自适应形变模型及其在血管内超声图像处理中的应用研究

摘要

二十世纪九十年代中后期，Tim Mclnemey等学者结合形变模型(DeformableModels)和ACID图像分解(Affine Cell Image Decomposition)技术提出了自适应形变模型(Topologically Adaptable Snakes，T-Snake模型)概念。T-Snake模型是一个拓扑可变的形变模型，继承了Snake模型的诸多优点，但T-Snake模型更重要的特性是其每经过一个微小形变，便要进行一次拓扑变换，因而T-Snake模型相对于Snake模型的突出优点在于其受初始轮廓的影响小，而且能够根据图像的边缘信息自适应地改变其拓扑结构，因而对于复杂拓扑结构图像的处理和适应能力较强。近年来，T-Snake模型已逐渐成为相关学科的研究热点，并开始成功应用于边缘提取、图像分割、三维表面重建等领域的科研工作中，而研究的焦点是T-Snake模型内、外力结构的改进及其形变演化过程的数值实现。 血管内超声(Intravascular Ultrasound，IVUS)是对诸如动脉粥样硬化之类的冠状动脉疾病的诊断和评价的常用工具，它具有安全、实时和无损等优点。提取IVUS图像冠状动脉血管壁的边缘(下文将简称IVUS图像的边缘)并作进一步的图像分析处理，可以对血管腔的面积、血管厚度进行精确测量，还可以发现或识别早期冠状动脉粥样硬化斑块，并对斑块的形态结构实时显示，对斑块成分和偏心距等参数实时检测。所以，IVUS图像的边缘提取对冠状动脉疾病的诊断和治疗有着重要的临床意义。 本文首先介绍T-Snake模型的一般理论，然后描述对T-Snake模型所作的改进，并给出基于改进的T-Snake模型的IVUS序列图像内外膜边缘提取算法。同时，我们将改进的二维T-Snake模型进一步推广到三维情况，并给出了利用改进的三维T-Snake模型对IVUS图像进行三维表面重建的算法。实验结果表明，与以往同类研究报道的方法相比，本文边缘提取方法准确性和可靠性较高，对IVUS序列图像处理的可重复性和鲁棒性较好，而IVUS图像三维表面重建的重建速度及重建的准确性和可靠性也较高。另外，实验结果也表明了本文改进的T-Snake模型的有效性和可实现性。

目录

原创性声明及关于学位论文使用授权的声明

摘要

符号说明

第一章绪论

第二章自适应形变模型

第三章血管内超声图像的边缘提取

第四章血管内超声图像的三维重建

第五章结论与展望

参考文献

致谢

硕士期间发表的论文