基于水平集和局部灰度阈值的神经干细胞序列图像的分割算法

摘要

图像分割技术在医学图像处理中起着极为重要的作用。由于人体的组织器官不均匀、器官蠕动等会造成医学图像一般具有噪声、病变组织边缘模糊等问题，所以如何避免噪声和图像清晰度的影响，以得到准确的目标区域轮廓是图像分割的主要研究问题。
　　 神经干细胞（neural stem cell，NSC）是一类具有分裂潜能和自我更新能力的神经母细胞。通过人工注射等多种方式进行神经干细胞移植，可以治疗中风、脊髓损伤和老年痴呆症等多种神经性疾病。观察神经元干细胞的神经元的产生过程和运动特性，可以大大提高诊断的准确性和治愈率，而作为细胞研究前提的该类细胞图像的分割过程就显得尤为重要。
　　 在光学显微镜成像的神经元干细胞序列图像中，针对目标与背景的弱对比度及细胞粘连、团簇等问题，本文提出一种新的分割算法。该算法基于无需初始化的水平集算法，引入了曲率加速收敛；为降低算法的复杂度提出衡量范数能量作为水平集进化的终止条件；最后结合局部灰度阈值法进一步分割粘连细胞。该算法应用于两组细胞图像序列共120帧图像的分割中，它不但解决了时间序列图像成像时焦距偏移带来的分割难题，而且能够准确地分离粘连、团簇细胞，并保留细胞的形态特征和位置信息。统计结果表明，分割成功帧所占整个序列的百分率较水线分割、传统水平集分割算法提高了300％～40％。应用该算法完成的该类序列图像的分割为细胞识别和细胞追踪奠定了良好的基础。

目录

文摘

英文文摘

第1章 绪论

1.1 课题研究背景、目的及意义

1.2 国内外研究现状

1.3 本文研究内容

第2章 图像分割

2.1 图像分割的定义

2.2 图像分割及细胞图像分割的主要难点

2.3 图像分割的分类

2.4 图像分割的经典算法

2.4.1 序列图像的分割方法

2.4.2 单幅图像的分割方法

2.5 本章小结

第3章 水平集算法

3.1 水平集算法的发展历程

3.2 水平集算法的主要特点

3.3 经典的水平集算法

3.3.1 传统水平集算法

3.3.2 能量水平集算法

3.3.3 快速水平集算法

3.4 水平集算法在细胞分割上的应用

3.5 本章小结

第4章 水平集和灰度阈值法结合的细胞图像分割

4.1 细胞图像预处理

4.2 改进的Li能量水平集算法

4.2.1 Li能量水平集算法

4.2.2 引入曲率项

4.2.3 进化终止条件

4.3 局部灰度阈值法分割

4.3.1 局部灰度阈值法

4.3.2 过分割和欠分割

4.4 实验结果

4.5 本章小结

结论

参考文献

攻读硕士期间发表的论文和取得的科研成果

致谢