自動上下文模型在三維CT肝臟圖像分割中的應用研究.pdf

1、我國是肝病高發(fā)國家，肝臟手術是各種常見肝臟良惡性疾病的主要治療方法之一。而肝臟手術前的計算機輔助手術規(guī)劃則是肝臟手術的重要環(huán)節(jié)，對后續(xù)的臨床手術起重要的指導作用。肝臟圖像的分割、肝臟圖像的三維重建以及肝臟容積的測量等都是計算機輔助肝臟手術規(guī)劃中的重要步驟。其中從醫(yī)學影像中將肝臟組織準確地分割出來，是計算機輔助肝臟疾病診斷與手術規(guī)劃中一個基礎且至關重要的步驟。在各種各樣的醫(yī)學成像技術中，計算機斷層掃描(CT)圖像由于比較高的信噪比，以及較

2、好的空間分辨率，在計算機輔助診斷與手術規(guī)劃中經常被采用。
　　然而，由于肝臟組織與周邊相鄰器官之間高度的亮度相似性、肝臟形狀的高度差異性、病灶的存在等，從CT圖像中將肝臟分割出來是一項具有挑戰(zhàn)性的任務。目前臨床應用的系統普遍采用手動分割，這樣的工作是相當乏味且耗時的。因此，適合臨床應用，快速準確的三維CT肝臟全自動分割或交互式分割方法的研究是非常有意義的。在學習和研究現有的三維CT肝臟圖像分割方法的基礎上，本文引入機器視覺領域最新

3、的自動上下文模型(Auto-contextModel)，對自動上下文模型在三維CT肝臟圖像分割中的應用做了較為深入的研究和探討。本文的主要工作和貢獻如下:
　　廣泛閱讀當前肝臟圖像分割的相關文獻，對三維CT肝臟圖像分割近年來研究的現狀以及主流的方法進行整理和歸納，同時深入研究了自動上下文模型的原理、公式與應用，為將自動上下文模型應用到三維CT肝臟圖像分割領域奠定基礎。
　　提出了一種新穎的尺度不變自動上下文算法，該算法是最近

4、提出來的自動上下文算法的改進算法。原先的自動上下文算法因為根據固定的徑向序列采樣上下文位置，從而對大的尺度變化非常敏感。為了取得尺度不變性，尺度不變自動上下文算法嘗試得到圖像的尺度。對于不同尺度的圖像，采用不同采樣間隔的徑向序列進行上下文位置采樣。在尺度不變自動上下文算法的每一次迭代過程中，采用當前得到的分類映射去估計圖像尺度，然后采用相應采樣間隔的徑向序列去選擇上下文位置。算法迭代直到收斂。本文將提出的尺度不變自動上下文算法應用到幾個

5、經典的圖像分割和標記任務，實驗結果表明，當存在大的對象尺度變化時，尺度不變自動上下文算法跟原先的自動上下文算法相比，分割結果有顯著的改善。
　　提出了采用自動上下文學習算法結合水平集方法，對三維CT肝臟圖像進行分割。給定一套三維腹部CT訓練圖像集以及對應的肝臟手動標記結果，先進行學習:首先對所有腹部CT圖像做仿射變換，配準到其中一個典型圖像（肝臟手動標記結果也做相應的對齊）。然后對于所有配準后腹部圖像的每個體素，提取基于圖像塊的三

6、維圖像特征和基于分類映射的三維上下文特征。最后采用自動上下文模型進行訓練(label已知)，得到分類器。給定一待分割三維腹部CT圖像，首先將它配準到訓練集中典型圖像空間，然后對配準后圖像的每個體素進行特征提取，輸入自動上下文分類器，從而得到肝臟分割概率映射，最后采用水平集(CV模型)進行后處理，得到最終的肝臟分割結果。實驗結果表明，該方法在三維CT肝臟圖像分割中取得了很好的效果。
　　提出了一種基于自動上下文模型、多圖譜與改進均值

7、平移技術的三維CT肝臟圖像自動分割方法。該方法是一種基于學習的方法，可以分為兩個階段。第一階段，即學習階段，采用自動上下文模型在每一個圖譜空間構造一個分類器序列。采用多個圖譜，可以取得多個分類器序列。第二階段，即分割階段，首先采用每一個圖譜空間的分類器序列對待分割圖像進行分割，然后采用基于模糊積分的多分類器融合技術對多個圖譜空間的分割結果進行融合。特別地，為了加速分割，給定一待分割圖像，首先采用改進的均值平移技術進行過分割，然后實現區(qū)域

8、級的圖像標記。本文采用MICCAI2007肝臟分割挑戰(zhàn)賽提供的數據庫來評估提出的自動肝臟分割方法。實驗結果顯示，本文提出的方法，不管是準確率還是效率方面，與肝臟圖像分割領域最近提出的一些具有代表性的工作具有可比性。
　　提出了一種新的活動輪廓算法，即層次的上下文活動輪廓，并將其應用于三維CT肝臟圖像分割。層次的上下文活動輪廓是一種基于機器學習的算法，可以分為兩個階段。第一階段，即學習階段，給定一套腹部三維CT訓練圖像以及對應的手動

9、肝臟分割結果，利用上下文特征將每次的自動分割結果向手動參考分割結果映射，迭代學習得到一組糾錯分類器。第二階段，即分割階段，首先將待分割圖像用基本的活動輪廓進行分割;分割結果輸入第一個糾錯分類器，輸出第一個形狀模型，然后結合圖像信息和當前形狀模型，采用上下文活動輪廓進行再一次分割;得到的分割結果輸入第二個糾錯分類器，輸出第二個形狀模型，結合圖像信息和當前形狀模型，再次采用上下文活動輪廓進行分割。如此迭代分割，隨著形狀模型的逐步精確，最終可