基于局部Level Set方法的颅骨图像分割研究

摘要

颅骨的相关病变类型很多，临床诊断具有一定的复杂性。医生对颅骨CT图像的分析，往往需要处理大量的图像，过程枯燥、耗时并具有主观性，错误率较高。在这种情况下，出现了自动检测和辅助诊断。通过图像处理技术对图像进行分割、提取、重构、识别等，检测出病变区域，最后再由医生人工鉴定对其做进一步检查，从而更加安全有效的分析病人情况。在考古、鉴定等领域，研究人员同样可以借助图像处理系统更方便有效的对颅骨图像进行分析。
　　图像处理技术在最近几十年得到了迅速的发展，在医学、军事、气象、工业等领域都得到了广泛的应用。图像分割是图像处理前期的重要步骤，也是计算机视觉领域中的基本问题之一。图像分割的方法有很多种，其中Level Set方法是一种常用的医学图像分割方法，属于几何型形变模型的方法。Level Set方法用来描述曲线的演化过程，最大优点在于稳定性和拓扑无关性。目前，该方法已在图像处理、计算机视觉和机器人导航等领域中广泛应用，具有良好的前景。
　　本文主要论述了Level Set方法的原理及几种改进方法，重点研究了稀疏场Level Set方法，提出了本文创新的局部Level Set方法，并将其应用在颅骨CT的图像分割中。通过预处理的方式得到粗略的分割区域，作为种子图像进行迭代。在颅骨CT图像分割实验中论证了其优越性和良好的实用性，得到了颅骨几个主要部分的图像。同时，本文利用 EM（Expectation Maximization）算法对颅骨内部进行分割并分离出骨质部分和空腔软组织部分，对医学研究计算机辅助判断以及考古鉴定具有一定的意义。
　　通过实验可以表明，本文所提出的改进的局部Level Set方法具有良好的分割效果，并达到了预期目标，在运算速度和分割精度上优于文中提及的其他算法。相信通过不断努力和改进，此算法一定会拥有广阔的应用前景。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 本文的选题背景和意义

1.2 国内外研究现状

1.3 本论文研究重点及章节安排

第二章 颅骨CT图像预处理

2.1 医学CT图像简介

2.2 颅骨CT图像灰度处理及二值化

2.3 数学形态学操作

2.4 图像增强

2.5 本章小结

第三章 局部Level Set方法对颅骨图像的分割

3.1 图像分割概述

3.2 常用的图像分割方法

3.3 颅骨图像的分割方法

3.4 Level Set方法和改进

3.5 局部Level Set方法颅骨分割举例

3.6 本章小结

第四章 基于EM算法的颅骨图像内部结构分割

4.1 EM算法简述

4.2 基于EM算法的颅骨图像内部结构分割

4.3 本章小结

第五章 实验与分析

5.1 实验结果举例及分析

5.2 本章小结

第六章 总结与展望

6.1 本文总结

6.2 研究工作方向与展望

参考文献

攻读学位期间本人出版或公开发表的论著、论文

致谢