基于多图谱配准与随机森林的micro-CT图像肾脏分割方法研究

《基于多图谱配准与随机森林的micro-CT图像肾脏分割方法研究》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、分类号：ＴＰ３９１学校代码：１０６９７密级：公开学号：２０１５２０９４３ＮｏｒｔｈｗｅｓｔＵｎｉｖｅｒｓｉｔｙ硕士字位论文ＭＡ’ＳＴＥＲＳＤＩＳＳＥＲＴＡＴＩＯＮ基于多图谱配准与随机森林的ｍｃｒｏ－ＣＴ图像ｉ肾脏分割方法研究学科名称：信号与信息处理作者：高培指导老师：侯榆青教授西北大学学位评定委员会二〇一八年六月ResearchonKidneySegmentationofMicro-CTImagesBasedonMulti-atlasRegistrationand

2、RandomForestsAthesissubmittedtoNorthwestUniversityinpartialfulfillmentoftherequirementsforthedegreeofMasterinSignalandInformationProcessingByGaoPeiSupervisorHouYuqingProfessorJune2018摘要医学影像在临床诊疗中的应用日益广泛，而医学图像分割为医生提供了更直观有效的解剖结构展示，极大地提高了诊疗效率。但医学图像往往具有灰度不均匀、边界模糊和个体差异

3、大等特点，特别是其中的软组织器官，这给分割带来了极大的挑战。本文广泛调研和分析了国内外的研究现状，提出了一种基于多图谱配准与随机森林的分割方法，旨在高效地获得软组织器官的清晰边界。这是一个结合了多图谱技术与监督学习的医学图像分割框架。首先基于多个图谱的刚性配准结果获得了目标器官的初步分割即概率图；然后充分利用图谱信息，设计了以显著提高分割效率为目标的特征提取和分类器训练方案，并使用了随机森林分类器在概率图的基础上完成精细分割；最后整合了概率图和分类结果以生成最终的分割结果。本文将上述方法应用到基于mirco-CT图像的肾脏

4、分割中，全面分析了不同参数对其性能的影响。实验显示，本文方法在两个不同数据集上分别取得了0.9766和0.9255的Dice系数，1.25mm和0.98mm的平均表面距离，其分割精度具有明显优势。此外，与相关方法相比，该方法具有较高的分割效率。结果证明，本文方法有效地整合了多图谱配准和随机森林，由粗到精的分割策略使其对图谱数量和配准精度的要求大大降低；而图谱信息的充分利用使其变得高效。总而言之，该方法能够精确而高效地实现医学图像中的软组织器官分割，有较大的临床应用潜力。关键词：医学图像分割，图谱配准，概率图，随机森林，特征

5、提取IABSTRACTTheapplicationofmedicalimaginginclinicaldiagnosisandtreatmentisincreasinglywidespread.Thesegmentationofmedicalimagesprovidesdoctorswithmoreintuitiveandeffectiveanatomicalstructures,greatlyimprovingtheefficiencyofdiagnosisandtreatment.However,medicalimag

6、esoftenhavecharacteristicssuchasnon-uniformgrayscale,blurredboundary,andlargeindividualdifferences,especiallythesofttissueorgans,whichbringsgreatchallengestosegmentation.Thisarticleextensivelyinvestigatedandanalyzedtheresearchstatusathomeandabroad,andproposedasegm

7、entationmethodbasedonmulti-atlasregistrationandrandomforest,aimingatobtainingaclearboundaryofsofttissueorganefficiently.Thisisamedicalimagesegmentationframeworkthatcombinesmulti-atlastechnologyandsupervisedlearning.Firstly,thepreliminarysegmentationorprobabilityma

8、pofthetargetorganisobtainedbasedontherigidregistrationresultsofmultipleatlases.Secondly,theschemesoffeatureextractionandclassifiertrainingmakingfulluseo