基于水平集模型的肺结节图像处理

《基于水平集模型的肺结节图像处理》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、１０２８５ＳＯＯＣＨＯＷＵＮＩＶＥＲＳＩＴＹ扔ｆ：基于水平集模型的肺结节图像处理啤．Ｉ：．；，到ｈｏｄｏｆｌＴｈｅＭＤｅｔｅｃｔｉｎＰｕｌｍｏｎａｒＮｏｄｕｅｓｂ呂ｙｙ＊—＇—＝￣＂＾－－■．＇．．，．：ＬｅｖｅｌＳｅｔＭｏｄｅｌＩ研究生姓名周惜俊指导教师姓名翁桂荣．＝专业名称仪語科学与技术研究方向数字图像处理所在晓部机械电子工程学院苏州大学学位论文使用授权声明本

2、人完全了解苏州大学关于收集、保存和使用学位论文的规定，即。：学位论文著作权归属苏州大学本学位论文电子义档的内容和纸一质论文的内容相致。苏州大学有权向国家图书馆、中国社科院文献信息情报中也、中国科学技术信息研究所（含万方数据电子出版化）、中国学术期刊（光盘版）电子杂志社送交本学位论文的复印件和电子文档，允许论文被査阅和借阅，可采用影印、缩印或其他复制手段保存巧汇编学位论文，可将学位论文的全部或部分内容编入有关数据库进行检索。涉密论文口本学位论文属在。年＿月解密

3、后适用本规定非涉密论文回王、吟论文作者签名：周十替／签曰期：。！：＞、导师签名：曰期：从苏州大学学位论文独创性声明指导下进行本研究人郑工重作声所取明得：所提交的学位论文是本人在导师的，独立的经成果。餘文中己经注明引用的内容外，本论文不含其他个人或集体己发表或撰写过的研究成果，。也对不含为获得苏州大学或其它教育机构的学位证书而使用过的材方料式标本文的研究作出重要贡献的个人和集体，巧己在文中Ｗ明确明。本人承担本声明的法律责任。论文作者签。！ｋ、记名：廟佑曰期：么

4、基于水平集模型的肺结节图像处理基于水平集模型的肺结节图像处理中文摘要肺癌发生于支气管黏膜上皮，是由人体本身的细胞突变而来。癌细胞是在严重缺水，缺氧，缺营养，或者在外来毒素的刺激下正常细胞为求生存而形成的。中国的空气质量非常令人担忧，它所带来的健康问题就是肺癌的发病率升高，而且病人趋于年轻化。癌症的潜伏期非常长，有10-15年时间，在这期间人体没有什么症状。大多数病人在发现得肺癌时已经是晚期。肺癌早期的临床表现主要是出现肺结节，因此，快速准确检测肺结节能保证肺癌患者的存活率。本文对CT图像中肺部结节的提

5、取采用了水平集的方法。主要包括下面几个方面的内容：1）肺实质的分割由于CT肺部图像非常复杂，不便于直接提取图像中的疑似肺结节，论文提出了一套行之有效的肺实质分割方案。在肺实质分割方面，主要对CT原图进行形态学滤波来增强对比度。采用阈值分割、面积滤波、形态学开闭处理、反填充处理以及图像相乘，实现了对肺实质部分的提取。2）改进距离规则水平集方法水平集是一种界面追踪和形状建模的数值技术，其基本思想是将平面曲线看成高一维空间中某一函数与零水平面相交的结果。本文对李纯明距离规则水平集进行改进。首先，运用非线性各

6、项同性扩散滤波器和边缘增强扩散滤波模型对边界指示函数进行滤波处理，使边界指示函数得到优化。然后针对距离规则水平集面积项中的参数进行改进，提出了优化面积项参数的方法，即根据图像的方差决定的值。之后，针对优化面积项参数的不足，又进一步提出了改进水平集面积项的方法，通过区域生长选取二值化矩阵Y，图像背景处对应Y的区域取值大，目标边界内对应Y的区域取值小。I基于水平集模型的肺结节图像处理最后，本文对距离规则项（正则项）提出了一种新的双势阱函数p(s)，避免李3纯明单/双势阱函数的缺点，提高计算速度。另

7、外，为了分割结果间有一个较为公平的比较（即刚好达到近似的分割效果时停止水平集计算），弥补人眼观测的不足，本文提出了曲线变化参数作为参照物。3）粗分割和细分割相结合的疑似肺结节提取方法为了准确的提取肺实质图像中的疑似肺结节，论文提出粗细分割相结合的方法。该方法首先结合阈值分割和形态学方法来对目标进行粗分割，然后以粗分割图像的边界线作为零水平集初始曲线，使用改进距离规则水平集对目标进行精确分割，即细分割。本文分别对改进水平集算法与原水平集算法进行大量实验，对实验结果进行比较后发现改进算法能够大幅提高分割的

8、速度，同时提高了算法对不同图像分割的适应性，如下文表4-1所示，表4-1是对论文第四章中实验数据结果的简要汇总。算法应用于肺结节分割时，能够快速精确的分割出目标轮廓。粗细分割结合的方法能够排除图像中的干扰，表5-1为分割肺结节实验数据。关键词:肺结节，水平集，非线性扩散滤波，势阱函数，距离正则项作者：周恺俊指导老师：翁桂荣IITheMethodofDetectingPulmonaryNodulesbyLevelSetModelTheMethodofDet