学位论文 > 优秀研究生学位论文题录展示

MRI脑部疾病计算机辅助诊断系统设计与实现

作　者: 栾信海
导　师: 康雁
学　校: 东北大学
专　业: 生物医学工程
关键词: MRI 脑肿瘤脑血管狭窄 Level Set FCM 差值变换
分类号: TP391.41
类　型: 硕士论文
年　份: 2009年
下　载: 43次
引　用: 0次
阅　读: 论文下载

内容摘要

磁共振成像比CT有更高更好的软组织对比度,更利于发现脑部病变。对肿瘤的定位及与周围组织结构的关系显示十分清晰,并且利用MRA能直接显示脑血管结构。本文就是基于以上磁共振成像特点对脑部的两种疾病脑肿瘤和脑血管狭窄做了研究,并设计出计算机辅助诊断系统帮助医生进行检测和治疗。对于脑肿瘤的分析主要是使用Level Set、模糊C均值聚类和基于差值变换的阈值分析将不同特征的肿瘤分割出来。本文将各种算法都加以实现之后对各个结果进行了分析比较,发现每种算法的优缺点从中找到可以进行改进的地方。最后提出了两种加以改进的方法。而脑血管狭窄分析的系统是在DSA血管狭窄分析的基本思路之上设计的。之后根据MRA (Magnetic Resonance Angiography)脑血管成像的特点进行了调整,加入了新的方法,最终能够准确的测量选定区域的血管狭窄率。本文介绍的脑肿瘤的分割算法有：(1)几何活动轮廓模型,其中包括三种算法取消迭代快速Level Set、简化的M-S模型、Level Set对肿瘤进行分割的改进方法。取消迭代快速Level Set是利用水平集的梯度是一个常量,将迭代步骤内化为水平集的内部能量,通过求能量的最小值以实现寻找到肿瘤边缘。但是由于脑肿瘤形态多变,这种依赖于梯度这一外部能量的算法适用性差。简化的M-S模型考虑了图像的灰度特征,将分割区域的灰度差加入了迭代式,能够得到比较理想效果。Level Set对肿瘤进行分割的改进方法是在算法之前加入了区域生长首先找出初始轮廓,在算法之后加入了形态学的修正,得到最终结果。(2)模糊C均值聚类是一种基于划分的聚类算法。它的思想就是使得被划分到同一簇的对象之间相似度最大,而不同簇之间的相似度最小,以实现肿瘤的分割。(3)基于差值变换的阈值分析,利用MRI成像特点对T1和T2加权像做一定的变换,使得变换后的图像中不同组织的信号对比度得到进一步增强。(4)模糊C均值聚类(FCM)与水平集结合的算法,先对图像使用FCM聚类确定肿瘤的初始轮廓,然后使用M-S方法找到肿瘤的准确边缘。这种结合算法可以提高寻找的准确度和稳定度,减少运算时间,还用互动的手动操作最简单。本文介绍的基于MRA影像的脑血管狭窄分析包括一下几个步骤：高斯滤波、利用Hessian矩阵对血管增强、利用阈值分割将图像二值化、提取血管中心线、测量血管直径并对错误处进行校正、找到准确位置画出直径和血管边缘。通过在多种肿瘤图像上实现脑肿瘤分割方法之后,发现FCM与水平集结合的算法分割结果较好,能够适用脑肿瘤结构多变的情况。同时,编程实现的脑血管狭窄分析系统在医生使用之后也得到了比较好的评价。

全文目录

摘要  5-7
Abstract  7-12
第1章绪论  12-22
  1.1 研究背景及意义  12-13
  1.2 磁共振成像在颅脑疾病的应用  13-15
    1.2.1 颅内肿瘤  13-14
    1.2.2 脑血管疾病  14-15
    1.2.3 脱髓鞘疾病  15
    1.2.4 颅内炎症及其他疾病  15
  1.3 磁共振成像原理  15-19
    1.3.1 核磁共振  15-16
    1.3.2 核磁驰豫  16-18
    1.3.3 空间定位  18-19
  1.4 本文研究内容  19-22
第2章基于MRI的图像分割方法综述  22-34
  2.1 图像分割方法  22-26
    2.1.1 基于聚类的方法  22
    2.1.2 基于活动轮廓的方法  22-24
    2.1.3 活动表面模型  24
    2.1.4 纹理分割  24-25
    2.1.5 基于图论的图像分割  25-26
  2.2 脑肿瘤分割的研究状况和进展  26-30
    2.2.1 基于统计的方法  26-27
    2.2.2 基于可变形模型的方法  27-28
    2.2.3 基于肿瘤生长模型的方法  28-29
    2.2.4 纹理分析  29
    2.2.5 基于神经网络的方法  29-30
    2.2.6 检测与正常脑的偏差  30
    2.2.7 基于直方图分析的方法  30
  2.3 医学图像分割技术的评价  30-32
  2.4 本章小结  32-34
第3章脑肿瘤的分割方法研究  34-50
  3.1 几何活动轮廓模型  34-42
    3.1.1 取消迭代快速Level Set  34-38
    3.1.2 简化的M-S模型  38-40
    3.1.3 Level Set对肿瘤进行分割的改进方法  40-42
  3.2 FCM聚类算法  42-45
    3.2.1 模糊集基本知识  42
    3.2.2 K均值聚类算法(HCM)介绍  42-44
    3.2.3 模糊C均值聚类  44-45
  3.3 基于差值变换的阂值分析  45-48
    3.3.1 知识提取  46-47
    3.3.2 图像归一化  47
    3.3.3 差值变换  47-48
    3.3.4 阈值分析  48
    3.3.5 后处理  48
  3.4 模糊C聚类与水平集结合的算法  48-49
  3.5 本章小结  49-50
第4章脑血管狭窄分析  50-66
  4.1 脑血管狭窄分析基础  50-51
  4.2 算法步骤  51-63
    4.2.1 利用Hessian矩阵对血管增强  51-56
    4.2.2 自动阈值分割提取血管  56-58
    4.2.3 提取血管中心线  58-61
    4.2.4 测量血管直径并对直径错误处进行校正  61-62
    4.2.5 找到准确位置画出直径和血管边缘  62-63
  4.3 特殊情况处理  63-65
  4.4 本章小结  65-66
第5章脑部疾病计算机辅助检测系统实现结果  66-80
  5.1 脑肿瘤分割  66-76
    5.1.1 脑肿瘤图像的特性  66
    5.1.2 Level Set方法分割结果与分析  66-73
    5.1.3 FCM算法分割结果  73-75
    5.1.4 使用差分法对肿瘤进行分割结果  75-76
  5.2 血管狭窄分析系统实现  76-78
    5.2.1 图像输入模块  76-77
    5.2.2 血管狭窄分析模块  77-78
    5.2.3 输出病人ID号及备注  78
  5.3 本章小结  78-80
第6章总结与讨论  80-82
  6.1 本文工作总结  80-81
  6.2 工作展望  81
  6.3 本章小节  81-82
参考文献  82-88
致谢  88

MRI脑部疾病计算机辅助诊断系统设计与实现

内容摘要

全文目录

相似论文