基于自适应活动轮廓模型的医学图像分割算法研究

作者:高建瓴;孟宇婷;邸泽雷坤; 刊名:贵州大学学报(自然科学版) 上传者:龙益林

【摘要】针对传统活动轮廓模型中CV模型和LBF模型能量泛函单一,不能准确快速分割灰度不均匀医学图像的问题,提出一种基于自适应的活动轮廓模型。新模型首先对CV模型的全局拟合项进行改进,使改进后的轮廓曲线对灰度变化区域敏感,其次引入LBF模型的局部拟合项,并对局部拟合项和全局拟合项的权重系数采用自适应函数的形式进行调整,得到最终的自适应活动轮廓模型。实验结果表明:新的模型不仅能够对医学图像中灰度不均匀区域起到较好的分割效果,而且对初始轮廓具有较强的鲁棒性,与此同时自适应权重函数的加入提高了算法在图像上的通用性和运算效率。

全文阅读

随着医学辅助诊断系统的快速发展和应用,辅助诊断系统中的图像处理技术已成为医学研究的热点,而图像处理中的图像分割显得尤为重要,因为精确地分割病灶区域对后期诊断的准确性起到关键的作用。为此学者们提出了众多应用于医学图像的自动分割方法,这些方法主要可分为基于边界的分割法、基于区域的分割法和基于形变模型的分割方法等,这些方法各有优缺点。例如:张辉等[1]提出结合分水岭算法的水平集医学图像分割方法,该方法对复杂目标的分割准确率更高。申铉京等[2]提出基于一维Otsu的多阈值医学图像分割算法,提高了医学图像分割效率。近年来,基于区域的活动轮廓模型已成为医学研究领域的热点,原因在于针对医学图像边界模糊且复杂,存在噪声影响,灰度不均匀等特点,利用区域的灰度像素信息引导曲线演化,能够对复杂边界起到连续拟合的效果。CV模型、LBF模型、PS模型等都是具有代表性的基于区域活动轮廓模型。CV模型是利用全局信息的模型,对初始轮廓有较强的鲁棒性,但是不能分割灰度不均匀图像,LBF模型是基于局部能量的活动轮廓模型,能够对灰度不均匀图片起到较好的拟合效果,但是对初始轮廓敏感。针对以上模型的优缺点,近年来,WANG等[3]将CV模型和LBF模型进行线性叠加,提出了局部和全局强度拟合(LGIF)模型。吴永飞等[4]也提出了基于CV和LBF模型结合的图像分割算法。这两种算法虽然都提高了模型的分割效率,但是,由于算法采用固定的值来作为局部信息与全局信息的权重函数,在一定程度上影响了分割的准确性。针对以上问题,本文提出一种结合全局能量泛函和局部能量泛函的新模型,本模型中的局部能量泛函用来调整拟合曲线逐渐靠近目标边界,全局能量泛函用来调整初始轮廓的鲁棒性,自适应函数的加入提高了算法的通用性。通过仿真实验,本文模型提高了分割灰度不均图像的准确性。1背景1.1 CV模型Chan-Vese是根据全局灰度信息所提出的基于区域的活动轮廓模型,该模型把图像区域Ω分为目标区域和背景区域两个区域,通过计算两个区域的灰度均值,得出最小能量泛函,以此来引导轮廓曲线逐渐收敛于目标边缘。其能量泛函定义如下[5]:E(c1,c2,C)=λ1∫in(C)I(x,y)-c12dxdy+λ2∫out(C)I(x,y)-c22dxdy。(1)其中I表示待分割的图像,C表示演化曲线,in(C)和out(C)分别代表演化曲线C的目标区域和背景区域,λ1>0、λ2>0代表各项的权值系数。c1和c2表示各个区域的灰度均值,引入水平集方法后能量泛函公式如下:E(c1,c2,C)=λ1∫in(C)I(x,y)-c12H(φ(x,y))dxdy+λ2∫out(C)I(x,y)-c22(1-H(φ(x,y)))dxdy。(2)采用Euler-Lagrange和梯度下降法得到的最终演化方程[3]:φt=-δ(φ)[λ1(I(x,y)-c1)2+λ2(I(x,y)-c2)2]。(3)式中c1和c2公式如下:c1=ΩI(x,y)H(φ(x,y))dxdyΩH(φ(x,y))dxdy,(4)c2=ΩI(x,y)(1-H(φ(x,y)))dxdyΩ(1-H(φ(x,y)))dxdy。(5)式中H(φ)为Heaviside函数,它表示一个在零点不连续并且不严格可导的函数,为了使H(φ)连续可导,对其进行正则变化,公式如下:H=121+π2arctanzε()。(6)由于CV模型是基于全局信息的模型,对于图像的局部区域的信息没有利用,所以对于灰度不均匀的图像来说,分割达不到预期效果。1.2 LBF模型针对CV模型的缺陷,LI等人提出基于局部

参考文献

引证文献

问答

我要提问