基于活动轮廓模型的超声医学图像分割

《基于活动轮廓模型的超声医学图像分割》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、瓣圳大学联士学位论文基于活动轮廓模型的超声医学图像分割肇物医学工程专她硕士研究生彭韵指导教师汪天害攘要超声医学成像因其无损伤、无痛落、实时疑示、霹反复进行、份搔低廉、适合软组织诊断等特点，是临床诊断中重要的检测手段。超声医学图像分割楚对超声图像进弦分析的基本步骤，也是测用超声图像进行定性、定量分析的一个至关藿要的环节。然而在超声医学圈像处理岛分析中，对商标和病悠的识别、定位及定量分析还主要依赖图像的手动分割。燧着超声医学成像在临廉应用中越来越广泛，需要和用计算机箨法对解削结构藏其他惑兴趣毯域进行翻动分割描述。分割的凇确性对医

2、生判断疾病的真实情况并做出相应的诊断计划至关重要，在医学超声领域磷究自动线半自动分截方法是菲常重要的。活动轮廓模型因其能够将离层视擞知识与低层图像信息有机结合，近年来广泛成掰予医学图像分箭。本研究将潘劝轮廓摸型应用于超声蹶学图像豹分割，通过对传统活动轮廓模型及其几种主要的改进模型的分析，将模型的内部能量和矫郝麓董撤渤了戮下改进：1、在模罄豹内部能量串加入轮辫平均长缆项静控制，从而避免轮廓中棚邻控制点在迭代过程中的互相汇聚，2、在模型的外部能量中赫入了梯废方向势能，邃免活动轮廓箨窜在错误静物俸边缘处，3、锌对超声图像特有的sp

3、eckle噪声较大的特点，采用了艇于图像统计特i芷的区域能量作为模鍪的舞都栽羹，篌模墅能羹有效豹逶免speckle噪声豹予耄

4、；I。同时，为使算法具有实用价值，采用速度较快的贪婪算法作为求解模型能量最小的算法，并提出篷域麓量程贪葵算法中弱茯速求解方法。最后，采餍多分辫率优鬣方法避一步提高模型的收敛速度。基于活动轮癣攘型的超声落学琳像努劓实验中分别采用了模拟图像和超声医学圈像来验证算法的准确性与实用毪，模拟星像魏添艇不嚣程度麓矩自噪声瓣蚕缘(噪声强发放to％N6e％>，怒声图像选用了乳腺肿瘤图像和j扦脏肿瘤图像。将实验结果与传

5、统经典的活动轮癣模型以及著名夔GVF模型黪分割结聚对逡，本算法程噪声强溲较大懿模羧落像(噪声强度>20％)和超声医学图像中均取得了同人工分割近似的结聚，而传统活动轮廓模蘩程GVF模型受噪声于拨较大，滚甓本篓法奏效邋克服了图豫孛噪声对分割结果的影响；不同形状和大小的初始轮廓的分割结果表明算法对予初始轮赚不敏感；对予一幅256X256大小鲍8像灰度图像，本冀法的运行时闽为2-4秒。大量的实验结果表明本文提出的算法具有准确、快速、高效等优点，在此基础上开发的超声医学图像交互式分割软传具有较大的实耀价值。关键词；超声医学图像图像分割

6、活动轮廓模型贪婪算法图像处理系统lI露川大学颧士学位论文SegmentationofMedicalUltrasonicImageBasedonActiveContourModelM．S．Candidate：YunPENGSupervisor：TianfuWANGAbstractMedicalultrasoundimagingiSwidelyusedinmedicaldiagnosisandtreatmentduetoitsuniquecharacteristicofnoninvasiveness．real-time，repe

7、tition,cheapnessandhi蚺sensitivity．UltrasoundmedicalimagesegmentationiStheessentialstepofultrasoundimageprocessing，anditplaysacracmlroleinbothqualitativeandquantitativeultrasoundimageanalyses．Currently,themostwidelyusedsegmentationapproachinaclinicalultrasoundimages

8、ystemisbasedonmanualdelineation．Toaccomplishultrasoundimagesegmentationmoreefficientlyandaccurately,acomputerizedapproachwouldbeallidealchoiceforclinicaluse．Acomputerizedapproachisexpectedtosegmenttheobjectofinterestautomaticallyorsemi．automaticallywithhi吐reproduci

9、bility．Activecontourmodeliswidelyusedinsegmentationofmedicalimageduetoitcancombinethehigh-levelvisionknowledgeandlow-leveIimageinformation．Inthis