论文部分内容阅读
医学图像是医生对人体组织进行定性和定量分析的关键依据。医学图像分割的任务是将病灶区和正常区域进行分离，其结果的准确与否直接影响到医生的诊断和图片的后续处理。然而，医学图像通常具有强噪声、弱对比度、组织边界模糊等缺点，给分割工作带来了极大的难度。Graph Cuts作为图论中新兴的一种图像分割方法，因其能量函数的可塑性以及全局最优性得到了快速的发展；并且可以通过人工交互加入先验信息，对图像的分割具有很强的指导作用。因此，在复杂的医学图像分割中，具有较好的适用性。本文以Graph Cuts为算法基础，在医学图像研究背景下，加入SUSAN边缘特征对其进行改进，以达到更加准确的分割结果。具体工作如下：1.与以往的微分边缘检测算子不同，SUSAN算子并不是以微分运算作为提取边缘的手段。通过引入更多的局部信息，对从含噪声和弱边界的医学图像中提取边缘有着较好的效果。本文在原始SUSAN算子的基础上，进行稳定性、自适应性和抗噪性的改进，使其更加适用于医学图像的边缘特征提取。2.对Graph Cuts的能量泛函进行优化和改进，便于引入新的SUSAN特征，用以代替灰度特征，使得新的算法更加适用于医学图像分割，得到更好的分割结果。通过实验，我们发现新的算法相对以往的Graph Cuts算法，能够更加准确的从前列腺MRI等其他医学图像中分割出感兴趣的组织，为后续的其他图像处理工作和医生的临床诊断奠定了基础。