论文部分内容阅读
当前医学影像技术发展很快，医学图像的研究对于医学临床实践和研究有着非常大的意义。海马作为人脑中的一个重要结构，对大脑的功能活动起着至关重要的作用。在临床方面，许多研究表明海马在体积上与功能上的变异与一些神经系统疾病有着紧密的联系，比如阿尔茨海默，颞叶癫痫等。因此对于医学图像中海马的正确分割有着重要的意义。
在磁共振图像中，海马在脑组织中属于脑灰质，与之相连的脑组织不仅有白质和脑脊液，而且还有与其他同属于脑灰质的其它结构。此外，在磁共振图像中，海马图像对比度低，信噪比低，边界不连续。这些特点给海马图像的正确分割带来很大的困难。
近些年来有许多方法被用于医学图像分割。这些方法通常被分为两大类，一类是基于区域信息的图像分割，比如分水岭算法；一类是基于边界条件的图像分割，比如活动轮廓变形算法。基于分水岭算法的图像分割虽然方便，灵活，比较适合于梯度图像，但图像中的噪声会使图像的分割结果无法令人满意。过分割问题在分割结果中非常严重。当图像对比度较低时，分割结果会更加恶化。基于活动轮廓变形的算法虽然具有很强的边缘追踪能力，但由于该算法使用初始边缘的曲率表示能量，因此一些复杂，细小和高曲率的结构无法获得正确的分割。
在本文中，提出一种基于能量驱动的分水岭算法来实现人脑MR图像中海马分割。该方法中，首先人工根据解剖知识手工选择种子点，利用模糊数学方法对手工选择的种子点自动调整。利用分水岭算法模型，水流从种子点出发，沿拓扑距离最小的上升路径流经每一个像素，用该像素与种子点的拓扑距离代表该像素的能量。根据整幅图像能量最小时，分割结果最优的原理，在图像能量最小化驱动下，修改初始分水线处像素的归属类别，降低图像能量，使分割结果与目标物体轮廓重合。与分水岭算法相比，在本方法中，图像内部特征与边缘条件相结合，在能量极小化的驱动下，自动修改初始轮廓。相比于活动轮廓算法，本方法中的能量不涉及边缘轮廓线的曲率，因此，在本方法中，一些复杂，细小和高曲率的的结构可以被正确的分割出来。多套MRI海马的分割结果表明，该算法可应用于海马等复杂结构的分割。本文的主要工作与贡献总结如下：
(1) 提出了利用模糊数学对手工种子点的自动调整算法。手工选取种子点的方式不会产生过多的种子点。对手工种子点的自动调整算法则能保证所选种子点的正确性，从而减小误差。
(2) 提出了基于能量驱动的分水岭图像分割算法。在该算法中，结合活动轮廓算法能量极小化的思想，利用由不同结构种子点产生的各个结构能量之和极小化限制分水岭算法的过分割问题。
(3) 在分水岭模型中，结合Moore算法和Berge算法提出了新的搜索算法。利用水流在流动过程中，自动寻找拓扑距离较小的路径作为流动路径的方法，提高搜索效率。
(4) 提出了通过拓扑距离建立重力场，形成了像素在该重力场下的能量公式。该能量公式与边缘轮廓的几何特征无关，因此可以保持图像轮廓上某些复杂、细小和高曲率的结构。