论文部分内容阅读
医学图像分割在临床诊断和手术规划中都占据着至关重要的地位,肺癌和肝癌作为现阶段常见的恶性肿瘤,精确的肺肿瘤区域和肝脏区域分割一直是研究的热点。CT图像因其较高的空间分辨率和高信噪比而被广泛应用于临床检查中。CT图像在应用于肺肿瘤区域分割时,由于CT图像缺少功能信息,所以肺肿瘤区域仅依靠CT图像难以辨别,而PET作为一种功能性成像技术,肺肿瘤区域在PET图像中较为明显,但PET图像分辨率较低,仅依靠PET图像难以精确检测肺肿瘤区域边界。CT图像在应用于肝脏区域分割时常面临着肝脏与相邻器官对比度低和肝脏个体间差异较大的问题。考虑到肺肿瘤图像和肝脏图像分割中存在的上述问题,本文以随机游走和图割算法为基础,对肺肿瘤图像分割和肝脏图像分割展开了研究。本研究的主要工作如下:(1)针对CT和PET单模态图像应用于肺肿瘤区域分割时存在边缘缺失、分割精度低的问题,提出了一种带约束的随机游走多模态图像分割方法,同时利用PET图像的功能信息和CT图像的结构信息完成分割。首先使用区域生长法和数学形态学法对PET图像进行预分割获取初始轮廓。初始轮廓用于获取PET和CT图像随机游走所需的种子点,同时作为约束加入到CT图像的随机游走过程中;依据CT图像解剖特征较强的特点,利用CT解剖特征改进PET图像上随机游走的权值;最终将PET和CT图像上随机游走所获得的相似度矩阵进行加权在PET和CT图像上获得一个相同的分割轮廓。实验表明,本方法在肺肿瘤区域分割上相较于其他传统分割算法具有更高的精确度和稳定性。(2)针对CT图像中肝脏区域与周围器官对比度低和肝脏个体间差异较大的现象,本文结合改进U-Net卷积神经网络模型和图割算法对肝脏CT序列图像进行分割。首先利用改进U-Net模型对肝脏图像进行训练,使用训练好的改进U-Net模型分割图像获得网络最后一层的概率分布图,然后利用序列图像的上下文信息和概率分布图构建图割算法所需的能量函数,最后通过最小化能量函数来完成分割,获得最终的分割结果。实验表明,本方法在面对肝脏区域与周围器官对比度较低而导致的边界较为模糊的现象时,能够更加精确地分割出肝脏区域。