论文部分内容阅读
医学成像技术是一种能扫描人体并产生一系列横断面图像的无损探测技术，目前被广泛用于临床医学。随着医学成像技术的发展，医学图像的精度和密度都在逐渐提高，大量的图像数据提高了医学诊断的精度，但同时也加大了工作量。另外，医学图像中包含多种人体组织，而一次诊断往往只关注其中之一。因此，医学图像分割和三维重建的重要性日益凸显。
本文的研究对象是人脑医学图像中脑血管的分割和提取，脑血管因其结构复杂、占图像比例较小等特点成为医学图像分割领域的难点。对于血管的分割，国内外学者已经提出过多种方法，主要分为区域导向算法、基于模型的方法和基于统计的方法三大类，但至今也没有一种最理想的解决方案。
本文主要研究参数统计分类法在脑血管分割中的应用，参数统计分类法是一种基于统计的方法，本文主要研究其中具有代表性的混合模型方法及其在吉布斯随机场中的优化。针对以上问题开展的具体工作如下：
1)将最大强度投影法( MIP)与双高斯混合模型相结合，用MIP对人脑医学图像序列进行预处理，去除多余脑组织，起到简化混合模型的目的。预处理后的图像数据只包含血管和周围少量脑组织两种成分。在对双高斯混合模型进行参数估计时采用鲁棒性好、收敛速度快的随机期望最大化(Stochastic Estimation Maximization，SEM)算法，通过随机迭代提高血管分割精度。最后在分割结果和性能上对SEM算法和EM算法进行了比较和分析。
2)针对双高斯混合模型仅考虑统计信息这一不足引入了吉布斯随机场，用高斯-吉布斯随机场模型替代双高斯混合模型拟合经MIP预处理后的人脑医学图像序列，考虑了邻域体素对中心体素类别的影响。并采用三维邻域系统和惩罚因子的自适应计算。为克服EM算法的不足，提出采用SEM算法求解高斯-吉布斯随机场模型。最后对两种模型的分割结果和性能进行了比较和分析。
3)本文采用三维坐标，将像素的概念扩展到体素。在引入吉布斯随机场时采用三维邻域系统，考虑医学图像序列中相邻切片间的影响。三维分割方法比二维分割方法准确性高、所得血管模型连续性好。
将本文算法应用于人脑MRl数据，结果表明本文研究的两种算法都能比较有效地分割脑血管主分支及周围较细小分支。两种算法相比较，高斯-吉布斯随机场的分割准确度比双高斯混合模型高，但执行效率相对较低。