胰腺是人體內(nèi)的一個(gè)重要器官。隨著數(shù)字醫(yī)學(xué)的普及,計(jì)算機(jī)輔助診斷已成為可能。在計(jì)算機(jī)的幫助下分割胰腺可以大大提高醫(yī)生的工作效率。但是胰腺在醫(yī)學(xué)CT圖像中呈現(xiàn)出體積小,位置深的特點(diǎn),且胰腺與周圍的肝臟、腎臟等腹部器官沒有很好的灰度對比,使得胰腺在CT圖像中的邊緣不是很明顯。所以計(jì)算機(jī)借助于傳統(tǒng)的圖像分割方法難以準(zhǔn)確的分割出胰腺,本文研究了水平集方法用于胰腺圖像的分割,主要做了以下工作:（1）基于全局圖像信息的傳統(tǒng)水平集分割模型（CV模型）,在曲線的運(yùn)動過程中,需要通過重新初始化的過程以確保曲線運(yùn)動的穩(wěn)定性。為了提升CV模型中曲線的運(yùn)行效率,本文提出了改進(jìn)的CV模型,在傳統(tǒng)的CV模型中擬合了一個(gè)曲線面積項(xiàng)。通過改進(jìn)的CV模型對灰度均勻圖像的分割實(shí)驗(yàn),驗(yàn)證了本文提出的改進(jìn)CV模型確實(shí)能提升CV模型中曲線的運(yùn)動速度。（2）針對傳統(tǒng)的全局和局部信息的水平集分割模型（LGIF模型）在分割一些醫(yī)學(xué)圖像時(shí),需要調(diào)整全局信息項(xiàng)和局部信息項(xiàng)的權(quán)重,才能獲得較理想的分割結(jié)果。為了實(shí)現(xiàn)LGIF模型的自適應(yīng)分割,本文提出了一個(gè)自適應(yīng)函數(shù)用于實(shí)時(shí)衡量全局信息項(xiàng)和局部信息項(xiàng)的權(quán)重。通過擬合了自適應(yīng)函數(shù)的ALGIF模型... 

【文章來源】：昆明理工大學(xué)云南省

【文章頁數(shù)】：93 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文主要研究內(nèi)容與論文組織結(jié)構(gòu)
        1.3.1 論文主要研究內(nèi)容
        1.3.2 論文組織結(jié)構(gòu)
    1.4 文章小結(jié)
第二章 水平集方法的基礎(chǔ)理論
    2.1 理論基礎(chǔ)
    2.2 水平集方法
    2.3 基于區(qū)域信息的的水平集分割模型
        2.3.1 CV模型
        2.3.2 LBF模型
    2.4 本章小結(jié)
第三章 改進(jìn)的胰腺圖像分割方法
    3.1 改進(jìn)的CV模型
    3.2 結(jié)合反應(yīng)擴(kuò)散方法改進(jìn)的RD-LGIF模型
    3.3 改進(jìn)的ALGIF模型
        3.3.1 自適應(yīng)函數(shù)
        3.3.2 擬合自適應(yīng)函數(shù)的ALGIF模型
    3.4 本章小結(jié)
第四章 實(shí)驗(yàn)結(jié)果與討論
    4.1 實(shí)驗(yàn)環(huán)境與實(shí)驗(yàn)數(shù)據(jù)集
    4.2 結(jié)果評價(jià)說明
    4.3 傳統(tǒng)CV和LBF模型實(shí)驗(yàn)驗(yàn)證
        4.3.1 CV模型的實(shí)驗(yàn)
        4.3.2 LBF模型的實(shí)驗(yàn)
    4.4 改進(jìn)方法的實(shí)驗(yàn)結(jié)果
        4.4.1 改進(jìn)的CV模型
        4.4.2 改進(jìn)的RD-LGIF模型
            4.4.2.1 二維分割
            4.4.2.2 胰腺分割結(jié)果三維渲染
        4.4.3 改進(jìn)的ALGIF模型
            4.4.3.1 二維分割
            4.4.3.2 胰腺分割結(jié)果三維渲染
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 研究展望
致謝
參考文獻(xiàn)
附錄 A 攻讀碩士期間取得的學(xué)術(shù)成果
附錄 B 部分代碼



本文編號：3438249