三维医学图像的线状结构检测与量化技术研究

摘要

循环系统和神经系统在医学图像中多表现为管状和线状形态，它们所涉及的疾病可以统称为线状结构疾病。目前，线状结构疾病是发病率、死亡率、致残率最高的疾病。线状结构疾病的诊断非常依赖于三维CT图像，而对于人工来说，三维CT图像所蕴含的信息量过于庞大。因此，使用计算机对庞大的图像信息进行处理使之易于临床应用迫在眉睫。随着对线状结构研究的不断深入以及应用的不断推广，人们发现了越来越多的特殊线状结构，如特征不完整不清晰的线状结构。特征不完整不清晰的线状结构多处在病理区域内，临床对此类线状结构的检测提出了高完整度、高精度的要求。然而，目前的算法达不到临床的要求。
　　本文通过融合图像处理、人工智能以及模式识别等技术，借助数值方法，从线状结构的特性出发，解决了几类线状结构的检测不完整和检测精度不高等问题。本文具体研究内容如下：
　　（1）以低对比度线状结构为研究对象，以解决线状结构中心线检测不完整问题为目标，本文提出了线状结构中心线的平滑度优化检测算法。由于低对比度会造成特征的缺失，传统算法无法得到完整的线状结构检测结果。针对此类问题，本文对不完整的中心线进行平滑度度量，对断裂中心线的修复可能性进行建模，统一地描述了不完整问题的全局修复不确定性，通过全局优化算法给出了不完整中心线的全局最优修复方式，进而得到完整的中心线。此外，本文构造的全局优化算法能够通过不确定性的描述抑制噪音，得到更为精确的检测结果。
　　（2）以细小线状结构为研究对象，针对低信噪比、低对比度以及临近组织干扰等特殊情况，本文提出了基于限制的B样条主动轮廓模型。由于细小线状结构的对比度极低，因此传统算法无法得到精确的检测结果。而且细小线状结构会伴有低信噪比或受到临近组织的干扰，这给细小线状结构的精确检测带来了极大的挑战。针对此类细小线状结构的精确检测问题，本文提出了限制B样条主动轮廓模型。该算法基于线状结构的几何特征，构造了主动轮廓模型的约束能量函数，并通过将欧拉-拉格朗日优化方法融入到主动轮廓模型，使得约束的主动轮廓模型可以对特殊情况下的线状结构进行精确检测。此外，B样条的融合提高了主动轮廓模型的收敛速度，使得算法可以对极小的线状结构进行检测。
　　（3）以异常线状结构为研究对象，针对异常线状结构漏检误检率高的问题，提出了基于Patch隐式特征的稀疏表示检测算法。异常线状结构多出现于病理区域。而病理区域的环境非常复杂，导致异常线状结构的特征缺失严重，使得传统的算法的漏检率和误检率过高，无法满足临床的需要。针对这种情况，本文提出基于Patch的隐式特征算法，避免了因为显式特征缺失而造成的误检和漏检。并且，本文进一步提出了Patch的稀疏表示，解决了Patch算法的时间复杂度过高的问题，使之易于临床应用。
　　（4）本文对多类线状结构的检测结果进行了对比量化分析。算法的正确性和准确性是其临床应用的关键，而算法的量化是评判算法正确性和准确性的基础。本文从多个角度采用多个量化标准对算法的结果进行了量化，并从不同方向对算法的性能进行了分析。进一步，通过将本文的算法和多种目前较为先进的算法进行对比，更加直观地说明了本文算法的优越性。最后，量化分析结果验证了本文算法的正确性、准确性以及实用性。

目录

封面

中文摘要

英文摘要

目录

第1章 绪论

1.1 研究的背景及意义

1.2 线状结构检测研究现状分析

1.3 主要研究内容及文章结构

第2章 CT图像相关知识及量化标准

2.1 引言

2.2 CT图像相关知识

2.3 检测算法常用概念

2.4 量化标准

2.5 本章小结

第3章 三维完整中心线自动检测与量化

3.1 引言

3.2 提取初始中心线

3.3 中心线优化修复

3.4 中心线检测结果量化分析

3.5 本章小结

第4章 基于限制主动轮廓模型的线状结构精确检测与量化

4.1 引言

4.2 线状结构中心线的跟踪算法

4.3 线状结构检测

4.4 线状结构量化分析

4.5 本章小结

第5章 基于Patch的异常线状结构检测与量化

5.1 引言

5.2 不完备的训练集

5.3 中心线检测

5.4 基于Patch的线状结构重建

5.5 结果量化分析

5.6 本章小结

结论

参考文献

攻读博士学位期间发表的论文及其他成果

声明

致谢

个人简历