医学图像处理课程论文

 时间:2018-04-25 17:35:13 贡献者:本科毕业设计大全

导读:火端资料库小编为大家带来关于医学图像处理课程论文,一种pet成像系统及多模态医学图像处理系统的制作方法的内容希望大家喜欢。

一种pet成像系统及多模态医学图像处理系统的制作方法
一种pet成像系统及多模态医学图像处理系统的制作方法

研究生课程(论文类)试题2 014 /2 015 学年第 1 学期 课程名称: 课程代码: 论文题目: 学生姓名: 专业﹑学号: 生物医学工程 医学图像处理与分析 19000024 基于区域生长法的脑实质分割学院: 医疗器械与食品学院课程(论文)成绩: 课程(论文)评分依据(必填) :(1) (2) (3) (4) (5) 所采用算法的难易程度;30 分 编程所使用的工具;15 分 论文表达的规范性;15 分 实验数据的准确性;20 分 结论的可靠性。

20 分任课教师签字:日期:年 月 日

课程(论文)题目:基于区域生长法的脑实质分割基于区域生长法的脑实质分割 Brain Parenchyma Segmentation Based on Method of Region Growing摘要:医学图像分割是 CT 图像的三维重建等后续操作的基础,分割的准确性对医生判 断至关重要。

针对基于区域生长的图像分割方法,简要介绍了方法原理,并使用 MATLAB 对有关结论进行了仿真验证,结果表明,这种基于区域生长法的图像分割方 法是正确且切实可行的。

关键词:图像分割;区域生长;脑实质分割 Abstract: Medical image segmentation is the basis of 3D reconstruction for subsequent operation of CT images, the accuracy of segmentation is crucial for doctors to determine.According to the method of image segmentation based on region growing, briefly introduced the method principle, and the related conclusion is verified by simulation, using the MATLAB results show that, the image segmentation method based on region growing method is correct and feasible. Keywords: image segmentation; region growing; brain parenchyma segmentation1 引言医学图像分割是正常组织和病变组织的三维重建,定量分析等后续操作的基础 ,也 是临床医学应用的瓶颈。

分割的准确性对医生判断疾病的真实情况并做出正确的诊断 计划至关重要。

医学图像常表现为对比度低,组织特征的可变性、不同软组织之间或软 组织与病灶之间边界的模糊性、 以及形状结构和微细结构(血管、 神经)分布的复杂性等, 因此给研究医学图像分割技术造成了极大的困难[1]。

近年来国内外投入了大量的人力、物力,广泛开展对医学图像分割技术的研究。

从国外报道的大量文献来看 ,绝大多数分割研究都集中在磁共振图像上 ,而其中大量的 研究都是针对颅脑图像。

究其原因,一方面是由于 MRI 比其它医学图像形式具有明显的 优点,使得它在临床上越来越受到欢迎,并逐渐占据了主导地位;另一方面,颅脑是人体的 一个重要器官,它拥有支配和控制人的任何一项思维活动的中枢神经系统,也是肿瘤、炎 症和多发性硬化症等疾病的好发部位。

颅脑是人体的一个重要器官,它拥有支配和控制人的任何一项思维活动的中枢神经 系统,也是肿瘤、炎症和多发性硬化症等疾病的好发部位。

但是,因为颅脑与人体的其它 器官不同,它是由颅骨、肌肉、血管、脑膜、脑白质、脑灰质和脑脊液等不同的组织组 成,这些组织相互交织在一起。

由于大部分的脑结构是由这些组织的边界定义的,对这些

组织进行分割在对大脑进行定量形态学的分析方面是极其重要的。

精确的进行脑组织 分割是进行以下几个方面应用研究的先决条件[2][3]: (1) 探测影响脑实质的不同的病理条件。

(2) 放疗和治疗计划的制定。

(3) 外科手术计划的制定和仿真。

(4) 脑结构的 3D 可视化和定量测量。

(5) 研究人脑的发育和老化机理。

(6) 对大脑进行功能性研究。

因此,在临床上要实现对医学图像的定量测量和自动分析,首先就要解决图像的 分割问题[4]。

2 图像分割简介图像分割(image segmentation) 是一种重要的图像技术, 它不仅得到人们的广泛重 视和研究, 在实际中也得到大量的应用。

图像分割包括目标轮廓、阈值化、图像区分或 求差、目标检测、目标识别、目标跟踪等技术。

图像分割就是把图像分成各具特征的区域并提取出感兴趣目标的技术和过程。

这 里特征可以是象素的灰度、颜色、纹理等, 预先定义的目标可以对应单个区域也可以对 应多个区域。

图像分割是图像处理到图像分析的关键步骤, 在图像工程中占据重要的位 置。

一方面, 它是 目标表达的基础, 对特征测量有重要的影响。

另一方面, 因为图像分割及其基于分割的 目标表达、 特征提取和参数测量等将原始图像转化为更抽象更紧凑的形式, 使得更高层 的图像分析和理解成为可能。

借助集合概念对图像分割给出如下较正式的定义: 令集合 R 代表整个图像区域, 对 R 的分割可看做将 R 分成 N 个满足以下五个条件 的非空子集(子区域)R1, R3, …, RN:① i 1 Ri  RN;②对所有的 i 和 j, i≠j, 有 Ri∩Rj≠∅; ③对 i=1,2,…,N, 有 P(Ri)=TRUE; ④对 i≠j, 有 P(Ri∪Rj)=FALSE; ⑤对 i=1,2,…,N, Ri 是连接的区域。

其中 P(Ri)对所有在集合 Ri 中元素的逻辑谓词, ∅代表空集。

串行区域分割技术指采用串行处理的策略通过对目标区域的直接检测来实现图像 分割的技术, 它的特点是将整个处理过程分解为顺序的多个步骤逐次进行 , 对后继步 骤的处理要对前面已完成步骤的处理结果进行判断而确定。

这里的判定要根据一定的 准则, 一般来说如 果准则是基于图像灰度特性的, 则这个方法可以用于灰度图像分割。

基于区域的串行分割技术有两种基本的形式 , 一是从单个象素出发, 渐渐合并以 形成所需的分割区域, 二是从整个图出发, 分裂切割至所需要的分割区域, 第一种方法 的典型技术就是区域生长法[5]。

3 区域生长法的原理区域生长的基本思想是将具有相似性质的象素集合起来构成区域。

首先对每个需 要分割的区域找出一个种子象素作为生长的起点,然后将种子象素周围邻域中与种子有 相同或相似性质的象素(根据事先确定的生长或相似准则来确定) 合并到种子象素所在 的区域中。

而新的象素继续做种子向四周生长, 直到再没有满足条件的象素可以包括进 来, 一个区域就生长而成了[6]。

现在给出一个区域生长的示例。

给出已知矩阵 A:,大写的 5 为种子, 从种子开始向周围每个象素的值与种子值取 灰度差的绝对值, 当绝对值少于某个门限 T 时, 该象素便生长成为新的种子, 而且向 周围每个象素进行生长; 如果取门限 T=1, 则区域生长的结果为:,可见种子周围的灰度值为 4、5、6 的象素都被很好地包进了生 长区域之中, 而到了边界处灰度值为 0、 1、2、 7 的象素都成为了边界, 右上角的 5 虽 然也可以成为种子, 但由于它周围的象素不含有一个种子 , 因此它也位于生长区域之外; 现在取门限 T=3, 新的区域生长结果为: 了一个区域, 这次的分割效果较好; 现在取门限, 这次整个右边都成 T=6, 生 长 结 果 为 :,整个矩阵都被分到一个区域中了。

由此可见门限选取是很重要 的。

在实际应用区域生长法时需要解决三个问题: 1.选择或确定一组能正确代表所需区域的种子象素(选取种子); 2.确定在生长过程中能将相邻象素包括进来的准则(确定门限); 3.确定让生长过程停止的条件或规则(停止条件) 利用迭代的方法从大到小收缩是一种典型的方法, 它不仅对 2- D 图像而且对 3-

D 图像也适用。

一般情况下可以选取图像中亮度最大的象素作为种子 , 或者借助生长 所用准责对每个象素进行相应的计算 , 如果计算结果呈现聚类的情况则接近聚类重心 的象素可以作为种子象素。

上面的例子, 分析它的直方图可知灰度值为 1 和 5 的象素 最多且处于聚类的中心, 所以可各选一个具有聚类中心灰度值的象素作为种子。

生长准则的选取不仅依赖于具体问题本身 , 也和所用图像数据种类有关 , 如彩色 图和灰度图。

一般的生长过程在进行到再没有满足生长条件的象素时停止, 为增加区域 生长的能力常需考虑一些与尺寸、形状等图像和目标的全局性质有关的准则。

区域生长的关键是选择合适的生长或相似准则 , 大部分区域生长准则会使用图像 的局部性质。

生长准则可以根据不同原理制定, 而使用不同的生长准则会影响区域生长 的过程。

常用的生长准则和方法有三种, 即基于区域灰度差的、基于区域内灰度分布统 计性质的、基于区域形状的[7]。

3.1 种子像素的获取种子像素的选取常要依据具体问题的特点。

例如选用图中最亮的像素作为种子像 素等。

如果对具体问题没有先验知识,则可利用生长所确定的准则对每个像素进行相 应计算,如果计算结果呈现聚类的特点则接近聚类中心的像素可作为种子像素。

3.2 基于区域灰度差的生长准则在我们使用的区域生长方法中 , 操作的基本单位是象素 , 基于区域灰度差的生长 准则步骤如下[8]: 1.对图像进行逐行扫描, 找出尚无归属的象素; 2.以该象素为中心, 检查它相邻的象素, 即将邻域中的象素逐个与它比较, 如果灰 度差小于事先确定的阈值, 则将它们合并; 3.以新合并的象素为中心, 再进行步骤 2 检测, 直到区域不能进一步扩张; 4.重新回到步骤 1, 继续扫描直到不能发现没有归属的象素, 整个生长过程结束。

区域生长法的一般流程如图 1 所示。

 
 

微信扫一扫 送福利