论文部分内容阅读
面肌痉挛是由面神经导致的慢性疾病,给患者生活造成了严重影响。同时面神经脑干面及毗邻血管的复杂空间结构,易导致手术前对责任血管的漏判或错判,进而导致面神经显微血管减压(MVD)手术疗效欠佳。在这样的背景下,本课题在获取患者MRA图像的基础上,提出构建患者的面神经脑干面及毗邻血管的三维空间结构模型。而本文是对MRA图像的脑干和血管分割进行研究。传统的单一的或基于单一特征的分割技术,分割效果不够理想。模糊聚类描述了样本属于各个类别的不确定程度,更贴近客观世界中的事物属性,从而成为聚类分析中主流的研究方向,水平集方法能够自动处理曲线拓扑结构的变化。本文将模糊集与水平集方法结合,使水平集函数的建立得到优化,从而使得聚类算法与分割算法在速度上和准确度上有所提高。同时针对MRA图像的特性,将脑干和血管区域的分割分为三个步骤进行：(1)图像聚类与脑干提取。由于MRA图像的成像分辨率不高,成像时会有干扰等原因,需要对图像进行聚类,聚类后的图片会用于后续的处理和分割中。在聚类的基础上依据图像的特点进行脑干的提取。(2)分割脑干附近区域。串行算法的早期结果可被后续处理所利用,有很好的抗噪能力。基于聚类和脑干的提取结果,可以对MRA图像进行一次分割,获得脑干附近的目标区域。(3)水平集提取血管。水平集是一种成熟的图像分割算法,对水平集进行改进,提出基于边界和区域信息的混合模型(DR-CV模型)。DR-CV模型充分利用图像的边界和区域信息,能很好地在分割的脑干附近区域进行血管的分割。通过实验证明,本文方法能较好地结合模糊聚类和水平集方法的优势,对颅内血管分割取得了较为理想的效果,为三维重建等后续工作奠定了基础。本文的创新之处：(1)利用MRA序列图像的脑干与血管在空间位置上的相关性,依次对脑干和血管进行分割。这样可以有效的分割出对病理判断有用的血管,同时也避免了颅内其余血管的干扰,减少了不必要的工作。(2)为了取得令人满意的分割结果,人们研究多种分割算法的结合。本文提出将模糊聚类和水平集结合,在模糊聚类的基础上,对图像进行一次分割,再采用改进的DR-CV水平集模型进行二次分割,可以对灰度分布不均匀的医学图像有很好的分割效果。(3)为了满足医学图像处理实践中对分割结果准确性的要求。本文采用由用户参与控制、引导的交互分割方法,脑干的提取用的就是交互式方法实现分割。