基于水平集方法的脑部MR图像分割算法.ppt

基于nystrom方法的水平集医学图像分割算法近几十年来，医学图像分割技术受到越来越多的关注，它给图像诊断和治疗带来了重大的变化。

为了更好地发掘和分析图像中的核心信息，再也无法满足于传统的分割方法。

Nystrom方法是一种基于局部线性建模的机器学习技术，它可以有效地将复杂的图像分割任务转换为简单的计算任务，被广泛用于数据挖掘、社会网络分析、语言处理以及图像处理等方面。

本文主要介绍基于Nystrom方法的水平集医学图像分割算法，并重点讨论其优点和不足之处。

一、Nystrom方法Nystrom方法是一种基于局部线性建模的机器学习技术，它能有效地将复杂的图像分割任务转换为简单的计算任务。

它的基本思想是，将待分割的图像划分为若干个小块，每一小块都拟合为一个局部线性模型，以此达到分割的目的。

Nystrom方法主要分为三个步骤：第一，选择一组样本点，用来拟合局部线性模型；第二，根据这一组样本点构建一个正定的拉格朗日方程，该方程的解能够估计出局部线性模型的参数；第三，利用经过优化后的参数，对整幅图像中的每一个点进行分类。

二、水平集医学图像分割算法基于Nystrom方法的水平集医学图像分割算法是一种有效的分割技术，它有助于更准确地估计图像中物体边界的位置，进而完成更加精准的分割任务。

水平集医学图像分割算法基于Nystrom方法，主要分为四个步骤：第一，从图像中提取一系列具有代表性的特征；第二，将这些特征投射到低维空间中，并建立局部模型；第三，根据这些模型估计图像中待分割物体的边界；第四，使用水平集理论，通过把图像划分为一系列的子图像，实现对待分割物体的最终分割。

由于水平集分割算法基于局部线性模型，能够有效减少运算量，提高分割精度，得到良好的分割效果，因此在医学图像分割中得到了广泛的应用。

三、优点和不足优点：1、Nystrom方法将图像分割任务从复杂的计算任务转化为简单的估计问题，能够有效缩短分割时间；2、水平集分割算法基于局部线性模型，能够有效减少运算量，提高分割精度，得到良好的分割效果；3、水平集分割算法可以自适应学习，即算法可以根据不同的图像参数，调整其参数，从而得到更加精确的分割结果。

一种基于新的图像力的水平集MR图像分割的开题报告1. 研究背景Magnetic Resonance (MR) 图像在医学图像领域的应用越来越广泛。

MR图像分割是医学图像分析中的关键问题之一。

传统的基于水平集方法的MR图像分割存在着很多问题，例如参数不易确定，分割结果不稳定等。

该开题报告提出一种基于新的图像力的水平集MR图像分割方法，旨在提高MR图像分割的精度和稳定性。

2. 研究内容(1) 分析基于水平集的MR图像分割方法的局限性(2) 探究新的图像力模型(3) 提出基于新的图像力的水平集MR图像分割方法(4) 在实际数据集上验证该方法的有效性和优越性3. 研究意义该方法可以提高MR图像分割的精度和稳定性，为医学影像诊断提供更为准确的依据。

4. 研究方法(1) 收集相关的MR图像数据集(2) 分析基于水平集的MR图像分割方法的局限性(3) 探究新的图像力模型(4) 提出基于新的图像力的水平集MR图像分割方法并实现(5) 在实际数据集上验证该方法的有效性和优越性5. 预期结果(1) 完成新的图像力模型的研究(2) 提出一种基于新的图像力的水平集MR图像分割方法(3) 在实际数据集上验证该方法的有效性和优越性(4) 为医学影像诊断提供更为准确的分割结果6. 计划进度阶段 | 时间安排 | 完成内容第一阶段 | 前三个月 | 收集相关资料，完成基于水平集的MR图像分割方法的分析第二阶段 | 中三个月 | 探究新的图像力模型，并提出基于新的图像力的水平集MR图像分割方法第三阶段 | 后三个月 | 实现该方法，验证其在实际数据集上的有效性和优越性第四阶段 | 最后一个月 | 撰写毕业论文，准备答辩7. 参考文献[1] Osher S, Fedkiw R P. Level set methods: An overview and some recent results. Journal of Computational Physics, 2003, 169(2):463-502.[2] S. Li, C. Huang and Q. Zhang. A Survey of MRI-Based Brain Tumor Segmentation Methods. International Journal of Biomedical Imaging, 2015, 790812.[3] Chenyang Xu, Jerry L. Prince. Generalized gradient vector flow external forces for active contours, Signal Processing, 2000, 77(2): 231-244.[4] Kass M, Witkin A, Terzopoulos D. Snakes: Active contour models. International Journal of Computer Vision, 1987, 1(4):321-331.。

ＩＭＡＧＥＳＥＧＭ匣Ｎ１：ＡＴＩＯＮＲＥＳＥＡＲＣＨＢＡＳＥＤＯＮＬＥⅦＬＳＥＴ卫旺ＴＨＯＤＡＢＳＴＲＡＣＴｕｎｉｆｏｒｍａｎｄＩｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｉｓａｋｉｎｄｏｆｔｅｃｈｎｉｑｕｅｔｈａｔｐａｒｔｉｔｉｏｎｓａｌｌｉｍａｇｅｉｎｔｏｎｏｎ－ｏｖｅｒｌａｐｐｉｎｇｒｅｇｉｏｎｓｂａｓｅｄｏｎｓｏｍｅｓｉｍｉｌａｒｍｅａｓｕ．ｒｅａｎｄｅｘｔｒａｃｔｓｔｈｏｓｅｉｎｔｅｒｅｓｔｉｎｇｏｂｊｅｃｔｓ．Ｌｅｖｅｌｓｅｔｍｅｔｈｏｄｈａｓｂｅｃｏｍｅａｎｉｍｐｏｒｔａｎｔｄｉｒｅｃｔｉｏｎｉｎｔｈｅｆｉｅｌｄｏｆｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ，ａｎｄｈａｓｍａｎｉｆｅｓｔｅｄｔｈｅｆａｖｏｒａｂｌｅｐｅｒｆｏｒｍａｎｃｅ．Ｈｏｗｅｖｅｒ，ｌｅｖｅｌｓｅｔｓｅｇｍｅｎｔａｔｉｏｎｍｅｔｈｏｄｉｓｓｔｉｌｌｄｅｖｅｌｏｐｉｎｇｎｏｗ，ａｎｄｉｔｓｔｈｅｏｒｉｅｓａｎｄａｐｐｌｉｃａｔｉｏｎｓｎｅｅｄｆｕｒｔｈｅｒｒｅｓｅａｒｃｈ．Ａｆａｔａｌｓｈｏｒｔｃｏｍｉｎｇｏｆｅｘｉｓｔｉｎｇｌｅｖｅｌｓｅｔｍｅｔｈｏｄｓｉｓｔｈａｔｔｈｅｙｕｓｕａｌｌｙｒｅｑｕｅｓｔｈｕｍａｎｇｉｖｅｎｉｎｉｔｉａｌｃｏｎｔｏｕｒａｎｄｓｏｍｅｔｉｍｅｓｔｈｅｉｎｉｔｉａｌｉｚａｔｉｏｎｅｆｆｅｃｔｉｓａｌｓｏｎｏｔｇｏｏｄｅｎｏｕｇｈ．Ｆｕｒｔｈｅｒｍｏｒｅ，ｔｈｅｙａｌｓｏｂｅｈａｖｅｗｉｔｈｐｏｏｒｇｅｎｅｒａｌｉｔｙ．Ｔｈｅｒｅｆｏｒｅ，ｉｎｃｏｎｓｉｄｅｒａｔｉｏｎｏｆｓｏｍｅｄｒａｗｂａｃｋｓｏｆｔｒａｄｉｔｉｏｎａｌｌｅｖｅｌｓｅｔｓｅｇｍｅｎｔａｔｉｏｎｍｅｔｈｏｄｓ，ｓｕｃｈａｓｔｈｅｈｕｍａｎｉｎｔｅｒｖｅｎｔｉｏｎａｎｄＳＯｏｎ．Ｔｈｉｓｔｈｅｓｉｓｄｅｍａｎｄ，ｓｌｏｗｓｅｇｍｅｎｔａｔｉｏｎｓｐｅｅｄａｎｄｄｅｆｅｃｔｉｖｅｓｅｇｍｅｎｔａｔｉｏｎｒｅｓｕｌｔｃｏｎｔｏｕｒ，ａｎｄｐｕｔｓｆｏｒｗａｒｄｐａｙｓｍｏｒｅａｔｔｅｎｔｉｏｎｔｏｔｈｅａｕｔｏｍａｔｉｃｐｒｅｐｒｏｃｅｓｓｉｎｇｏｆｔｈｅｉｎｉｔｉａｌｓｅｇｍｅｎｔａｔｉｏｎａｌｇｏｒｉｔｈｍ．ＴｈｅｍａｉｎｗｏｒｋｓｉｎｔｈｉｓｔｈｅｓｉｓＣａｎｂｅｓｕｍｍａｒｉｚｅｄａｎｅｗｌｅｖｅｌｓｅｔａｓｆｏｌｌｏｗｓ．１．Ｔｒａｄｉｔｉｏｎａｌｌｅｖｅｌｓｅｔｍｅｔｈｏｄｇｅｎｅｒａｌｌｙｒｅｑｕｉｒｅｓｍａｎｕａｌｇｉｖｅｎｉｎｉｔｉａｌｃｏｎｔｏｕｒ，ｗｈｉｃｈｉｓｒａｎｄｏｍｎｅｓｓａｎｄｕｎｃｅｒｔａｉｎｔｙ．Ｉｔｐｏｔｅｎｔｉａｌｌｙｌｅａｄｓｔｏｕｎｄｅｓｉｒｅｄｓｅｇｍｅｎｔａｔｉｏｎｅｆｆｅｃｔ，ｍｏｒｅｅｖｏｌｕｔｉｏｎｉｔｅｒａｔｉｏｎｓ，ａｎｄｌｏｎｇｅｒｒｕｎｎｉｎｇｔｉｍｅａｎｄＳＯｏｎ．Ｉｎｏｒｄｅｒｔｏｉｍｐｒｏｖｅｔｈｅｓｅｇｍｅｎｔａｔｉｏｎｅｆｆｅｃｔｓ，ｔｈｉｓｔｈｅｓｉｓｐｕｔｓｆｏｒｗａｒｄｔｗｏａｕｔｏｎｏｍｏｕｓｉｎｉｔｉａｌｉｚａｔｉｏｎｍｅｔｈｏｄｓａｎｄｍａｋｅｓｔｈｅｉｎｉｔｉａｌｃｏｎｔｏｕｒｂｅｃｌｏｓｅｔｏｔｈｅｅｄｇｅｓｏｆｔｈｏｓｅｔａｒｇｅｔｓ．Ｉｔｗｉｌｌｐｒｏｖｉｄｅａｇｏｏｄｆｏｕｎｄａｔｉｏｎｆｏｒｌｅｖｅｌｓｅｔｅｖｏｌｕｔｉｏｎ．（１）Ｉｎｔｈｉｓｐａｐｅｒ，ａｎａｕｔｏｎｏｍｏｕｓｇｒａｄｉｅｎｔ－ｂａｓｅｄａｐｐｒｏａｃｈｉｓｐｒｏｐｏｓｅｄｆｏｒｄｅｃｉｄｉｎｇｔｈｅｉｎｉｔｉａｌｃｏｎｔｏｕｒｏｆｔｈｅｌｅｖｅｌｓｅｔｍｅｔｈｏｄ，ｂｙａｍｐｌｉｆｙｉｎｇｔｈｅｄｉｆｆｅｒｅｎｃｅｏｆｇｒａｄｉｅｎｔｖａｌｕｅｂｅｔｗｅｅｎｅｄｇｅａｎｄｎｏｎ—ｅｄｇｅ．Ｔｈｅｄａｔａｏｆｅｄｇｅａｎｄｎｏｎ－ｅｄｇｅｐｅｒｆｏｒｍｏｂｖｉｏｕｓｄｉｆｆｅｒｅｎｃｅ，ａｎｄｔｈｅｎｓｅａｒｃｈａｔｈｒｅｓｈｏｌｄｗｈｉｃｈｃａｎｂｅｕｓｅｄｔｏｐａｒｔｉｔｉｏｎｔｈｅｅｄｇｅａｎｄｎｏｎ－ｅｄｇｅ．Ｔｈｅｔｈｒｅｓｈｏｌｄｍｅｅｔｓｋｅｅｐｉｎｇｔｈｅｍｉｎｉｍｕｍｓｕｍｏｆｔｈｅｖａｒｉａｎｃｅｏｆｔｗｏｐａｒｔｓ．Ｔｈｅｐｅｒｉｐｈｅｒａｌｃｏｎｔｏｕｒｏｆｔｈｏｓｅｐｏｉｎｔｓｓｍａｌｌｅｒｔｈａｎｔｈｅｔｈｒｅｓｈｏｌｄｉｓｃｏｎｓｉｄｅｒｅｄａｓｔｈｅｉｎｉｔｉａｌｃｏｎｔｏｕｒ，ｗｈｉｃｈＣａｎｂｅｄｉｒｅｃｔｌｙｅｖｏｌｖｅｄｗｉｔｈｏｕｔａｒｔｉｆｉｃｉａｌｐｏｓｉｔｉｏｎｉｎｇ．Ｔｈｅｉｄｅａｌｒｅｓｕｌｔｓａｎｄｔｈｅｓｈｏｒｔ２水平集方法综述２．１水平集方法基础数学理论活动轮廓模型分为参数活动轮廓模型和几何活动轮廓模型。

1 基于MRI的脑组织分割方法概述1.1 经典分割方法1.1.1 阈值脑组织分割方法阈值化的分割方法是MR脑组织分割中最基本的方法。

根据阈值，可分别显示图像中灰度级大于阈值和小于阈值的像素，从而实现图像分割。

但当图像中的目标和背景灰度差异不明显或灰度值范围有重叠时，单纯的阈值法分割效果不佳，且阈值法只考虑像素本身的灰度值，多不考虑空间特征，因而对噪声和灰度不均匀敏感，所以常与其它方法相结合。

文献[1]提出先采用最大类别方差法自动寻找阈值以去除颅脑和肌肉等非脑组织，然后通过K-最近邻规则对脑白质、脑灰质和脑脊髓液进行划分，提高了分割精度。

文献[2]提出基于多分辨率边缘检测、区域选择和动态阈值相结合的方法分割脑组织，克服了模糊和不均匀影响。

文献[3]提出模糊最大熵结合遗传算法的阈值法，能完全将脑白质从三维脑组织图像中分割出来，且抗噪性强。

1.1.2 基于区域生长法脑组织法分割方法区域生长法是以同一区域内像素具有相似灰度、颜色、纹理等特征为假设条件的，其基本思想是以一组“种子”点开始将与其性质相似的相邻像素合并到种子像素所在的类中。

该方法充分利用了图像的空间信息，但需依赖先验知识选择种子点，且对噪声敏感，会造成孔状甚至不连续区域。

因此使用区域生长法分割脑实质等连续、简单较大的结构效果理想，但对于分割脑白质、脑灰质或脑肿瘤这样复杂的不连续结构，难以获得满意效果。

因此，有学者提出首先利用改进的水平集法提取骨组织和脑脊液，然后使用区域生长法实现脑白质和脑灰质的分离，提高了算法的鲁棒性和准确性[4]。

文献[5]将直方图阈值法与区域生长法相结合，准确有效地分割出了脑白质和大脑皮质。

1.2 基于统计学脑组织分割方法基于统计学分割方法把图像中各个像素点的灰度值看作是具有一定概率分布的随机变量，找出最大概率的图像组合就可以正确分割图像。

它是近年来流行的脑组织分割方法之一，常用的基于统计学分割方法如下。

1.2.1 分类器法分类器算法是一种监督性算法，需要为分割选择训练样本，根据训练样本对未分像素进行分类。

第 35 卷 Vol.35第 14 期 No.14计 算 机 工 程 Computer Engineering文章编号：1000—3428(2009)14—0181—03 文献标识码：A2009 年 7 月 July 2009中图分类号：TP391.41·图形图像处理·快速 CV 双水平集算法的人脑 MR 图像分割詹天明，张建伟，陈允杰，王 宇，吴玲玲(南京信息工程大学数理学院，南京 210044) 摘 要：针对 CV 模型的多水平集算法需要较高的数值稳定性以及曲线演化速度慢的缺点，根据人脑 MR 图像的特征，提出一种快速 CV 双水平集算法，统计被 2 条曲线划分成 4 类的直方图，构造符号矩阵，依次将直方图上的点放入其他类中，根据能量的变化更改该点对应 点的符号，得到粗分割结果，并对粗分割结果进行优化。

对 MR 图像进行的分割实验表明，其分割效果更好，速度有大幅度的提高。

关键词：CV 模型；直方图；图像分割Fast Chan-Vese Multiphase Level Set Algorithm on Human Brain MR Image SegmentationZHAN Tian-ming, ZHANG Jian-wei, CHEN Yun-jie, WANG Yu, WU Ling-ling(College of Math & Physics, Nanjing University of Information & Technology, Nanjing 210044) 【Abstract】Multiphase level set method of Chan-Vese(CV) model is not suitable for real-time application for having numerical stability constraints and its low efficiency. Aiming at this disability and based on the specialty of human brain, a fast method to solve is developed. This approach computes the histograms of four areas which can be used to distinguish the area cut by two curves, and constructs signed tables. The points of the histogram are changed to other clusters and the sign of the points are checked according to the change of the energy. And the improved mean of small neighborhood method is used to optimize the results and get the final edges. Experimental results show that the new model can get the better results in an efficient way. 【Key words】Chan-Vese(CV) model; histogram; image segmentation1核磁共振成像在临床医学上起着越来越重要的作用。