基于主动轮廓模型的医学图像中目标提取研究

医学图像分割是辅助诊断、量化分析、手术规划导航等较高层次临床应用的基础。但由于疾病的多样性,造成医学图像背景分布极其复杂、医学图像中病患器官目标自身形状变化有相当的随机性、以及成像过程中各种噪声干扰和超大的数据量,均增加了传统方法对医学图像中目标分割的难度。若要在这些复杂条件下准确、自动、有效地提取特定医学目标,要着重以下两方面工作。第一,选择合适的分割模型。主动轮廓模型作为一种有效的分割模型,在医学图像中,有了很多成功的应用,这也正是本文研究的目标。第二,充分利用特定目标的先验知识。根据待提取目标的不同特征,设计最有效的分割模型。本文正是在主动轮廓框架下,针对特定的医学目标,从一般医学器官,到血管,到肝脏各组织,到心脏各组织等医学目标,设计出多种不同的主动轮廓模型,包括区域竞争主动轮廓、血管主动轮廓、多主动轮廓和基于先验形状的主动轮廓等模型,对这些医学目标进行有效提取,并在准确分割的基础上,对部分组织器官进行自动量化分析。 本文首先对医学图像分割的研究背景进行了回顾,在基于先验知识目标分割的一般框架下,按原始图像、分割指标函数和先验知识三要素对基于先验知识图像分割的最新进展进行了综述,侧重于先验知识描述和其与分割准则函数的结合。对于本文的研究重点目标主动轮廓模型,围绕Snake模型和水平集模型以及二者本质上的统一性,结合一些利用先验知识对特定目标提取的具体实例进行详细介绍。通过对基于先验知识目标分割的有关问题进行的讨论分析,认为最优的主动轮廓模型,是充分利用目标的先验知识,由这些先验知识指导主动轮廓演化从而提取特定医学目标的模型,并对医学图像和主动轮廓的发展方向进行了展望。 本文介绍了一种通用性的分割模型:基于区域竞争的主动轮廓模型。这一基于目标灰度统计概率和水平集的主动轮廓分割模型,把能量函数表示为在目标区域内对象素点属于目标的概率的积分,并在水平集框架下对能量函数最小化,得到分割的迭代方程。同时,通过附加的速度约束项,使得主动轮廓越过目标边缘的时候降低速度,大大提高分割的收敛性和准确度。通过大量冠状动脉和二尖瓣分割试验,表明该模型的有效性。 针对血管树结构的复杂性,研究了血管的提取模型:血管主动轮廓模型。这一模型,充分利用一切和血管有关的信息,先验灰度分布、区域信息、多尺度血管矢量场和曲率,能量方程最小化,得到包括三个主要速度项的迭代方程:基于区域竞争和先验灰度的主动轮廓、血管矢量场、多曲率策略。该模型可以自动地对整个血管树进行提取,不需要太多的预处理和后处理,是一种快速、准确、健壮和自动的血管提取模型。 肝脏作为人体最重要的器官之一,若对CT图像中的肝脏自动检测、分类和分割出肝脏的解剖和病理结构,包括肿瘤、肝脏和血管,得到具体病例的肝脏模型,在临床上是意义重大的。本文通过多种主动轮廓模型来对CT图像肝脏有关的组织结构进行提取,实现肝脏的模型化。其中,本文采用基于混合高斯分布的主动轮廓模型用于肝脏和肿瘤的提取。该模型的主动轮廓在灰度图像的混合高斯分布模型的驱动下,可以灵活机动地从复杂背景下提取出多重目标。对于肝脏内部的血管树状结构,本文采用增强的血管主动轮廓模型。 最后,针对超声心动图中的瓣膜类疾病,本文采用一种把先验区域和形状知识融入到几何主动轮廓模型的目标分割方法。各个层次的先验知识表示成速度场直接指导水平集演化到理想轮廓。先验区域约束水平集的演化范围,先验形状驱使水平集向特定形状收敛。在三维超声图像的应用表明该方法大大减少了手工干预,提高了分割效率和精度。同时,在二尖瓣自动分割的基础上,对二尖瓣有关的参数进行了量化,包括瓣膜开口面积、瓣环面积、左心室容积和瓣叶张开角度。