论文部分内容阅读
脑部肿瘤是较为严重的肿瘤疾病之一,目前与脑部肿瘤图像相关的研究愈加得到关注。对脑部胶质瘤图像诊断主要基于该部位CT和MRI切片扫描图像,且两者融合结果对脑部肿瘤诊断具有极大帮助。但是,CT与MRI图像之间的坐标体系是不对应的,现有针对该问题的配准算法计算耗时且精度低。同时配准好的图像使用现有的融合算法不能很好反应出CT与MRI图像的特性。目前并无相关的医学辅助分析诊断软件提供服务。因而本文中对以上相关内容进行分析研究。本文采用患者脑部CT图像和MRI T1图像作为研究样本素材,从图像预处理、图像检索、图像配准融合、胶质瘤分割等算法进行研究,并且进行了实验检验。主要内容有:(1)对医学图像进行对比度增强,增加图像的视觉体验。并去除CT图像中检查床,排除图像干扰。(2)从图像特征的角度使用不同的方式进行特征抽取,比较特征之间的近似程度,从而找出两种模态中最相似的图像。(3)使用主成分分析以及参数预估对图像配准算法进行改进,并且将其运用到多尺度配准上,提升了配准方法性能和结果精度。(4)对图像的频域和空域融合方法进行比较,并使用相关的融合图像评价准则对融合效果进行评估。使用CT值和骨窗图像与对应MRI图片融合,排除CT图像中无关像素的干扰。(5)使用GMM模型对图像灰度分布建模,确定最佳分割阈值,从而实现自动分割。使用深度学习的方法对图像进行分割,使得分割不再是对图像进行灰度分析而是使用更高层次的特征并通过学习进行分割,分割算法更加简便且智能。(6)为了能够对脑部胶质瘤从三维角度观测,本文对脑部胶质瘤分割结果实现了三维可视化。并且本文将涉及的算法进行实现并集成到了CT与MRI配准融合分析系统中。通过对本文中的算法实验表明,本文改进的多尺度对比度增强算法具有更好的视觉体验,自动相似图像检索算法具有较好的检索精度,图像配准算法相比原始方法在精度和效率上均有提升,采用特定区域的融合策略展现结果更清晰,GMM模型和深度学习的分割算法具有良好适应性和智能水平。