基于多圖譜分割的融合算法研究.pdf

1、人體大腦結(jié)構(gòu)復(fù)雜且功能各異，如海馬體、扁桃體、顳上回、小腦、腦干、尾狀核等關(guān)鍵腦結(jié)構(gòu)與多種腦部疾病息息相關(guān)，對其精準(zhǔn)分割是臨床診斷中醫(yī)生進(jìn)行相關(guān)定量分析的前提，因此多圖譜分割技術(shù)成為了當(dāng)前國內(nèi)外的研究重點。多圖譜分割技術(shù)主要包括兩個關(guān)鍵步驟，分別為圖像配準(zhǔn)和標(biāo)記融合。將多個圖譜與目標(biāo)圖像進(jìn)行配準(zhǔn)并選擇合適的標(biāo)記融合算法對配準(zhǔn)后的圖譜進(jìn)行融合得到最終的分割結(jié)果。為了使得分割的結(jié)果更準(zhǔn)確，需要選擇合適的標(biāo)記融合算法，以便于配準(zhǔn)后的圖像在融合

2、過程中實現(xiàn)高精度，從而對每個初始分割中的信息進(jìn)行有效的提取，使得最終的分割結(jié)果具有代表性。標(biāo)記融合方法中用的比較廣泛的有多數(shù)表決算法（MajorityVoting,MV）[1]、STAPLE算法[2](Simultaneous Truth and Performance Level Estimation)和COLLATE算法[3](Consensus Level，Labeler accuracy and Truth Estimation

3、)等。MV沒有考慮到各個分割圖像的差異性，STAPLE算法沒有利用圖像的先驗信息。為了獲得更高的分割精度，本文首先對腦部MR圖像進(jìn)行預(yù)處理，包括顱骨剔除、濾波、灰度歸一化以及直方圖匹配等處理并對多個組織進(jìn)行配準(zhǔn)，然后對基于配準(zhǔn)的多圖譜融合算法進(jìn)行深入的研究并進(jìn)行改進(jìn)，主要內(nèi)容如下:
　　(1)圍繞人腦MR圖像，研究分析了當(dāng)前使用比較廣泛的MV融合算法和STAPLE融合算法，并使用這兩種方法對配準(zhǔn)后的腦部圖像的多個組織進(jìn)行融合，同時

4、選擇與金標(biāo)準(zhǔn)的相似性測度作為融合結(jié)果的評價標(biāo)準(zhǔn)，將這兩種方法融合的結(jié)果與最優(yōu)單圖譜分割結(jié)果進(jìn)行比較。
　　(2)在MV融合算法的基礎(chǔ)上提出一種新的加權(quán)改進(jìn)融合算法（Weight-Voting），利用圖譜和目標(biāo)圖像之間的相似性測度作為圖像融合的權(quán)重，并分別對多個配準(zhǔn)后的腦部組織進(jìn)行融合，并將本文算法分別與最優(yōu)單圖譜、MV、STAPLE融合算法進(jìn)行了比較。
　　實驗結(jié)果表明，多圖譜分割方法分割精度要高于最優(yōu)單圖譜分割方法，本文提