一种医学图像研究的新方法——水平集方法.docVIP

　　一种医学图像研究的新方法——水平集方法 --第一章绪论 1.1研究背景和意义 几十年来，医学成像技术一直迅猛发展，以此为基础的医学图像研宄已经成为一个热点课题。作为基本素材的医学图像，其作用也从传统的解剖结构的可视观察，发展到对病灶区域的自动化准确定位、分割、特征参数提取等处理，以提供患者全面与准确的的各种定量和定性数据，从而有力支持诊断医师开展可能的模拟手术、术间导航、放射治疗、进展跟踪及计算机辅助诊断等。开展医学图像处理的研宄，对改善医疗成像数据的利用价值，减少临床误诊的概率，都具有深远的意义。 图像分割可以通俗理解为：依据区域内的相似性和区域间的差异，将图像分成若干个彼此相互独立的子区域。基本目标就是将图像中含有不同语意的区域分割开来，这些区域互不相交，应满足各自区域的一致性。图像分割是一种基本的计算机视觉技术，是介于低层图像处理到高层图像分析中的关键步骤。实现有效、合理、快速的图像分割，能够提供给基于内容的图像检索、物体识别及追踪、对象分析、场景描述等等应用非常有用的信息，从而使更高级别的图像理解变成可能。 同样地，在医学图像处理、分析与理解中，医学图像分割也是该领域的关键技术。对于医学图像而言，分割意味着根据目标区域与背景的不同性质，如灰度、I纹理等信息，把图像中的某些像素记为特定组织或者器官的过程。医学图像分割在医学图像研究方面具有十分重要的意义：是图像配准、三维重建、计算机辅助诊断等的前提条件，为某一指定的目标组织结构或器官系统提供准确可靠的特征参数，如几何的、病理的、统计的参数，建立相应的信息数据库，从而为诊断医师提供有价值的参考资料。同时，医学图像分割的结果，也可以用于组织或器官三维模型的重建，实现立体可视化，特别是如日益肆虐的肿瘤，进而为后续可能的放疗、化疗、外科手术、图像引导手术等定位目标。 1.2研究现状 一直以来，图像分割都是图像处理、分析与理解、模式识别和计算机视觉中的热点，巳经有许多研究人员为此付出了巨大的努力，发表了相当数量的研宄成果和方法，但是迄今为止并未找到一种普遍适用的算法，也没有一套评价分割结果好坏的客观标准。因此，现在一般认为，图像分割是计算机视觉中的一个瓶颈，一个研宄以来的经典难题。根据利用特征和性质的不同，图像的分割技术主要可以分为两个大类。第一类是边缘方法，首先通过像素间灰度或颜色等的不连续性，检测到图像中存在的各种边缘，然后再对边缘进行合并连接（包括删除、增加边界），最终形成有实际意义的闭合的边界线。常见的方法主要有各种边缘检测算子，如简单梯度算子、Roberts算子、Sobel算子和Canny算子等，以及基于曲面拟合的边缘检测方法等。另一类是区域方法，由于分割时一般认为相同区域的像素应有一定的相似性，而不同区域的像素则有一定的差异，于是可以通过比对区域的相似程度来进行分割，常见的方法如直接域值分割、区域生长、分类器算法等。最近几年，随着概率统计模型、模糊集理论、人工神经网络、网络流最小割理论和数学形态学的进一步发展，人们将其与图像分割要求相结合，也陆续提出了一些新的分割算法，例如基于模糊聚类的分割FCM、基于网络流的图割(Graph Cuts) 、以及基于神经网络的分割。 特别地，医学图像分割是图像分割问题中比较困难的一部分。这是因为医学图像中，包含了大量的、与分割不太相关的的组织和器官结构，图像过于繁杂，如脑部MRI图像、胸部CT图像、眼底血管焚光造影、胸部透视图像……，它们之间的差别很大，所要分割出来的目标区域，其特征的变化也很多，均一性不显著。其次，由于人体组织与器官系统包括各种各样的种类，且结构也颇为复杂，导致医学图像没有统一的模式，即使是同一种医学图像，例如胸部CT图像，对于不同的患者而言，他们的CT图像中病灶区域也呈现出多种多样的变化，如位置、形状、大小、灰度等级等，难以找到单一的特征。然而对诊断有价值的正是这部分病灶区域，要将一般患者CT图像中的病灶区域分割出来，依然是当前的一个难点。另外由于受到成像技术和设备条件的限制，医学图像往往边界不清晰，噪声较大，这也给分割造成了一定的困难。归咎于医学图像的复杂与多样，当下的医学图像分割方法，大多是只针对某个具体任务而言的。目前对于医学图像的分割问题，仍然没有找到一种合适的方法可以适用于各种医学图像，并且，对于复杂的医学图像来说，目前的分割方法造成的误差也较大。因此，有必要针对医学应用领域，对图像分割方法进行更为广泛和深入的研宄。 上世纪80年代，美国加利福尼亚大学的教授Osher和Sethian发现，利用参数曲线或参数曲面，难以完成对火焰形状和拓扑结构的动态描述。为了能够较好的表示这种复杂运动下的界面，Sethian首次采用的一个关键性技术就是变分法，也就是说，先分析具体的变分问题，然后得到一组控制