基于超像素的腹部图像多器官分割算法研究

《基于超像素的腹部图像多器官分割算法研究》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、分类号：ＴＰ３９１学校代码：１０６９７密级：公开学号：２０１５２０９５６ＮｏｒｔｈｗｅｓｔＵｎｉｖｅｒｓｉｔｙ±字位论ＸＭＡ’ＳＴＥＲＳＤＩＳＳＥＲＴＡＴＩＯＮ基于超像素的腹部图像多器官分割算法研究学科名称：计算机应用技术作者：吕朝晖指导老师：张蕾教授西北大学学位评定委员会二〇—八年六月SuperpixelBasedMulti-OrganSegmentationofAbdominalImagesAthesissubmittedtoNorthwestUniversityinpartialfulfillmentoftherequirement

2、sforthedegreeofMasterinComputerAppliedTechnologyByLvZhaohuiSupervisor:ZhangLeiProfessorJune2018摘要摘要腹部影像是临床医生对腹部疾病进行诊断的重要参考依据，对腹部图像进行有效的器官分割是后期腹部器官病灶定位、腹部器官三维重建、腹部手术导引的基础和关键步骤。现有的腹部器官分割算法大都针对单个特定的器官进行，此外，腹部图像相邻器官间模糊的边界与高灰度相似性的特点，为传统像素级别上进行的多器官分割带来了一定的困难。通过超像素算法可以获得一致性强、语义信息丰富的图像预分割结果，超像素的这些优异特性为腹部多器

3、官分割提供新的解决思路。本文围绕着基于超像素的腹部图像多器官分割进行了如下研究工作：(1)针对目前缺乏高质量、已标注的腹部CT图像数据集的问题，收集建立了一整套完整的腹部CT图像多器官分割数据集。数据集包含20套，共计4103张人体腹部CT图像，并通过人工标注的方式对图像中主要的腹部器官进行了器官区域及边界标注。(2)针对医学图像灰度分布广、上下层相关性强的特点，提出了一种新的医学图像的超像素分割方法。在聚类过程中，建立CT图像上下层间的映射关系，同时对像素间距离度量方式改进。实验表明该方法在医学图像上获得良好的分割效果。(3)利用监督分类的思想解决腹部多器官分割问题，将腹部器官语义分割问题

4、转化为超像素块的多分类问题。通过提取超像素的多种特征建立随机特征子空间，训练多个集成分类器，提高了腹部多器官语义分割的准确率。(4)为了减少单纯使用图像底层特征分类时出现的错分问题，结合先验知识，分别建立腹部各器官的灰度和位置信息的高斯先验模型。在对腹部超像素块分类过程中，使用该模型对多分类概率极限学习机的分类结果进行有效约束。实验结果表明，该方法在提高分类准确率的基础上提高了多器官分割的精度。关键词：医学图像分割，多器官分割，超像素，极限学习机，随机特征子空间IABSTRACTABSTRACTAsthesignificantreferenceforclinicianstodiagnosea

5、bdominaldisease,theeffectivesegmentationoforgansinabdominalimagesisthebasisandkeystepofthefocusextraction,three-dimensionalreconstructionofabdominalorganandtheguidanceofabdominalsurgeryinthelatertime.Mostoftheexistingmethodsonabdominalorgansegmentationareaimedatasinglespecificorgan,inaddition,thefu

6、zzyboundaryandhighgraysimilaritybetweenadjacentorgansintheabdominalimagesresultindifficultiesforthetraditionalmulti-organsegmentationmethodsonpixellevel.While,pre-segmentationresultswithstrongconsistencyandabundantsemanticinformationcanbeattainedonthebasisofsuperpixel,whichcanprovidefreshideasformu

7、lti-organsegmentationofabdominalimages.Inthispaper,thefollowingresearchworkisaroundmulti-organsegmentationofabdominalimage:(1)Aimingatthelackofhigh-qualityandannotatedabdominalCTimagedatasets,acompletemulti