下载文档原格式
基于改进的Snake模型分割肝脏的CT图像
李玲;殷海
【期刊名称】《中国医疗设备》
【年(卷),期】2010(025)002
【摘要】Snake(主动轮廓线)模型,具有良好的获取特定区域内目标边缘的能力,是一种极为有效的图像分割方法,利用围绕目标心形的圆环内平均灰度差异来确定初始轮廓点,对噪声的干扰有一定的抑制作用,并减少了人工选取的工作量,将离散Snake算法与分段DP算法有效结合来获取肝脏CT图像的特征边缘点,以提高Snake算法的收敛速度.最后利用单调性原则对肝脏CT图像的边缘点进行分区,在各个单调区间内采用曲线拟合的方法来获得连续的肝脏CT图像边缘,最后用Roipoly函数,由这些坐标显示原输入图像,得到BW的二值图像,最终可以显示完整的CT值没有改变的肝脏图像.
【总页数】3页(P19-20,18)
【作者】李玲;殷海
【作者单位】咸宁学院,生物医学工程学院,湖北,咸宁,437100;咸宁学院,生物医学工程学院,湖北,咸宁,437100
【正文语种】中文
【中图分类】R319
【相关文献】
1.改进的B-Snake模型肝脏CT图像分割算法 [J], 王杰雄;陈国栋;陈怡
2.基于改进CV模型的腹部CT图像肝脏肿瘤分割 [J], 赵彦南;曾业战
3.基于双Snake模型的颅骨CT图像分割方法及应用 [J], 候志鹏;胡晓彤
4.基于形变模型分割方法的CT图像肝脏肿瘤分割 [J], 肖海慧
5.一种基于Snake模型的脑部CT图像分割新算法 [J], 徐艳; 胡顺波; 王基烽; 杜玉越
因版权原因，仅展示原文概要，查看原文内容请购买。
第六章医学图像分割医学图像分割是医学图像处理和分析的关键步骤，也是其它高级医学图像分析和解释系统的核心组成部分。
医学图像的分割为目标分离、特征提取和参数的定量测量提供了基础和前提条件，使得更高层的医学图像理解和诊断成为可能。
本章首先对医学图像分割的意义、概念、分类及其研究现状进行了概述,然后分别对基于阈值、基于边缘、基于区域和基于模式识别原理的各种常见医学图像分割方法作了详尽而系统的介绍，接着在对图像分割过程中经常用到的二值图像数学形态学基本运算作了简单叙述之后，较为详细地讨论了医学图像分割效果和分割算法性能的常用评价方法。
第一节医学图像分割的意义、概念、分类和研究现状医学图像分割在医学研究、临床诊断、病理分析、手术计划、影像信息处理、计算机辅助手术等医学研究与实践领域中有着广泛的应用和研究价值，具体表现为以下几个方面：(1) 用于感兴趣区域提取，便于医学图像的分析和识别。
如不同形式或来源的医学图像配准与融合，解剖结构的定量度量、细胞的识别与计数、器官的运动跟踪及同步等；(2)用于人体器官、组织或病灶的尺寸、体积或容积的测量。
在治疗前后进行相关影像学指标的定量测量和分析，将有助于医生诊断、随访或修订对病人的治疗方案； (3)用于医学图像的三维重建和可视化。
这有助于外科手术方案的制定和仿真、解剖教学参考及放疗计划中的三维定位等；(4)用于在保持关键信息的前提下进行数据压缩和传输。
这在远程医疗中对实现医学图像的高效传输具有重要的价值；(5)用于基于内容的医学图像数据库检索研究。
通过建立医学图像数据库，可对医学图像数据进行语义学意义上的存取和查找。
所谓医学图像分割，就是根据医学图像的某种相似性特征（如亮度、颜色、纹理、面积、形状、位置、局部统计特征或频谱特征等）将医学图像划分为若干个互不相交的“连通”的区域的过程，相关特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同，也就是说在区域边界上的像素存在某种不连续性。
医学图像处理中的边缘检测与分割算法边缘检测与分割是医学图像处理中的重要部分，被广泛应用于疾病诊断、医学影像分析和手术辅助等领域。
边缘检测算法用于提取图像中的边缘信息，而分割算法则可以将图像划分为不同的区域，有助于医生对图像进行进一步分析和诊断。
一、边缘检测算法在医学图像处理中，常用的边缘检测算法包括基于梯度的方法、基于模型的方法和基于机器学习的方法。
1. 基于梯度的方法基于梯度的边缘检测算法通过计算图像中像素点的梯度值来确定边缘位置。
常用的算法包括Sobel算子、Prewitt算子和Canny算子。
Sobel算子是一种常用的离散微分算子，通过在图像中对每个像素点应用Sobel算子矩阵，可以得到图像的x方向和y方向的梯度图像。
通过计算梯度幅值和方向，可以得到边缘的位置和方向。
Prewitt算子与Sobel算子类似，也是一种基于梯度的边缘检测算子。
它通过将图像中的每个像素点与Prewitt算子矩阵进行卷积运算，得到图像的x方向和y方向的梯度图像。
进一步计算梯度幅值和方向，可以确定边缘的位置和方向。
Canny算子是一种经典的边缘检测算法，它采用多步骤的方法来检测边缘。
首先，对图像进行高斯滤波来减少噪声。
然后，计算图像的梯度幅值和方向，进一步剔除非最大值的梯度。
最后，通过设置双阈值来确定真正的边缘。
2. 基于模型的方法基于模型的边缘检测算法借助数学模型来描述边缘的形状和特征。
常用的算法包括基于边缘模型的Snake算法和基于边缘模型的Active Contour算法。
Snake算法（也称为活动轮廓模型）是一种基于曲线的边缘检测算法。
它通过将一条初始曲线沿着图像中的边缘移动，使得曲线更好地贴合真实边缘。
Snake算法考虑了边缘的连续性、平滑性和能量最小化，可以获得较为准确的边缘。
Active Contour算法是Snake算法的进一步发展，引入了图像能量函数。
通过最小化能量函数，可以得到最佳的边缘位置。
Active Contour算法可以自动调整曲线的形状和位置，适应复杂的图像边缘。
医学图像的分析与处理技术医学图像的应用越来越广泛，已成为临床医学的重要组成部分。
医疗影像技术的发展为临床医生提供了更多的诊断手段，但医学图像数据多且复杂，有时分析数据需要耗费大量的时间和精力，而传统方法处理图像数据效率低下，已不能满足临床实际需要。
为进一步提高医学图像分析和处理的质量和效率，专业的医学图像处理技术得到广泛应用。
一、医学图像的特点医学图像是指应用各种医学影像设备所获得的各类生物组织的数字图像。
医学图像数据的要求主要有高准确性、可重复性、大量数据、信息丰富以及多维等特点。
这使得医学图像的数字化处理和分析成为一项非常复杂和困难的任务。
而且，医学图像中具有生物组织结构的复杂性和多样性，医学图像诊断中常常会存在诊断结果因情况而异或者需要多项数据确定的情况。
因此，对于医学图像进行分析处理需要综合考虑标准化、自动化、智能化等因素。
二、医学图像分析技术医学图像分析技术可分为两种基本类型：定量分析和定性分析。
定量分析是指用数字方法直接或间接地测量生物组织结构的形态和功能，以及相关的血流和代谢参数等。
常见的定量分析方法有基于特征的方法、神经网络和机器学习等。
定性分析则是通过比较和识别各种组织结构，根据临床和医生的经验来判断病变的性质和位置，并给出相应的诊断意见。
定性分析方法包括人工判断和计算机自动判断等。
三、医学图像处理技术医学图像处理是指对医学图像进行数字处理和算法分析，以改善可视化效果，获得更完整的信息，并为后续分析提供新的数据引导和信息传递。
目前，医学图像处理技术应用于医学图像分析中的主要研究方向包括图像重建、增强、分割和配准等。
图像重建图像重建是指在采集到的原始数据基础上，通过特定的算法或模型构建出全息信息的过程。
图像重建技术主要包括基于逆反演方法的重建方法、基于人工神经网络的重建方法、基于小波变换的重建方法等。
图像增强图像增强技术主要是通过对医学图像中的各种成分进行处理和改变，以获得清晰的更有信息量的图像。
分类号： U D C： 编号： 07-081104- M
学 位 论 文 基于主动轮廓模型的医学图像分割 吴北海
指导教师姓名：吴清 教授 河北工业大学 申请学位级别：硕士 学科、专业名称：模式识别与智能系统 论文提交日期：2006年11月 论文答辩日期：2006年12月 学位授予单位：河北工业大学
答辩委员会主席： 评 阅 人：
2006年11月 Thesis Submitted to Hebei University of Technology for The Master Degree of Pattern Recognition and Intelligent System
MEDICAL IMAGE SEGMENTATION BASED ON ACTIVE CONTOUR METHOD
By Wu Beihai
Supervisor: Prof. Wu Qing
November 2006 河北工业大学硕士学位论文
i 基于主动轮廓模型的医学图像分割 摘 要 医学图像分割在疾病诊断和治疗等领域中的作用日益重要。当前，主动轮廓模型已广泛地应用于医学图像分割领域。此模型对图像分割、可视化、配准和解剖组织跟踪等是很有效的。主动轮廓模型将复杂的分割转化为函数的极值问题，即曲线或曲面变形的依据是根据其定义的能量函数最小化原则。 首先对传统主动轮廓模型进行了阐述，指出基本思想，给出数值实现，并对其优越性和局限性进行了分析。然后介绍了梯度向量流（Gradient Vector Flow，GVF）模型。梯度向量流模型是一种具有代表性的主动轮廓模型，它从广义力平衡方程出发，利用能量最小化公式，应用扩散方程扩散了边缘区域的边缘映射梯度，产生了一种梯度矢量场。梯度向量流模型有着自己的缺陷，如易受干扰噪声及虚假边缘的影响，在进行初始化时需要将轮廓设置在感兴趣区域的边界附近，并且当图像具有又深又细的凹口时分割效果不好。 针对GVF的缺陷进行了两方面的改进：第一，对GVF的平滑项系数进行改进。GVF的平滑项系数常常设为一个常数，而且在实践中这个常数难以确定。改进的方法把这个系数与图像的梯度联系起来，使得图像的边缘特性更好。第二，对GVF的数据项进行改进。这里引入一个单调递减的函数－Sigmoid函数，在数据项系数里乘上这个Sigmoid函数。在迭代的前几步中，数据项的功能较强，能有效的指示出边缘梯度幅度值较大的区域；随着迭代步骤的增加，其功能将越来越弱，这时外力主要由平滑项提供。 此外，改进的地方还有：第一，采用了人工干预的方法。将达不到要求的轮廓线（这些轮廓线通常在凹陷处附近）截断，在截断的轮廓进行新的分割，此时的分割可采用主动轮廓模型或是GVF模型。然后将截断处得到的轮廓代替被截断的部分并与原来的轮廓线进行整合。这样就实现了人机交互机制，从而允许医学专家将他们的经验带到图像解析工作中。第二，进行数据冗余处理。本文采用Matlab实现主动轮廓模型算法。由于Matlab的计算精度高，过高的计算精度对于计算的轮廓坐标来说没有必要。因此，每进行新一轮迭代之前，将轮廓进行数据冗余处理，减少了计算时间。
关键词：医学图像分割，主动轮廓模型，梯度向量流（GVF），GVF平滑项，GVF数据项 基于主动轮廓模型的医学图像分割
ii MEDICAL IMAGE SEGMENTATION BASED ON ACTIVE CONTOUR METHOD
ABSTRACT The role of medical imaging in the diagnosis, treatment of disease and some other fields has become more and more important. Active contour models are widely implemented in medical imaging segmentation area in recent years. These powerful models have proven to be effective in segmentation, visualization, match and track by exploiting constrains derived from the image data together. Active Contour Model could naturally convert complex segmentation into a functional optimization problem, which means the contour deforms according as defined energy minimization principle. Traditional active contour models are firstly introduced in this thesis, including basic theory, implementation, advantage and disadvantage. Gradient Vector Flow (GVF), which is a kind of representative active contour model, is secondly explained. GVF derives from generalized force balance equation. A vector diffusion equation is employed to diffuse the gradient of an edge map in regions distant from the boundary. Active contour model has its own disadvantages: First, it often subjects to initial contour, noise and fake edges. Second, it also can’t syllabify segment the concave edge in an image. According those disadvantages mentioned above, this thesis offers two improvements. First, the smoothing item of GVF force is improved. Usually, the coefficient of the smoothing item of GVF force is constant, and practically we don’t know whether the coefficient we set is comfortable or not. The improved method binds the coefficient and the gradient of the edge map, which could make the edge feature stronger. Second, the data item of GVF force is improved. Here a monotonously degressive function is adopted (in this thesis we use Sigmoid function).We set the Sigmoid function as the coefficient. In the first few steps, this function could indicate the area where the gradient of edge map is large. As the iterative goes on, the effect of the function decreases. So the final force is determined by the first item. There are some other improvements as follows: First, the unsatisfactory contour, which is usually near the concavity area, is cut off and here we provide a new contour which could be yielded by GVF Snake or other methods, then we link the two contours into a complete contour. This man-machine interaction could let medicinal experts use their experience in these medical analysis works. Second, redundant data processing is adopted. These algorithms are implemented by Matlab. The precision of Matlab is high, but this high precision is unnecessary 河北工业大学硕士学位论文 iii for coordination of the contour. Before a new iteration, redundant data processing is done to induce computing time.
KEY WORDS: medical image segmentation, active contour model, gradient vector flow(GVF), GVF smoothing item, GVF data item
