【摘要】：目前,全球死亡的主要原因是缺血性心臟病,臨床常規(guī)的心臟磁共振成像診斷技術(shù),可以全面提供心臟組織關(guān)于形態(tài)學,組織表征,血流或灌注等信息,LGE-MRI(晚釓增強磁共振成像)是目前用于評估心肌活性的金標準。損傷組織根據(jù)T1加權(quán)成像,使造影劑出現(xiàn)不同程度的累積導致不同的增強效果,壞死組織具有高信號強度,而心肌的邊界幾乎不增強。已有研究表明LGE-MRI成像用于指導心肌梗死疾的預后管理治療的可行性,要實施這些發(fā)展起來的成像技術(shù),必須實現(xiàn)心肌梗死區(qū)域的重復和可靠分割。因此本文基于具有評估策略的數(shù)據(jù)集進行心室瘢痕組織分割系統(tǒng)的設(shè)計。由于LGE-MRI成像過程會受到潛在的外界噪聲干擾,因此圖像分割前的平滑預處理步驟十分關(guān)鍵,本文首先對基準圖像數(shù)據(jù)中手動分割出的心肌圖像文件和心肌瘢痕圖像文件的灰度分布進行特征提取,并對心肌圖像應(yīng)用了高斯濾波、雙邊濾波和基于形態(tài)學開閉運算的噪聲平滑技術(shù),得出經(jīng)形態(tài)學濾波處理的圖像更能有效保留圖像邊緣�？紤]到獲得的數(shù)據(jù)集中手工劃分出的心室內(nèi)外膜邊界區(qū)域可能會因為醫(yī)生先驗知識的不足而導致心肌邊緣的錯分,因此本文對基于灰度修正的圖像預處理過程進行了實現(xiàn),并將灰度修正預處理方法應(yīng)用于后文提出的區(qū)域生長分割,對經(jīng)灰度修正預處理前后區(qū)域生長分割的心肌瘢痕分割結(jié)果進行了定量分析,實驗驗證表明灰度修正能夠有效提高分割算法的性能。本文用于系統(tǒng)集成的分割方法主要包括Level Set(水平集)、Graph Cuts(圖割)、WaterShed(分水嶺)和區(qū)域生長分割算法來實現(xiàn)心肌瘢痕組織的分割,每一種分割算法的具體實現(xiàn)均融合了不同的圖像預處理過程。針對分割算法性能的評估,本文采用了實驗分析的方法,分別從Dice指數(shù)、Jaccard系數(shù)、Ravd系數(shù)和精召率等多個評價指標來對各分割算法的分割結(jié)果與手動分割出的金標準進行比較。各分割算法性能評估結(jié)果表明,融合了灰度修正的GraphCuts方法與基準分割能夠達到更好的一致性。本文分割系統(tǒng)的設(shè)計主要包括LGE-MRI圖像的文件管理、LGE-MRI圖像的降噪預處理、心室瘢痕組織的分割、基于體繪制方法的三維成像顯示,以及各分割算法分割結(jié)果的定量分析和直方圖統(tǒng)計分析。
[Abstract]:At present, the main cause of death in the world is ischemic heart disease, clinical conventional cardiac magnetic resonance imaging diagnosis technology, can provide a comprehensive heart tissue about morphology, tissue characterization, blood flow or perfusion and other information. LGE-MRI (late gadolinium enhanced magnetic resonance imaging) is the current gold standard for assessing myocardial activity. According to T1-weighted imaging of injured tissue, the accumulation of contrast agent in different degree leads to different enhancement effect. The necrotic tissue has high signal intensity, but the boundary of myocardium is hardly enhanced. It has been shown that LGE-MRI imaging is feasible to guide the prognosis management of myocardial infarction disease. In order to implement these developed imaging techniques, repeated and reliable segmentation of myocardial infarction area must be realized. Therefore, the system of ventricular scar tissue segmentation is designed based on the data set with evaluation strategy. Because the LGE-MRI imaging process will be disturbed by the potential external noise, the smoothing preprocessing step before image segmentation is very important. In this paper, firstly, the grayscale distribution of the myocardial image file and the myocardial scar image file are extracted, and Gao Si filter is applied to the myocardial image. Bilateral filtering and noise smoothing technology based on morphological open and close operation show that the image processed by morphological filtering is more effective to preserve the edge of the image. Considering that the boundary region of ventricular inner and outer membrane can be divided manually by the acquired data set, the defect of medical prior knowledge may lead to the misclassification of myocardial edge, so the image preprocessing process based on gray correction is implemented in this paper. The gray correction pretreatment method is applied to the region growth segmentation proposed later. The segmentation results of myocardial scar growth before and after the gray correction pretreatment are quantitatively analyzed. Experimental results show that gray level correction can effectively improve the performance of the segmentation algorithm. In this paper, the segmentation methods for system integration mainly include Level Set (horizontal set), Graph Cuts (map cut), WaterShed (watershed) and region growth segmentation algorithm to achieve myocardial scar tissue segmentation. The implementation of each segmentation algorithm integrates different image preprocessing processes. In order to evaluate the performance of the segmentation algorithm, this paper uses the method of experimental analysis, from the Dice index, Jaccard coefficient, Ravd coefficient and precision rate and other evaluation indicators to compare the segmentation results of each segmentation algorithm with the gold standard of manual segmentation. The performance evaluation results of each segmentation algorithm show that the fusion of gray level modified GraphCuts method and benchmark segmentation can achieve better consistency. The design of this segmentation system mainly includes the file management of LGE-MRI image, the pre-processing of LGE-MRI image, the segmentation of ventricular scar tissue, and the 3D imaging display based on volume rendering method. Quantitative analysis and histogram statistical analysis of segmentation results of each segmentation algorithm.
【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：R445.2;TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 趙希梅;潘振寬;魏偉波;周國民;;基于對稱區(qū)域生長和邊緣梯度的視神經(jīng)纖維的分割[J];中國生物醫(yī)學工程學報;2009年06期

2 王雷;高欣;張桂芝;;形態(tài)膨脹的3D區(qū)域生長氣管分割算法[J];生物醫(yī)學工程學雜志;2013年04期

3 稅雪;劉奇;;基于區(qū)域生長超聲圖像分割血管邊界反映血管病變[J];中國組織工程研究與臨床康復;2011年30期

4 賀向前;鄧世雄;甘平;周麗華;;基于K-均值和區(qū)域生長計算法醫(yī)損傷面積[J];重慶醫(yī)科大學學報;2009年05期

5 李翠芳;任彥華;王遠軍;聶生東;;基于CT圖像的肺氣管樹3D分割方法的研究[J];中國醫(yī)學物理學雜志;2011年05期

6 姜紅;王利;張兆臣;;ITK在醫(yī)學圖像區(qū)域生長分割中的應(yīng)用[J];中國醫(yī)學裝備;2008年11期

7 江少鋒;陳武凡;馮前進;楊素華;;序列顱腦CT圖像顱腔內(nèi)結(jié)構(gòu)自動化提取及分割[J];南方醫(yī)科大學學報;2007年12期

8 胡曉飛;胡棟;;顱內(nèi)出血CT圖像血塊的分割算法[J];中國體視學與圖像分析;2006年03期

9 周震;馬斌榮;;結(jié)合水平集和區(qū)域生長的腦MR圖像分割[J];北京生物醫(yī)學工程;2007年01期

10 宋曉;程明;王博亮;黃紹輝;黃曉陽;;置信連接的自動肝臟分割方法[J];計算機輔助設(shè)計與圖形學學報;2012年09期

相關(guān)會議論文 前10條

1 張馨;趙源萌;鄧朝;張存林;;基于區(qū)域生長的被動式太赫茲圖像分割算法研究[A];第十屆全國光電技術(shù)學術(shù)交流會論文集[C];2012年

2 渠文平;朱珍德;;基于數(shù)字圖像區(qū)域生長的巖石裂隙識別初探[A];第一屆全國水工巖石力學學術(shù)會議論文集[C];2005年

3 郭世可;董槐林;龍飛;張海波;;一種結(jié)合密度聚類和區(qū)域生長的圖像分割方法[A];第二十四屆中國數(shù)據(jù)庫學術(shù)會議論文集（研究報告篇）[C];2007年

4 王勝軍;黃艷;岳勇;康雁;;一種自適應(yīng)區(qū)域生長的CTA血管分割算法[A];中國生物醫(yī)學工程學會成立30周年紀念大會暨2010中國生物醫(yī)學工程學會學術(shù)大會壁報展示論文[C];2010年

5 魏津瑜;施鶴南;蘇思沁;;基于改進算法的自動種子區(qū)域生長圖像分割[A];2013年中國智能自動化學術(shù)會議論文集（第五分冊）[C];2013年

6 盛葉鵬;張明;李少青;歐陽海燕;王磊;;基于區(qū)域增長的集成電路解剖照片分割方法研究[A];第十六屆計算機工程與工藝年會暨第二屆微處理器技術(shù)論壇論文集[C];2012年

7 周學成;羅錫文;嚴小龍;;基于閾值分析與區(qū)域生長相結(jié)合的根系CT序列圖像分割算法[A];農(nóng)業(yè)工程科技創(chuàng)新與建設(shè)現(xiàn)代農(nóng)業(yè)——2005年中國農(nóng)業(yè)工程學會學術(shù)年會論文集第三分冊[C];2005年

8 王偉;張明;朱青山;王磊;徐長明;李少青;;一種基于芯片解剖照片的IP核侵權(quán)鑒定方法[A];第十六屆計算機工程與工藝年會暨第二屆微處理器技術(shù)論壇論文集[C];2012年

9 徐勇;郭毓;陶芬;;基于灰度積分投影與區(qū)域生長的人眼定位方法[A];2009年中國智能自動化會議論文集（第三分冊）[C];2009年

10 陸成剛;陳剛;張但;閔春燕;;圖像邊緣的優(yōu)化模型[A];'2002系統(tǒng)仿真技術(shù)及其應(yīng)用學術(shù)論文集（第四卷）[C];2002年

相關(guān)重要報紙文章 前1條

1 吳飛;無邊距照片打印三部曲[N];中國電腦教育報;2003年

相關(guān)博士學位論文 前10條

1 梁福來;低空無人機載UWB SAR增強成像技術(shù)研究[D];國防科學技術(shù)大學;2013年

2 周靜;基于憶阻器的圖像處理技術(shù)研究[D];國防科學技術(shù)大學;2014年

3 賈茜;基于時—空域插值的圖像及視頻上采樣技術(shù)研究[D];武漢大學;2014年

4 李照奎;人臉圖像的魯棒特征表示方法研究[D];武漢大學;2014年

5 郝紅星;基于干涉相位圖像構(gòu)建數(shù)字高程模型的關(guān)鍵技術(shù)研究[D];國防科學技術(shù)大學;2014年

6 楊小義;圖像特征識別算法及其在聾人視覺識別中的應(yīng)用研究[D];重慶大學;2015年

7 王玉明;SAR圖像地雷場檢測技術(shù)研究[D];國防科學技術(shù)大學;2013年

8 溫景陽;圖像大容量、低失真可逆信息隱藏技術(shù)研究[D];蘭州大學;2015年

9 李林;基于概率圖模型的圖像整體場景理解方法研究[D];電子科技大學;2014年

10 馮景;基于SAR圖像的海面溢油檢測研究[D];北京理工大學;2015年

相關(guān)碩士學位論文 前10條

1 趙海偉;路面裂縫三維檢測算法研究[D];長安大學;2015年

2 秦利斌;視頻監(jiān)控中的時空顯著目標跟蹤[D];蘇州大學;2015年

3 李源韜;基于K-Means與區(qū)域生長的ROI圖像分割算法[D];南昌大學;2015年

4 李利;印鑒鑒別系統(tǒng)的設(shè)計與實現(xiàn)[D];電子科技大學;2014年

5 陳河軍;融合邊緣與區(qū)域生長的彩色圖像分割算法研究[D];浙江工業(yè)大學;2015年

6 王華松;一種基于種子點區(qū)域生長的彩色圖象分割算法[D];河南大學;2015年

7 郭杰龍;CT圖像的腹部血管三維分割[D];中南民族大學;2015年

8 趙許平;惡性腫瘤智能放療生物靶區(qū)勾畫系統(tǒng)研發(fā)[D];湖南大學;2015年

9 彭雙;三維CT影像中肺氣管樹分割算法研究[D];湖南大學;2015年

10 張宏偉;高分辨率影像中農(nóng)村道路提取方法研究[D];重慶大學;2016年

，

本文編號：2401711