腦血管意外（CVA）,通常稱為中風(fēng),是一種急性血管疾病,其可形成腦組織突然破裂或腦血管阻塞,導(dǎo)致腦組織損傷。中風(fēng)的主要后果包括急性發(fā)作,高殘疾和死亡率。因此,中風(fēng)的早期診斷對于患者預(yù)防疾病的發(fā)展特別重要。醫(yī)學(xué)影像分割是對腦卒中影像進(jìn)行準(zhǔn)確分析的關(guān)鍵,因?yàn)榉指羁梢灾苯犹岣吆罄m(xù)任務(wù)的有效性和效率。因此,研究人員一致致力于腦卒中影像的分割研究。在中風(fēng)的急性期,通常使用低分辨率CT掃描和結(jié)構(gòu)MRI（例如T2加權(quán),FLAIR,彌散加權(quán)和灌注加權(quán)MRI）進(jìn)行臨床分析。對于慢性期,高分辨率T1（T1w）加權(quán)磁共振成像更適合評估腦結(jié)構(gòu)變化。但是,目前基于T1w大規(guī)模神經(jīng)影像學(xué)的自動標(biāo)記慢性中風(fēng)病變的研究很少。因此,對T1w自動分割的研究至關(guān)重要。腦圖像分割技術(shù)的發(fā)展經(jīng)歷了幾個(gè)階段。以前在醫(yī)學(xué)影像分割中使用手動操作,依賴訓(xùn)練有素的專家手動分割出病變。但是,此手動過程非常耗時(shí),且嚴(yán)重依賴于專家的主觀感知。在此之后,已經(jīng)開發(fā)了一系列半自動和全自動分割方法,包括傳統(tǒng)的算法和基于機(jī)器學(xué)習(xí)的方法。半自動分割使用人和計(jì)算機(jī)的交互信息進(jìn)行處理,例如基于區(qū)域增長模式的算法,由專家選擇區(qū)域,然后由計(jì)算機(jī)進(jìn)行分割。與手動分... 

【文章來源】：中國科學(xué)院大學(xué)(中國科學(xué)院深圳先進(jìn)技術(shù)研究院)廣東省

【文章頁數(shù)】：87 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．１圖像灰度一維直方圖??Ｆｉｇｕｒｅ?２．１?Ｉｍａｇｅ?ｇｒａｙ?ｏｎｅ－ｄｉｍｅｎｓｉｏｎａｌ?ｈｉｓｔｏｇｒａｍ??不同的閾值分割方法在算法流程上存在一定差異，典型的方法一般先確定分??

?慢性期腦卒中病變分割方法???迭代閾值分割等。下面進(jìn)行簡要的介紹。??爐廁??ｗｍＭｔ??￥丨＼．?１??■ｉ?ｍＨＩ??圖２．２對圖像使用不同閾值后的結(jié)果。左上角為原始圖像，其余為閾值分割圖像。??Ｆｉｇｕｒｅ?２．２?Ｔｈｅ?ｒｅｓｕｌｔ?ｏｆ?ｕｓｉｎｇ?ｄｉｆｆｅｒｅｎｔ?ｔｈｒｅｓｈｏｌｄｓ?ｆｏｒ?ｔｈｅ?ｉｍａｇｅ．?Ｔｈｅ?ｕｐｐｅｒ?ｌｅｆｔ?ｃｏｍｅｒ?ｉｓ?ｔｈｅ??ｏｒｉｇｉｎａｌ?ｉｍａｇｅ，?ａｎｄ?ｔｈｅ?ｒｅｓｔ?ａｒｅ?ｔｈｅ?ｔｈｒｅｓｈｏｌｄ?ｓｅｇｍｅｎｔｅｄ?ｉｍａｇｅｓ．??Ｏｔｓｕ閾值分割，也稱為大津法或最大類間方差法［２８］。顧名思義，該方法把??圖像劃分為兩部分，通過方差的計(jì)算來尋找一個(gè)最佳的閾值，所以該方法可用于??圖像的二值化。當(dāng)類間方差最大，類內(nèi)方差時(shí)，算法選到最佳閾值，使分錯的可??能性達(dá)到最校在求圖像全局閾值的方法中是最佳方法，應(yīng)用極為廣泛，能勝任??絕大多數(shù)求圖像全局閾值的場合。該方法計(jì)算快速，不受圖像亮度和對比度的影??響，但是對圖像噪聲敏感，只能處理單目標(biāo)。當(dāng)目標(biāo)較多或者目標(biāo)與背景面積差??異較大時(shí)，類間方差函數(shù)可能出現(xiàn)非單峰情況，分割結(jié)果不佳。??最大熵閾值分割法［２９］與最大類間方差法相似，都是假設(shè)將圖像分為兩部分，??即背景和前景。熵表示信息量，圖像信息量越大，熵就越大，當(dāng)選定的閾值使得??劃分的兩部分熵之和最大時(shí)，該算法就找到了最佳閾值。算法在處理光影變化過??大或者一定范圍內(nèi)顏色差異不太明顯的圖片時(shí)具有一定的優(yōu)勢。??迭代閾值分割算法是基于雙峰法的改良版本，逐步靠近最佳閾值的是它的核??８??

?第２章常見圖像分割方法概述???式和相應(yīng)的結(jié)果很容易概念化，這使相對不熟練的用戶在第一次嘗試時(shí)就可以實(shí)??現(xiàn)良好的分割。這些基于區(qū)域的方法效率都不高，且需要較高的先驗(yàn)知識來初始??化算法。??２．１．４基于圖論的分割方法??基于圖論的方法主要是將圖像建立成一個(gè)圖，利用圖理論中的劃分方法將圖??中的節(jié)點(diǎn)進(jìn)行劃分，從而分割原始圖像。具體來說是把圖像中的像素當(dāng)做圖的節(jié)??點(diǎn)，節(jié)點(diǎn)之間使用帶有權(quán)值的邊進(jìn)行連接。一般使用無向圖作為模型，即邊是無??向的，如圖２．６所示。邊的權(quán)值由像素之間的顏色，灰度和紋理相似度決定�；�??于圖論的一些經(jīng)典的方法主要包括圖割［３５］、最小支撐樹［３６］、隨機(jī)游走［３７］等方法。??這些方法也有一定的局限性：在遇到模糊邊界和椒鹽噪聲時(shí)魯棒性較低，且實(shí)時(shí)??性不高。主要原因是由于圖論方法原有的缺點(diǎn)，對于相似性數(shù)據(jù)區(qū)分能力較弱。??ｗ３?ｗ４?ｗ５??ｗ８?Ｗ９?Ｗ１０??圖２．６無向圖。Ｖｉ表示節(jié)點(diǎn)，Ｗｉ表示邊的權(quán)值。??Ｆｉｇｕｒｅ?２．６?Ｕｎｄｉｒｅｃｔｅｄ?ｇｒａｐｈ．?Ｖｉ?ｒｅｐｒｅｓｅｎｔｓ?ｎｏｄｅｓ?ａｎｄ?Ｗｉ?ｒｅｐｒｅｓｅｎｔｓ?ｗｅｉｇｈｔｓ?ｏｆ?ｅｄｇｅｓ．??２．２基于深度學(xué)習(xí)的圖像語義分割??傳統(tǒng)的圖像處理方法雖然過程簡單，但是需要先驗(yàn)知識（精心設(shè)計(jì)或選擇的??特征）。由于這些手工特征在數(shù)量和復(fù)雜度上不占據(jù)優(yōu)勢，在表征圖像上局限性??很大，因此對于高精度要求的復(fù)雜任務(wù)來說難免有些吃力。近來神經(jīng)網(wǎng)絡(luò)在圖像??領(lǐng)域取得了較好的效果，尤其是卷積神經(jīng)網(wǎng)絡(luò)。它不需要手工設(shè)計(jì)特征，而是使??用卷積和池化等一系列操作提取圖像特征，并根據(jù)具體任務(wù)設(shè)計(jì)相應(yīng)的損失函

【參考文獻(xiàn)】：
期刊論文
[1]圖像分割算法研究綜述[J]. 何俊,葛紅,王玉峰.  計(jì)算機(jī)工程與科學(xué). 2009(12)
[2]附有條件的最小支撐樹算法[J]. 厙向陽,羅曉霞.  西安科技大學(xué)學(xué)報(bào). 2008(04)



本文編號：3135329