| 【中文题名】 | 基于可形变模型医学图像分割方法研究与应用 |
| 【英文题名】 | Research and Application of Medical Image Segmentation Methods Based on Deformation Model |
| 【学科专业】 | 生物医学工程 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-3-6 |
| 【中关键词】 | 可变形模型,图像分割,组织重建,肿瘤提取,GVF模型,DDCM模型 |
| 【英关键词】 | Deformable Models,Image Segmentation,Tissue Reconstruction,Tumor Extraction,GVF Model,DDCM,Level Set Methods,Chan-Vese Model, |
| 【分类导航】 | 医药、卫生>基础医学>医用一般科学>生物医学工程>> |
| 【论文摘要】 |
尽管可变形模型最初是被用来解决计算机视觉和计算机图形学中的问题,但是它在医学图像分析中的潜力很快就被认识到,并被应用到医学图像的边界检测、匹配、运动追踪、形体表征等多种图像处理技术中。本文从应用研究的角度出发,对可变形模型方法的技术背景进行了详尽的阐述,着重比较代表模型的性能,并根据各种模型及其实现方法的优缺点提出改进方法,将其应用于计算机辅助手术导航系统中的医学图像分割及感兴趣提取。
一般说来,可变形模型可以被分为参数可变形模型和几何可变形模型两大类。参数可变形模型在变形过程中把所要研究的曲线或曲面直接表示出来。这种表示方法允许对模型的直接干预,而且可以为快速实时应用提供一个紧凑的表达形式。但对改变模型的拓扑学结构,比如分裂与合并的实现,参数可变形模型却显得无能为力。与此相反,基于曲线演化理论和水平集方法的几何可变形模型能够很容易地实现拓扑学变化,而且很容易进行空间维数的扩展,更加适用于三维图像的感兴趣区域分割。
本文列举了传统高斯势能力模型、多尺度高斯势能力模型、气球模型、距离势能力模型、梯度矢量流模型等有代表性的参数可变形模型方法,并用实验对每种方法的优缺点进行了验证和对比。对... |
| 【论文题纲】 |
|
摘要 |
4-5 |
|
Abstract |
5-8 |
|
第一章 绪论 |
8-10 |
|
1.1 引言 |
8 |
|
1.2 研究现状 |
8-9 |
|
1.3 课题意义 |
9 |
|
1.4 本文组织 |
9-10 |
|
第二章 参数可形变模型 |
10-33 |
|
2.1 理论基础 |
10-12 |
|
2.1.1 静态形变模型 |
10-11 |
|
2.1.2 动态形变模型 |
11-12 |
|
2.2 外力模型的代表种类 |
12-19 |
|
2.2.1 高斯势能力模型 |
12-14 |
|
2.2.2 气球模型 |
14-15 |
|
2.2.3 距离势能力模型 |
15-16 |
|
2.2.4 梯度矢量流模型 |
16-18 |
|
2.2.5 性能比较 |
18-19 |
|
2.3 实现方法 |
19-23 |
|
2.3.1 梯度下降法 |
19-20 |
|
2.3.2 动态规划法 |
20-21 |
|
2.3.3 贪婪算法 |
21 |
|
2.3.4 离散动态轮廓模型（DDCM） |
21-23 |
|
2.4 DDCM算法的改进 |
23-29 |
|
2.4.1 外力定义 |
23-24 |
|
2.4.2 收敛条件 |
24-25 |
|
2.4.3 移动步长 |
25 |
|
2.4.4 实验分析 |
25-29 |
|
2.5 问题讨论 |
29-32 |
|
2.5.1 重采样问题 |
29-30 |
|
2.5.2 参数选择 |
30-31 |
|
2.5.3 曲线打结 |
31-32 |
|
2.6 本章小结 |
32-33 |
|
第三章 几何可形变模型 |
33-43 |
|
3.1 理论基础 |
33-35 |
|
3.1.1 曲线（面）演化理论 |
33-34 |
|
3.1.2 水平集方法（Level set method） |
34-35 |
|
3.2 速度函数设计 |
35-37 |
|
3.2.1 基于图像梯度信息 |
35 |
|
3.2.2 基于Mumford-Shah模型 |
35-37 |
|
3.3 实现方法及改进 |
37-41 |
|
3.3.1 水平集方法的快速实现方法 |
37-39 |
|
3.3.1.1 窄带法（Narrow Band） |
37 |
|
3.3.1.2 Fast Marching method |
37-39 |
|
3.3.2 Chan-Vese模型的快速实现方法 |
39-41 |
|
3.4 本章小结 |
41-43 |
|
第四章 在神经外科手术导航系统中的应用 |
43-54 |
|
4.1 应用背景 |
43-46 |
|
4.2 基于改进的DDCM模型的头部表皮提取 |
46-52 |
|
4.2.1 曲线运动方程 |
47 |
|
4.2.2 速度(V|→)_N 的选择 |
47 |
|
4.2.3 (n|→) 的判定 |
47-48 |
|
4.2.4 医学图像系列中头部表皮的半自动提取 |
48-52 |
|
4.2.5 注意事项 |
52 |
|
4.3 基于三维Chan-Vese模型的病灶提取 |
52-53 |
|
4.4 本章小结 |
53-54 |
|
第五章 总结与展望 |
54-55 |
|
5.1 工作总结 |
54 |
|
5.2 今后研究方向 |
54-55 |
|
参考文献 |
55-57 |
|
致谢 |
57 |
|
| 【DOI】 | LunWen.ID:2.2008.205148 |
