基于图论医学图像分割研究

《基于图论医学图像分割研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于图论的医学图像分割研究MedicalImageSegmentationStudyingBasedonGraphTheory作者姓名孙乔博学位类型学历硕士学科、专业信号与信息处理研究方向数字图像分析与处理导师及职称詹曙副教授2013年4月合肥工业大学本论文经答辩委员会全体委员审查，确认符合合肥工业大学硕士学位论文质量要求。答辩委员会签名：（工作单位、职称）主席：委员：导师：独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标志和致谢的地

2、方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得合肥工业大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。学位论文作者签字：签字日期：年月日学位论文版权使用授权书本学位论文作者完全了解合肥工业大学有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅或借阅。本人授权合肥工业大学可以将学位论文的全部或部分论文内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制

3、手段保存、汇编学位论文。（保密的学位论文在解密后适用本授权书）学位论文者签名：导师签名：签字日期：年月日签字日期：年月日学位论文作者毕业后去向：工作单位：电话：通讯地址：邮编：基于图论的医学图像分割研究摘要医学图像是医生对人体组织进行定性和定量分析的关键依据。医学图像分割的任务是将病灶区和正常区域进行分离，其结果的准确与否直接影响到医生的诊断和图片的后续处理。然而，医学图像通常具有强噪声、弱对比度、组织边界模糊等缺点，给分割工作带来了极大的难度。GraphCuts作为图论中新兴的一种图像分割方法，

4、因其能量函数的可塑性以及全局最优性得到了快速的发展；并且可以通过人工交互加入先验信息，对图像的分割具有很强的指导作用。因此，在复杂的医学图像分割中，具有较好的适用性。本文以GraphCuts为算法基础，在医学图像研究背景下，加入SUSAN边缘特征对其进行改进，以达到更加准确的分割结果。具体工作如下：1.与以往的微分边缘检测算子不同，SUSAN算子并不是以微分运算作为提取边缘的手段。通过引入更多的局部信息，对从含噪声和弱边界的医学图像中提取边缘有着较好的效果。本文在原始SUSAN算子的基础上，进行稳

5、定性、自适应性和抗噪性的改进，使其更加适用于医学图像的边缘特征提取。2.对GraphCuts的能量泛函进行优化和改进，便于引入新的SUSAN特征，用以代替灰度特征，使得新的算法更加适用于医学图像分割，得到更好的分割结果。通过实验，我们发现新的算法相对以往的GraphCuts算法，能够更加准确的从前列腺MRI等其他医学图像中分割出感兴趣的组织，为后续的其他图像处理工作和医生的临床诊断奠定了基础。关键词：图论；图切割；SUSAN算子；能量函数；医学图像分割；核磁共振MedicalImageSegmen

6、tationStudyingBasedonGraphTheoryAbstractMedicalimageisthekeyofqualitativeandquantitativeanalysisforhumantissuebydoctor.Thetaskofmedicalimagesegmentationisseparatingthefocusandnormalarea.Theresultisaccurateornotwhichdirectlyaffectdoctor'sdiagnosisandth

7、esubsequentprocessingoftheimages.Medicalimage,however,usuallyhasastrongnoise,weakcontrastandvagueorganizationalboundaries,thatbringagreatdealofdifficultiestosegmentationtask.Becauseoftheplasticityofenergyfunctionanditsglobaloptimality,GraphCutshasdeve

8、lopedrapidlyasanewimagesegmentationmethodingraphtheory;andprioriinformationcanbeaddedtoitbyhumaninteractions,withwhich,itcouldguidetheimagesegmentationwell.Therefore,ithasbetterapplicabilityincomplexmedicalimagesegmentation.Inmedicalimageresea