 本章小结 |
39-41 |
|
第三章 建立统计灰度模型 |
41-52 |
|
3.1 引言 |
41 |
|
3.2 构建训练集 |
41-42 |
|
3.3 脚踝骨形体标注 |
42-44 |
|
3.3.1 确定标注方案 |
42-43 |
|
3.3.2 训练集标注 |
43-44 |
|
3.4 点分布模型 |
44-49 |
|
3.4.1 训练集配准 |
44-47 |
|
3.4.2 建立点分布模型 |
47-49 |
|
3.5 灰度模型 |
49-50 |
|
3.6 建模过程分析 |
50-51 |
|
3.7 本章小结 |
51-52 |
|
第四章 图像的分割和拟合 |
52-61 |
|
4.1 引言 |
52 |
|
4.2 初始分割 |
52-55 |
|
4.2.1 确定初始位置 |
52-53 |
|
4.2.2 获取变化参数 |
53-54 |
|
4.2.3 更新变化参数 |
54-55 |
|
4.3 分层搜索 |
55-57 |
|
4.4 预诊断分析 |
57-59 |
|
4.4.1 特殊图像分割 |
57-58 |
|
4.4.2 数据分析 |
58-59 |
|
4.5 分割结果分析 |
59-60 |
|
4.6 本章小结 |
60-61 |
|
第五章 动态形体模型的改进 |
61-71 |
|
5.1 引言 |
61 |
|
5.2 平均形体的改进 |
61-65 |
|
5.2.1 引入遗传算法 |
61-63 |
|
5.2.2 实验和结果分析 |
63-65 |
|
5.3 搜索过程的改进 |
65-70 |
|
5.3.1 引入矩不变量 |
65-68 |
|
5.3.2 局部形体搜索的优化 |
68-69 |
|
5.3.3 实验和结果分析 |
69-70 |
|
5.4 本章小结 |
70-71 |
|
第六章 总结和展望 |
71-73 |
|
参考文献 |
73-79 |
|
致谢 |
79-80 |
|
攻读学位期间发表的学术论文目录 |
80 |
|
| 【DOI】 | LunWen.ID:2.2008.370609 |
