基于图割和ASM的心脏图像分割研究

摘要

当下国内外的心脏病发病率逐渐上升，心脏健康话题不容忽视。超声诊断凭借无损、无电离辐射、无痛、廉价、实时等优点，成为了现代临床医学中必不可少的影像诊断技术之一。但由于超声的固有特性，超声图像包含大量斑点等噪声，给图像处理、病情诊断与定量分析等步骤增加了难度，医学图像处理越加重要，而首要步骤之一便是图像分割。
　　本文主要研究、实现了图割算法与主动形状模型对心脏磁共振图像、超声图像的分割，并在良好的分割结果基础上进行了实验结果的研究和分析。
　　图割算法基于图论，它首先构建能量函数，构建s-t网络，通过解决能量函数最小化问题得到分割结果。经过理论研究和实验分析，并结合本文设计的后续图像处理方法发现，对磁共振成像的心脏图像分割效果良好，但却非常不适合超声图像的分割。为使实验更加严谨，本文增加了针对超声图像的预处理，分割结果有所改进，但仍不理想。
　　主动形状模型则主要应用于动态识别、人脸识别、手型分割等方面，应用于超声图像还较少。它主要通过训练融入先验知识，得到初始模型，再进行匹配，迭代更新参数来寻找到待分割区域的具体位置。改进的主动形状模型可直接使用临床超声图像，无需预处理等步骤，最大程度地保留原始图像的信息，切近实际应用。本文以对主动形状模型的研究为理论基础，继而进行实验和改进，此算法适合于超声心脏图像分割，获得了很好的分割结果。相比于图割，主动形状模型非常适合心脏超声影像的处理。
　　本文进行了充足的实验后发现，采集连续的几个心动周期的心脏超声图像，研究分析验证了心脏健康者心房的收缩与舒张的同步性以及心室的收缩与舒张的同步性，临床中还可以通过同步性判断心脏的功能是否健康完善。

目录

声明

摘要

第1章 绪论

1．1 医学图像分割研究背景及意义

1．1．1 医学成像技术介绍

1．1．2 常见医学图像分割算法简介

1．2 心脏图像分割的特点、研究现状及意义

1．2．1 心脏分割特点

1．2．2 心脏分割的研究现状

1．2．3 全心脏分割研究

1．3 本文使用的心脏数据

1．4 本文研究内容

第2章 Graph Cuts算法的实现与应用

2．1 引言

2．1．1 Graph Cuts研究背景现状

2．1．2 Graph Cuts算法实现平台简介

2．2 Graph Cuts算法的基本理论

2．2．1 图的定义

2．2．2 能量函数

2．2．3 s-t网络与割

2．2．4 最大流最小割算法

2．2．5 图割算法的流程

2．3 图割算法实验结果与分析

2．4 图割算法优缺点

2．5 本章小结

第3章 ASM算法的实现与应用

3．1 引言

3．2 ASM算法的基本理论

3．2．1 点分布模型

3．2．2 训练样本对齐

3．2．3 主成分分析

3．2．4 建立局部特征

3．2．5 模型的初始定位

3．2．6 计算新的位置

3．2．7 计算形状和姿态参数

3．2．8 参数更新

3．2．9 多分辨率更新

3．3 实验步骤与结果

3．3．1 训练

3．3．2 匹配

3．4 本章小结

第4章 实验结果分析与研究

4．1 图割算法结果分析

4．1．1 图割算法增加预处理

4．1．2 图割算法增加预处理后的结果

4．2 ASM结果研究

4．2．1 曲线拟合

4．2．2 分割结果分析

4．2．3 生理学意义

4．2．4 生理学结论

4．3 本章小结

第5章 总结与展望

参考文献

致谢

硕士期间发表的论文