30000字硕士毕业论文医学成像硕士论文——基于ITK的磁共振脑组织图像分割方法研究

论文类型：硕士毕业论文

论文字数：30000字

论点：算法,分割,图像

论文概述：

对十有病变的脑组织，图像分割的任务还在十将非正常组织如肿瘤等从正常组织中分割出来。作者查阅大量文献，发现:m对MR图像分割的方法主要有:①ITK下，采用连续闽值区域生长算法和K-Mean

论文正文：

前言          自从伦琴189_5年发现X射线以来，伴随着医学科技的迅猛发展，传统的医学影像技术及诊断方式发生了革命性的变化一一医学影像的数字化、无胶化及有边界或无边界的PACS查询、传输、浏览、共享及远程诊断已经成为现实并目_在二级以上医院得到普遍应用。现代医学影像检查手段主要包括:平片(plainfilm)、乳腺摄影(mammography)、计算机X线摄影(ComputedRadiography,CR)、数字X线摄影(DigitalRadiography,DR)、数字减影血管造影(DigitalSubtractionAngiography,DSA)、计算机X线断层摄影(ComputedTomography,CT),磁共振成像(MagneticResonanceImaging,MRI)·超声成像(UltrasoundImaging,USI)、单光子发射型计算机体层摄影(SinglePhotoEmissionComputedTomography,SPECT)、正电子发射型计算机体层摄影(PositronEmissionComputedTomography,PECT)等。较之其他医学成像模式，MR成像有如下特点:能多方位成像，可以直接做出横断面、矢状面、冠状面及各种斜面的体层摄影;能多参数成像;不需注射造影剂;无电离辐射;无放射线损害;无骨性伪影;具有高度的软组织分辨能力。特别适合脑组织成像，对脑组织病变的检查效果最佳。正常脑组织图像分割的目的在十将白质、灰质和脑室等结构分割出来。         对十有病变的脑组织，图像分割的任务还在十将非正常组织如肿瘤等从正常组织中分割出来。作者查阅大量文献，发现:m对MR图像分割的方法主要有:①ITK下，采用连续闽值区域生长算法和K-Means聚类算法对PNG格式「’]的MR脑图像进行分割、提取脑组织。②采用区域生长方法[f2l对MR图像中的头皮和头骨进行剔除。③采用模糊C一均值聚类算法((FCM)}3-13]、马尔可夫场随机场(MRF)模型[9,1“一’“]、模糊连接度[9,12,17,181、Gibbs随机场理论[11,13]、分水岭算法[19]、模糊神经网络[20,101、EM算法[16,21,22]、水平集[23-29]、K一最近邻规则[30]对MR脑图像进行分割比较。未见ITK下，采用连续闽值区域生长算法和K-Means聚类算法对DICOM格式的MR脑图像进行分割、提取脑组织的研究。(2)非MR脑组织提取的区域生长分割算法的生长准则主要有:①使相邻像素的灰度值与种子点的灰度值之差的绝对值少十等十一个求得的最佳分割闽值:Lf}x}Y}-.f}xo}Yo川丛T[2,31,32]②使用模糊连接度「33]o③是边缘线上的点[[34]。未见ITK下，采用连续闽值作为生长准则的区域生长算法对MR脑图像进行分割、提取脑组织的研究。(3)K-Means聚类算法:OOUCI数据库是一个专门用十测试分类、聚类算法的国际通用数据库。采用UCI中的相关数据库及Web用户数据集HWU1和HWU2，用原始的和自己改进的K-Means算法处理完数据库中的各个数据之后，比较运行时间、聚类准确率、算法的性能及稳定性[[35,36]②使用Matlab中的随机函数unidrnd()生成n个初始点作为数据集[37]③其他方法选取数据集[3s}④采用Matlab或VisualC++编程环境对非MR脑图像进行基十改进的K-Means算法的仿真实验，验证算法的有效性和正确性[[39,40]。未见ITK下，采用K-Means算法对MR脑图像进行分割、提取脑组织的研究。综上所述，国内外文献中未见ITK下，采用连续闽值区域生长算法和K-Means聚类算法对DICOM格式的MR脑图像进行分割、提取脑组织的报道。         课题实验是利用ITK编程，半自动分割采用连续闽值区域生长算法、自动分割采用K-Means聚类算法[[41]分别对一个序列中的诸DICOM格式的MR脑图像进行分割，提取出白质、灰质、脑室等结构。实验中区域生长算法的判定准则是由用户提供的待分割区域的最低闽值Lower及最高闽值Upper组成的一个灰度值闭区间[[Lower,Upper]组成，若邻近像素的灰度值落在该区间内，区域生长算法就会将该像素包含入该生长区域。另外，磁共振T1加权像上皮下脂肪及板障呈白色，灰度值最高。对十不包含脑室的图像，其正常脑组织包括:白质和灰质;对十包含脑室的图像，其正常脑组织结构包括:白质、灰质和脑室。所以课题实验对不包含脑室的图像进行四分类K-Means聚类分割;对包含脑室的图像进行五分类K-Means聚类分割。现代医疗对医学影像技术的应用己经不再仅限十单纯的阅读影像图片等一般性的操作，人们开始以所获得的图像为基础，融合各种先进技术，从更广泛的角度分析和处理图像，力求挖掘更深层次的信息，为诊断和治疗提供更加详实可靠的依据。在处理和分析医学图像的各种技术中，既包含图像分割、特征提取、二维重建等基础性内容，也包含了计算机辅助诊断，虚拟外科手术，手术导航等实际的应用内容「42]准确的把各部分脑组织结构从图像中分割出来是获取脑组织细节性及                            参考文献[1]Luis  Ibanez,Will Schroeder,Lydia Ng,et a1.The ITK Software  Guide:TheInsight Segmentation and Registration Toolkit (version  1.4)[M].Kitware,Inc.Publisher,2003.陈通.基于区域生长算法的MR脑组织图像半自动提取力一法[J].科技资讯，2006,34:168一169.Zhu C,Jiang T.Mufti一context fuzzy clustering for separation of brain tissuesin MR images[J].NeuroImage,2003，18(3):68_5一696. Liew AWC,Yan H.An adaptive spatial fuzzy clustering algorithm for 3一D MR image segmentation[J].IEEE Trans.on Medical Imaging,2003,22(9):1063-1075.Ahmed MN,Yamany SM.A modified fuzzy C一means algorithm for bias fieldestimation  and  segmentation  of  MRI  data[J].IEEE  Trans.on  MedicalImaging,2002,21(3):193一199.   Pham DL,Prince JL.Adaptive fuzzy  segmentation of magenetic resonac images[J].IEEE Trans.on Medical Imaging,1999，18 (9):737一7_52.    中文摘要 4-5 英文摘要 5-6 符号说明 7-8 前言 8-11 材料与方法 11-41 结果 41-65 讨论 65-67 结论 67-68 参考文献 68-74 附录 74-80 致谢 80-81