PET图像分割中的共分割方法研究

摘要

PET（Positron Emission Tomography）图像分割是临床医学中极为重要的一个环节，它能够帮助我们准确定位病灶区域，对病人的治疗具有重要意义。关于PET图像的分割，目前已经有许多的方法并且取得了很不错的效果，但是这些传统的方法都是基于单幅图像的分割，图像之间并没有直接的联系，有些时候需要一些人为的先验信息，而且分割结果不具有很好的鲁棒性。因此就希望找到一种方法，能够利用图像之间的一些共有的信息，来帮助我们对图像进行分割，同时分割出多幅PET图像，并使得分割结果具有更好的性能指标和鲁棒性。
　　根据自然图像中的共分割的思想，并参考其中的一些方法，将共分割的思想运用到PET图像分割领域中。对PET图像进行了两种共分割的尝试：第一种是归一化的割和核方法结合的共分割，利用归一化的割对单幅图像的可分性进行限制并利用核方法对图像间的一些相似信息进行共享，加权生成一个能量函数，并通过低秩优化的方法对能量函数进行优化求解；第二种是基于活动轮廓模型的共分割，在原模型的基础上，加入了图像间前背景相似性的奖励策略，并引入水平集和变分的方法对问题进行迭代求解。
　　本文利用MATLAB R2012a在多个PET图像数据集上对图像进行了共分割的分割实验，并把实验结果与传统的单幅图像的分割结果进行了性能指标的比较和分析。通过比较，我们发现，利用共分割的方法确实可以提高PET图像分割结果的准确性和鲁棒性。实验结果表明，利用PET图像之间相似信息的共分割方法能够帮助改善PET图像的分割结果。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 研究的背景和意义

1.2 研究现状

1.3 主要工作与安排

2 共分割方法

2.1 共分割简介

2.2 共分割分类

2.3 本文所用的方法

2.4 对比方法与评价指标

2.5 本章小结

3 基于核方法的共分割

3.1 归一化的割

3.2 核方法

3.3 能量函数的优化求解

3.4 超像素

3.5 实验及结果分析

3.6 本章小结

4 基于活动轮廓模型的共分割

4.1 活动轮廓模型

4.2 奖励策略

4.3 模型介绍与求解

4.4 实验结果与分析

4.5 本章小结

5 总结与展望

5.1 本文总结

5.2 工作展望

致谢

参考文献

附录：攻读硕士期间发表的论文