基于多尺度水平集的灰度不均匀医学图像分割算法研究 图像分割是按照图像的纹理、形状、频谱、颜色等特征,把图像分成具有不同意义属性的视觉单元的一种图像处理方法,在医学影像领域有重要的应用价值。比如:肝脏是人体腹腔内最大的一种实质性器官,在肝癌病人CT图像上进行肿瘤靶区的勾画是诊断和手术的必要操作,通常由经验丰富的医生手动完成,但耗时漫长。 自动化的肝脏肿瘤靶区分割方法可以帮助医生提高工作效率。水平集方法是图像分割的常用算法。 水平集的演化曲线是闭合的,可以较好地收敛到目标边缘。但是,现有的水平集方法通常假设图像灰度在很小的局部区域里是近似均匀的,这一点制约了其在灰度不均匀图像,尤其是CT图像中的分割精度。 本研究提出了融入多尺度信息的水平集算法,使得分割曲线在演化过程中不受统一尺度的限制,从而提升对灰度不均匀图像的分割效果。为验证该算法的优越性,我们在三种肝癌CT图像上进行了系统验证。 相对于经典水平集方法(CV和LSACM方法),多尺度方法对于大肿瘤、肝脏内部的小肿瘤以及位于肝脏表面的肿瘤均有良好的分割效果,在一系列评价指标上有统计学显著意义。初始化敏感性实验表明多尺度方法具有一定的稳健性。 本研究证明:相较传统水平集方法,多尺度水平集算法实质性的提升了对于灰度不均匀图像的分割效果,具有一定的临床应用价值。 本文来源：https://www.wddqw.com/doc/1d3241f5a9114431b90d6c85ec3a87c241288a7f.html