本站原创
摘要：医学图像分割是医学图像处理领域的探讨热点和难点，它是计算机辅助诊断的一个重要组成部分，在临床诊断、病理浅析以及治疗方面具重要作用，其目标是标识医学图像中感兴趣的对象。视网膜视神经病(如青光眼)是由多种理由引起的视网膜及视神经组织病变，最终可能致盲的眼科疾病。此类疾病在世界范围内发病率高，且大多早期无临床征兆，由此早期诊断至关重要。探讨表明，彩色眼底照片中视的分割、度量和评估在青光眼疾病的临床诊断和普查中起着非常重要的作用。然而，眼底照片往往质量不好，比较度低，以至部分视盘边缘难以识别，再加上有着血管的遮挡、病人之间的差别等情况，使得病人视图像的分割十分困难，仅仅利用图像本身的信息难以准确分割出视。由此，有必要将视的形状先验知识有效地集成到分割模型，而寻找有效的目标形状先验知识表达策略和集成策略成为解决此类不足的关键。传统的线性统计浅析策略只考虑了图像数据中的二阶统计信息，未能利用数据中的高阶统计信息，忽略了多个像素间的非线性相关性，这在一定程度上影响了其效果。本论文提出了一种集成非线性统计形状先验的医学图像分割模型，并将其运用于视图像视盘分割中。首先对青光眼专家在青光眼病人眼底照片上描绘的视盘形状用窄带水平集表达，然后在其核空间进行主成分浅析，获得核空间的基向量（即形变方式），并定义一个形状先验的约束项（即形状部分的能量函数），将先验知识集成到向量值Mumford Shah模型，得到集成非线性统计形状先验知识的Mumford Shah向量值分割模型。最后，将该模型运用于各时期青光眼病人的视图像的分割。不同时期青光眼病人的视图像分割实验结果表明，该策略能够有效地分割噪声大，比较度小且部分被血管遮挡的各阶段的青光眼病人视图像。关键词：核主成分浅析（KPCA）论文Mumford论文Shah模型论文统计形状先验知识论文水平集策略论文医学图像分割论文
摘要4-5
Abstract5-9
第1章 绪论9-16
1.1 探讨背景及内容9-12
1.2 探讨近况12-15
1.3 本论文的内容安排15-16
第2章 Mumford Shah 图像分割模型16-20
2.1 引言16
2.2 Mumford Shah 图像分割模型16-18
2.3 Mumford Shah 向量值图像分割模型18-19
2.4 小结19-20
第3章 水平集策略20-30
3.1 引言20-21
3.2 水平集策略概述21-26
3.2.1 曲线的水平集表示及演化21
3.2.2 水平集数值算法21-26
3.2.3 窄带水平集26
3.3 Mumford Shah 模型的水平集最优化算法26-29
3.4 小结29-30
第4章 形状统计浅析策略及其运用探讨30-50
4.1 引言30-33
4.2 统计浅析策略及运用33-44
4.2.1 线性统计浅析33-35
4.2.2 非线性统计浅析35-40
4.2.3 概率密度估计40-44
4.3 形状窄带水平集统计浅析策略44-48
4.3.1 形状的窄带水平集表达45-46
4.3.2 形状窄带水平集核空间主成分浅析46-48
4.4 小结48-50
第5章 集成非线性统计形状先验的 Mumford Shah 模型50-55
5.1 引言50
5.2 图像分割模型50-52
5.3 水平集数值算法52-54
5.4 小结54-55
第6章 青光眼病人视盘分割55-62
6.1 形状先验驱动的水平集曲线演化56-57
6.2 早期青光眼病人视盘分割57-60
6.3 中、晚期青光眼病人视盘分割60
6.4 小结60-62
总结与展望62-63