基于多尺度Hes sian矩阵和活动轮廓模型的血管树分割

摘要

在发达国家中，血管疾病已逐渐成为最重要的公共卫生问题之一，其中心脑血管疾病已经成为当今世界上发病率和致死率最高的疾病之一，因此对血管结构的研究具有很高的临床需求和应用价值。大量的血管疾病诊断需要测得血管直径、反射系数、血管曲率和异常分支等参数，这些参数可以直观的反映血管疾病的病变程度，同时为治疗方案的确定提供参考信息，所以血管结构的分割、提取和可视化在辅助诊断、辅助治疗、手术规划和手术导引中具有非常重要的作用。由于血管结构的准确分割和量化在临床诊断和临床应用中极为关键，国内外都已有了大量研究。但因成像模式、应用领域等的不同，以及血管图像噪声、局部体效应等不确定因素的影响，目前仍无一种通用的血管结构分割方法能适用于所有的医学成像模式。
　　本文以邻近肝脏等脏器的腹部磁共振血管造影（Magnetic Resonance Angiogra-phy，MRA）图像作为分割的研究对象，在回顾了当前主要的血管分割方法，同时分析各种不同方法的优劣势之后，本文提出了一种改进的基于多尺度Hessian矩阵与活动轮廓模型相结合的血管树分割方法。该分割方法主要包括血管增强和血管分割两个部分。血管增强首先采用形态学Top-Hat变换作背景去除，再用多尺度Hessian矩阵滤波实现线性结构增强。在多尺度Hessian矩阵增强中使用了高斯卷积以调节血管在不同高斯函数标准差σ下的响应，从而通过与最大响应值对应的σ值确定血管的尺度。但是高斯卷积会造成血管边界一定程度的模糊，因此在血管分割部分，本文将与血管边界模糊程度相关的高斯函数标准差σ引入到活动轮廓模型的能量项中，用来约束血管边界的演化，以实现血管树边界的准确分割。
　　为了验证本文提出的算法的性能，本文对计算机合成图像和临床腹部MRA图像进行分割，并与其它方法进行对比。实验表明，本文的方法不受邻近脏器干扰，同时无需人工干预，即可准确快速的分割出图像中的血管树结构。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 研究背景、目的及意义

1.2 血管造影图像分割的意义

1.3 血管分割方法的研究概况

1.4 本文主要内容和章节安排

2 基于Hessian矩阵的血管结构增强

2.1 基于形态学Top-Hat变换的背景去除

2.2 Hessian矩阵的基本原理

2.3 尺度空间理论

2.4 多尺度Hessian矩阵血管增强

2.5 本章小结

3 基于活动轮廓模型的血管树分割

3.1 水平集方法简介

3.2 Chan-Vese模型

3.3 基于水平集的Chan-Vese模型表示

3.4 基于水平集的Chan-Vese模型数值求解

3.5 改进的Chan-Vese模型

3.6 改进的Chan-Vese模型基于水平集的实现

3.7 本章小结

4 血管树分割结果评价及分析

4.1 评价算法及指标

4.2 计算机合成图像的分割结果评价及分析

4.3 临床MRA图像的分割结果评价及分析

4.4 本章小结

5 总结与展望

5.1 总结

5.2 展望

致谢

参考文献

附录1 攻读硕士学位期间发表论文目录

附录2 攻读硕士学位期间参与项目