基于聚类的RSF算法在医学图像分割中的应用

摘要

图像处理是一项重要的计算机技术，它是将原始的图像信息，提炼为有实用价值的视觉元素，受到广泛的民生关注和科技应用。人们生活水平的不断提高，使得医学影像学的作用逐步显现。医学影像技术不断地发展和改进，使医学图像处理具有很大的提高和发展空间，是理论性和实用性很强的现代科学技术。但是固有的伪影、噪声、边界模糊以及灰度不均匀等医学图像特征，也增加了可视化与辅助治疗的难度。医学图像分割的难点在于：医学图像复杂的灰度、边缘及色彩等特点，传统的图像分割算法应用于医学图像效果并不理想，因此医学图像分割一直成为研究重点、热点和难点。
　　单一的传统算法已经无法满足医学图像分割的需求，为了克服上述的难点问题，结合聚类思想和RSF水平集模型，在PDE方程框架内，提出基于模糊聚类与局部鲁棒统计的水平集算法（Fuzzy Clustering and Local Robust Statistics based LS Model，FCRSM），以获得鲁棒性和精确性并存的图像分割改进技术。本文核心是构造模糊集理论与形变模型的融合模型：通过传统K均值聚类过渡至模糊C均值聚类，利用模糊隶属度重新定义灰度医学图像像素，同时引入相关熵与局部鲁棒统计信息，增强图像对噪声和伪影的鲁棒性。而算法核心是形变模型中的水平集主动轮廓模型—RSF算法，同时融合模糊聚类与统计学信息，形成改进的水平集FCRSM模型。
　　实验部分将传统的RSF模型，结合K均值的改进RSF模型—CRSM算法，以及FCRSM算法等三种方法，分别进行定性和定量对比，结果显示FCRSM算法在分辨率大小合理的情况下，分割精度和效果显著高于传统水平集方法。
　　本文主要工作：
　　（1）阐述图像分割类型，以及某些代表性的图像分割技术及其改进；
　　（2）简要描述K均值聚类和水平集算法的图像分割应用：利用K均值聚类的简单高效特点，将K均值与水平集的结合使用；通过实验对改进的基于鲁棒统计信息的CRSM算法进行分析，分析该改进算法的优缺点。
　　（3）针对传统RSF算法以及CRSM算法的不足，结合模糊C均值算法，形成改进的FCRSM算法，研究其在医学图像分割的应用及优缺点，并融入RSF水平集模型进行图像分割，以获得更高的处理精度和噪声鲁棒性。
　　（4）展示传统分割技术与改进技术的量化和直观对比，分析算法改进的优势。本文的创新在于将聚类、局部统计、相关熵与水平集模型融合，形成一种全新模型。
　　本文研究意义：使医学图像分割更好地促进高层的图像分析、理解；同时也能为图像配准、融合、识别服务，提升医学价值。使得医生能结合检测结果与专业医学知识，进行定量化诊断、药物疗效评估和预后不良预测，以制定更加科学合理的诊疗方案。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪 论

1.1 课题研究的背景及意义

1.2 灰度医学图像分割技术的发展及现状

1.3 论文安排及创新点

第二章 灰度医学横断面图像的分割方法

2.1 医学图像特征简介

2.2 医学图像的经典分割算法

2.3 基于形变模型的图像分割方法

2.4 基于机器学习的图像分割方法

2.5 医学图像分割的评价标准

2.6 本章小结

第三章 RSF水平集模型的图像分割研究

3.1 水平集模型医学图像分割

3.2 RSF水平集分割算法

3.3 实验结果分析

3.4 本章小结

第四章 基于K均值与局部统计的RSF改进

4.1 聚类与水平集算法的模型融合

4.2 水平集外部能量项的改进研究

4.3 基于K均值与局部统计的水平集改进模型

4.4 实验结果分析

4.5 本章小结

第五章 基于模糊C均值与局部统计的RSF改进

5.1 模糊C均值理论

5.2 模糊C均值的医学图像应用

5.3 基于模糊C均值与局部统计的水平集分割

5.4 实验结果分析

5.5 本章小结

第六章 总结与展望

6.1 研究总结

6.2 研究展望

参考文献

附录 作者在攻读硕士学位期间所发表的论文

致谢