论文部分内容阅读
计算机断层扫描成像（Computed Tomography，CT）已成为辅助临床诊疗的重要技术手段。利用CT图像对人体肝脏进行疾病诊断、肝脏手术评估首先需要对肝脏进行分割，通过自动图像分割快速、精准地提取肝脏边界，在医学图像研究中日益受到重视。肝脏自动定位的准确性直接关系到肝脏分割的成功和准确性。不同人的肝脏的存在较大的位置与形状变异，在CT图像中，肝脏与邻近区域的器官组织在灰度信息等特征方面表现十分相似，致使肝脏的自动定位往往不准确甚至失败。 组合机器学习方法尤其是AdaBoost算法、随机森林（Random Forest，RF）算法等能够有效处理高维度大数据样本集，不容易出现过拟合及能够进行并行运算等，被广泛应用于计算机视觉领域。本文对比分析了AdaBoost分类器、分类随机森林模型在CT图像肝脏定位实验中的效果，并根据CT图像中人体解剖结构特点，在传统随机森林的基础上集合K近邻模型提高了分类随机森林在肝脏定位实验中的准确性。本文主要包括以下几方面工作: 首先，对增强型CT图像进行适当预处理，提取CT图像中肝脏区域与背景区域样本及对应样本特征，分别构建AdaBoost分类器及传统分类随机森林分类器对图像中样本进行学习分类，对分类图像用形态学方法进行适当后处理，得到肝脏区域定位结果。 其次，根据人体解剖结构基本特点，肺部区域在CT图像中呈现像素灰度值低等特点，构建基于横断面像素灰度分布的差分模型，定位胸腔与腹腔分界面，并以此分界面为参考面，得到训练样本相对于参考面的相对空间位置关系及肝脏区域相对于参考面的先验结构。 最后，在传统随机森林算法的基础上，在每棵树的叶节点中结合K近邻模型对测试图像中每个像素进行预测分类，结合图像形态学方法对图像进行适当腐蚀、膨胀等处理，得到CT图像肝脏区域定位图像。 实验结果表明，相比AdaBoost分类器和传统分类随机森林，利用人体解剖结构基本特点结合K近邻模型能提高算法的分类准确率，在CT图像肝脏自动定位过程中，定位的准确性及鲁棒性有较大改善。