基于机器学习可变形模型的医学图像分割

《基于机器学习可变形模型的医学图像分割》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、申请上海交通大学博士学位论文基于机器学习可变形模型的医学图像分割论文作者邵叶秦学号0110329028指导教师杨新教授专业模式识别与智能系统答辩日期2014年12月万方数据万方数据SubmittedintotalfulfilmentoftherequirementsforthedegreeofDoctorofPhilosophyinPatternRecognitionandIntelligentSystemDeformableModelbasedMedicalImageSegmentationviaMachineLearningYSSupervisorProf.XY

2、DA,SEEESJTUS,P.R.CDecember,2014万方数据万方数据上海交通大学学位论文原创性声明本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。学位论文作者签名：日期：年月日

3、万方数据万方数据上海交通大学学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权上海交通大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。保密，在年解密后适用本授权书。本学位论文属于不保密。（请在以上方框内打“X”）学位论文作者签名：指导教师签名：日期：年月日日期：年月日万方数据万方数据万方数据万方数据上海交通大学博士学位论文摘要基于机器学习可变形模型的医学图像分割摘要随着现代医学成像技术的不断进步，

4、医学图像为医生无创诊断和后续治疗提供了有效的手段。从医学图像中准确的分割医生感兴趣的组织，是计算机辅助诊断和手术规划的一个基本而重要的步骤。分割结果的精度在很大程度上会影响医生对疾病真实情况的判断，进而影响诊断结论和治疗方案。因此，准确的医学图像分割对基于影像的临床诊断和治疗具有重要的意义。然而，准确的医学图像分割是一个具有挑战性的问题。由于成像机理、目标器官的运动、解剖结构的复杂性和周围组织与病灶的干扰等原因，很多情况下医生感兴趣的目标器官在图像中没有明确的边界，而且器官的形状和外观也不尽相同。这些使得医学图像分割一直成为医学图像处理的一个研究热点。本文讨论了基于机器学习可变形模型

5、的医学图像分割。在分析现有方法的基础上，详细讨论了可变形模型的两个重要部分：外观模型和形状模型。为了增强目标器官的边缘，我们提出了基于边缘回归的外观模型及基于稀疏学习的局部外观模；为了更好的建模器官形状，我们提出了基于稀疏学习的局部形状模型。在此基础上，针对具体的临床应用，把提出的外观和形状模型应用到三维前列腺与直肠和二维肺场的分割中，取得了满意的分割效果。本文的主要工作和贡献如下：1.提出了一个新颖的基于边缘回归的外观模型。目前，回归森林主要用于二维器官标记点和边界框的检测，通过给活动形状模型上的每个点训练一个标记点检测器，引导可变形模型分割目标区域。然而把回归森林应用于三维图像时

6、，由于三维形状模型上大量的顶点和为标记点检测器建立三维点对点对应关系的困难，作为标记点检测器的回归森林不适合用来引导三维可变形模型。本文引入随机森林作为边缘回归器为整个目标器官的边缘投票。算法根据图像体素的局部外观特性，使用回归森林预测从给定的体素到最近目标边缘点的三维偏移量。依据预测的结果，从—i—万方数据基于机器学习可变形模型的医学图像分割上海交通大学博士学位论文不同的位置给目标器官的整个边界投票，得到边缘投票图。然后通过沿每个模型点的法线方向寻找最大投票位置，边缘投票图可以把可变形模型引导到目标边缘上。这样，基于边缘回归的外观模型避免了训练数量巨大(和模型点数相同)的标记点检测

7、器，以及建立准确的三维点对点对应关系。2.提出了一个新的基于稀疏学习的局部外观模型。在传统的ActiveShapeModel(ASM)中，基于手动标记点的外观模型假设是服从高斯分布的。然而这个假设在许多的应用中并不成立。为了解决这个局限性，基于稀疏学习的局部外观模型通过聚类的方式将目标边界分成外观变化一致、空间连续的边界段。在每一个边界段上，算法学习一个判别字典，建立一个基于稀疏表示分类的局部外观模型。然后，根据稀疏表示的残差把每个体素分类为目标区域和背景