基于Hough变换定位与遗传算法的脑肿瘤分割方法研究

摘要

脑肿瘤是一种发病率和死亡率都较高的疾病，脑组织图像中病变区域的精确分割对后续的诊断与治疗十分关键。随着医学成像技术的进步和计算机水平的发展，计算机辅助诊断技术受到越来越多的关注。利用计算机对医学图像进行辅助分割，可以提高分割结果的精确度和医生的工作效率。本文根据脑肿瘤图像分割存在的问题和肿瘤形状特点，提出了一种基于 Hough变换定位与改进遗传算法优化GVF Snake模型的脑肿瘤自动分割方法。主要工作如下： 1、根据脑组织核磁共振成像（Magnetic Resonance Imaging, MRI）的特点，和后续脑肿瘤自动定位和分割的需要，采用各向异性滤波、边缘检测和颅骨剥离算法对脑组织MRI进行预处理。该过程可以去除颅骨、头皮、血管等非脑组织部分，提高肿瘤区域的灰度对比度，为后期将肿瘤区域从 Hough变化检测出的多个弧形轮廓区域中提取出来奠定基础。 2、利用肿瘤具有弧形轮廓的形状特点，采用Hough变换检测圆的方法，将预处理后的脑组织二值图像中具有弧形轮廓的所有区域检测出来，并根据脑肿瘤区域像素灰度值大的特点，利用灰度阈值处理将肿瘤区域从 Hough变换检测出的所有弧形区域中提取出来，完成肿瘤的定位。再根据定位结果，确定初始轮廓，利用GVF Snake模型对肿瘤进行粗分割。实验结果表明，本文提出的肿瘤定位方法能够准确定位肿瘤区域，实现脑肿瘤的自动化分割，提高了医生的工作效率，避免了分割结果受人工操作主观性的影响。 3、提出了一种基于线段的交叉和变异算子改进遗传算法，解决传统遗传算法以轮廓曲线的控制点作为编码对象时，在弱边界区域易出现控制点跳变的现象。针对GVF Snake模型对脑组织图像进行粗分割时易出现过分割或欠分割的现象，利用改进遗传算法的全局优化特性对GVF Snake模型的粗分割结果进行细化。实验结果表明，利用改进交叉和变异算子的遗传算法对GVF Snake模型的粗分割结果进行优化，在保持了分割曲线的平滑性情况下，解决了GVF Snake模型在粗分割时易陷入局部最优的问题，进一步提高了分割结果的精确度。

目录

第1章 绪 论

1.1 研究背景与意义

1.2 研究现状

1.3 课题的研究内容和组织结构

第2章 参数活动轮廓模型与遗传算法概述

2.1 参数活动轮廓模型

2.2 GVF Snake模型

2.3 遗传算法

2.4 本章小结

第3章 脑组织MRI预处理

3.1 实验设计

3.2 各向异性滤波

3.3 边缘检测

3.4 形态学处理

3.5 本章小结

第4章 基于Hough变换定位的脑肿瘤自动粗分割方法

4.1 实验设计

4.2 脑肿瘤定位

4.3 灰度变换增强

4.4 脑肿瘤分割

4.5 实验结果与分析

4.6 本章小结

第5章 基于改进遗传算法的脑肿瘤精确分割方法

5.1 实验设计

5.2 基于遗传算法的图像分割实现过程

5.3 图像分割算法评价

5.4 实验结果与分析

5.5 本章小结

第6章 总结与展望

6.1 本文工作总结

6.2 研究展望

参考文献

攻读硕士期间发表论文及参加科研情况

致谢

声明