Chan-Vese模型下的脑肿瘤图像分割方法
万方数据
１５６２０１０，４６（９）ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用
分割目标（脑肿瘤或血管）的边界比较模糊时分割效果就不是很准确，容易出现不完全分割问题。另一方面，利用三维图像处理技术对人体病变器官进行术前分析获得了越来越多的关注。Ｌａｍａｄｅ等人【ｌａｆ对人体病变肝脏进行了虚拟三维重构，为肝脏的术前分析提供了可靠的依据，具有很好的临床应用价值。而传统的脑肿瘤术前分析局限于对脑肿瘤进行二维信息判断，医生只能通过经验判定肿瘤的三维状态及肿瘤在大脑中的三维定位等重要术前信息，这直接影响到了脑肿瘤手术的准确性。
在此基础上提出了基于Ｃｈａｎ—Ｖｅｓｅ模型的脑肿瘤图像分割与三维重构方法。首先对脑肿瘤图像进行形态学迭代腐蚀操作提取脑肿瘤轮廓，然后利用Ｃｈａｎ—Ｖｅｓｅ模型对脑肿瘤进行分割，最后再对图像进行形态学迭代膨胀操作复原图像。这样就结合了可变型模型的速度优势和数学形态学的准确性优势，同时当分割目标的边界比较模糊时，改进的方法能取得比Ｃｈａｎ—Ｖｅｓｅ模型更好的分割效果，很好地解决了不完全分割问题。另外借助ＶＴＫｔｕ】对分割后的脑肿瘤图片序列进行三维重构与定位，得到了脑肿瘤的三维信息（大小、状态），从而为脑肿瘤术前分析提供理论基础。
２Ｃｈａｎ－Ｖｅｓｅ模璎
Ｃｈａｎ—Ｖｅｓｅ模型由ＴｏｎｙＣｈａｎ和ＬｕｍｉｎｉｔａＶｅｓｅ提出，主要基于曲线变型［ｔ２１，Ｍｕｍｆｏｒｄ—ｓｈａｈｌ吩割函数和水平集１４１，它与
传统可变型模型最大的区别是对图像进行分割时无需依赖于图像的梯度信息。Ｃｈａｒｔ—Ｖｅｓｅ模型的能量函数无法直接使用单次微分求其极值，可以通过Ｅｕｌｅｒ－ＬａｇｒａｎｇｅＩ－目方程，使能量函数通过迭代的偏微分方程逼近真正的解。
２．１基本能量曲线
首先定义基本能量方程：
及ｃ，ｃｌ，ｃ２）＝｝止（ｃ）＋以（ｆｎ（ｃ））“１Ｊｌｕｏ（ｘ，ｙ）－－ｔ１广ｄ茁ｄｙ＋
一ｃ）
ｒ＾
Ａ２ｌｕｏ（ｘ，，，）－ｃ２广ｄｘｄｙ（１）
魂素。）
其中ｐ，ｙ，Ａ。，Ａ：是可调参数，ｃ是可变型曲线，Ｃ，是曲线内部的亮度平均值，Ｃ：是曲线外部的亮度平均值，‰（菇，，，）是图像中点（菇，ｙ）处的亮度值，Ｌ（ｃ）是可变型曲线的长度，Ａ（ｉｎ（Ｃ））是曲线内部的面积。因此能量最小化问题可以表示为：
ｉＩｌｆ只Ｃ，Ｃｌ，ｃ２）（２）Ｃ．ｃＩｆｃ２
２．２Ｍｕｍｆｏｒｄ—Ｓｈａｈ函数模理
从逼近论ｔ≈的观点来看，Ｍｕｍｆｏｒｄ—Ｓｈａｈ函数模型是对—个任意的定义域为ｎ的图像函数呦（茗，＇，）用分片光滑函数ｕ（ｘ，，，）做下述意义的最佳逼近：
，（ｕ，ｃ）单?ｋｎｇ矾（ｃ）“ｆＩｌｌｏ（戈，，，）一“（茹，ｙ）１２出ｄｙ＋
五
ｆ，
ｌ。ＩＶｕ（ｘ，ｙ）ｌ‘出ｄｙ（３）其中Ｕｏ为输入图像，当取Ａｌ＝Ａ２＝４，／Ｌ＞Ｏ，ｖ＝Ｏ时，可以把Ｃｈａｎ—Ｖｅｓｅ模型看成Ｍｕｍｆｏｒｄ—Ｓｈａｈ模型的特殊情况，这时只需找出Ｕｏ的最佳逼近“，再结合水平集方法和曲线演化理论，即可推导出高维函数的进化方程。
２．３水平集求解
利用水平集求解Ｃｈａｒｔ—Ｖｅｓｅ模型，将变型曲线Ｃ看做Ｌｉｐｓｃｈｉｔｚｔｌ２】函数咖的零水平集。由于Ｃｈａｎ—Ｖｅｓｅ模型被看成Ｍｕｍｆｏｒｄ—Ｓｈａｈ模型的特殊情况，所以用水平集函数对Ｃｈａｎ，Ｖｅｓｅ模型进行表述时可以表示为：
ｕ（ｘ，，，）＝ｃ１Ⅳ（币（菇，Ｙ））４＂Ｃ２（１－Ｈ（４＇（ｘ，Ｙ）））（４）使咖保持不变，同时最小化能量函数，（Ｃ，ｃ。，ｃ：），可通过公式（５）求出ＣＩ（ｐ）和ｃ２（妒）。
ＣＩ（妒）＝
』讽（妒）出如
ｎ
』Ｉｌｏ（１．巩（９））出ｄｙ
，ｃ２（９）＝ｊＬ——————————一（５）ｆｎ．Ｃ牮，）ｄｘｄｙＪ（１也（妒））出ｄｙ
ｎｎ
为了计算与未知水平集函数西相关的Ｅｕｌｅｒ—Ｌａｇｒａｎｇｅ函数方程，分别引入Ｈｅａｖｉｓｉｄｅ删函数也和一维Ｄ／ｒａｃｌ月函数瓦，然后最小化能量函数只（咖），就能以迭代的方式得到如下求解西的Ｅｕｌｅｒ－Ｌａｇｒａｎｇｅ方程：
譬书（西）
ｄ‘
即∽删）ｄｉｖｐ－－Ｉ（器）叫
一Ａｌ（“ｄ．Ｉｃｌ）２＋Ａ２（“旷．ｃ２）２
妒（Ｉ，石，，，）＝伽（并，ｙ）（６）Ｐ（弘叫锗＝ｏ
鱼生：翌竺
ＯｔＡｔ
其中ｔ为时间变量，咖为水平集函数，当￡＝，时，用咖“表示当前的水平集毋。Ｃｈａｒｔ—Ｖｅｓｅ模型的具体算法如下：
（１）令ｎ－－０，初始化∥；＾－
（２）用公式（５）计算ｃ。（咖４）和ｃ：（咖“），且当ｐ＝２时，有ｌｅｎｇｔｈ｛４，“旬｝吐（币４）；
（３）用公式（６）计算∥的偏微分方程，从而进—步求出∥１；
（４）检查‘ｂ“是否为稳态解，若不是则ｎ：ｎ＋１，跳入（２）再次循环。
３基于Ｃｈａｒｔ—Ｖｅｓｅ模型的脑肿瘤图像分割与三维重构方法
３．１基于Ｃｈａｎ－Ｖｅｓｅ模璎的脑肿瘤分割
ＴｉｍＭｃｌｎｅｍｅｙ等人Ｉ咀将町变型模型应用于医学图像分割并取得了较好的效果，但也存在某些缺陷。由于可变型模型（活动轮廓模型、Ｃｈａｎ－Ｖｅｓｅ模型）在型变时往往依赖于分割目标的梯度或亮度均值，所以当分割目标的边界比较模糊时变型曲线很可能在未完全与分割目标的边界重合就停止型变，从而产生不完全分割，如图１所示。临床应用中，多数脑肿瘤的边缘部分相对比较模糊，所以在分割过程中很容易出现不完全分割问题。
待分割肿瘤模糊边界最后分割区域不完全分害ｊ区域原始脑肿熘ｌ圭ｊ片小完全分割ｊ垄｜片
图ｌ脑肿瘤不完全分割图
万方数据
许存禄，高佳，武国德：Ｃｈａｒｔ—Ｖｅｓｅ模型下的脑肿瘤图像分割方法２０１０。４６（９）１５７对此提出了一种基于Ｃｈａｒｔ—Ｖｅａｅ模型的图像分割方法：使
用Ｃｈａｒｔ—Ｖｅａｅ模型进行脑肿瘤分割时结合数学形态学操作。数
学形态学是一种研究数字图像形态结构特征与快速并行处理
的方法，能针对图像像素进行操作，同时能准确测量和提取图
像的对应形状，所以将Ｃｈａａ—Ｖｅａｅ模型结合形态学操作能取得
很好的分割效果。
数学形态学中的基本操作包括腐蚀操作和膨胀操作。设
ｆ（ｘ，ｙ）代表输入图像，６（ｆ√）代表结构元素，用结构元素６对输
入图像，进行灰度腐蚀，记为ｆｏｂ，则腐蚀操作可以定义为：
ｆＯｂ＝ｍｉｎ｛，【ｘ＋ｉ，ｙ呵）＋６（ｉＪ）ｌ（茗＋ｉ，ｙ巧）∈巧；（ｉ，ｊ）Ｅ现｝（７）
用结构元素ｂ对输入图像，进行灰度膨胀，记为，０６，则
膨胀操作定义为：
他６＝Ｉ瞰以ｘ－ｉ，疗）－ｂ（ｉ，ｊ）ｌ（ｘ－ｉ，，，ｊ）∈Ｄｆ；（ｉ，ｊ）ＥＤｂ｝（８）
其中Ｄ，和玩分别是函数厂和ｂ的定义域，位移参数必须包含在
函数厂的定义域内。可见，膨胀运算是在由结构元素确定的邻
域内选取ｆ＋ｂ的最大值，是局部最大值滤波。如果结构元素为
正，膨胀运算后图像的灰度会增大，这种灰度变大的作用对于
灰度变化较大的点（图像边缘）尤为突出。因此，膨胀运算对边
缘处的作用非常明显。而腐蚀运算是在由结构元素确定的邻域
内选取，：－６的最小值，是局部最小值滤波，同样对图像边缘处
的作用非常明显。通过适当的形态学处理，不仅可以平滑图像，
而且能有效地提取图像轮廓。
对图像进行一定次数的迭代腐蚀操作直至获得满意的目
标轮廓；使用迭代膨胀操作复原图像。迭代腐蚀和迭代膨胀是
以循环的方式进行腐蚀和膨胀操作：
迭代腐蚀：
ｆｆ，ｉｆ／－－０
ＦＯＫ＝｛。，（９）Ｉ（册Ｋ）ＯＫｉｆｉ≥ｌ
迭代膨胀：
ｉｔＦｉｆｉ－－Ｏ
麟＝｛扣。（１０）【（麟）ｏＫｉｆｉ≥ｌ
其中ｉ是迭代次数，Ｋ是基本结构元素。利用迭代腐蚀操作提取分割目标的轮廓，利用迭代膨胀操作复原腐蚀过程中丢失的部分图像信息（如边缘信息），注意腐蚀和膨胀的迭代次数应保持一致。具体分割流程分为３个阶段：
第一阶段：提取分割目标的轮廓。通过选择合适的结构元素（如半径为２的球面），然后对图像进行迭代腐蚀操作直至目标轮廓被完全提取出来，记下迭代次数Ⅳ，这将在第三阶段使用。这—阶段的目地是使分割目标与背景脱离，为第二阶段提供准确的分割范围，从而有效防止第二阶段中出现不完全分割问题。
第二阶段：准确对分割目标进行分割操作。人工设置种子区域，利用Ｃｈａｎ—Ｖｅｓｅ模型对分割目标进行分割，由于第一阶段的迭代腐蚀操作很好地提取了目标轮廓，所以本阶段能取得满意的分割效果。
第三阶段：恢复第一阶段中丢失的数据。在第一阶段的迭代腐蚀过程中某些有用的图像信息可能被腐蚀掉了。为了恢复这些被腐蚀掉的信息，可以对图像进行迭代膨胀操作。使用和第一阶段相同的结构元素并使迭代次数与第一阶段中的次数保持—致，可以最大限度地对图像进行复原。３．２脑肿瘤三维莆构
基于Ｃｈａｎ—Ｖｅｓｅ模型的脑肿瘤分割方法适用于单幅脑肿瘤图片的分割。在实际临床应用中，进行脑肿瘤手术前医生必须获得更多的脑肿瘤相关信息，如脑肿瘤的三维状态及脑肿瘤在大脑中的三维定位等，仅仅了解脑肿瘤的二维信息远不能满足这一要求，所以有必要对脑肿瘤进行三维重构与定位。基本思想如下：使用上述分割方法分别对所有包含脑肿瘤的切片序列进行分割，然后利用ＶＴＫ．”对所有切片进行重构，如图２所示。由于脑肿瘤在二维图像中坐标的相对稳定性，所以只需设定好初始化种子区域和相关的循环参数就可以实现对所有脑肿瘤切片的半自动分割【廿ｌ。这样—方面避免了自动分害ｑ造成的分割结果不够准确，另外也有效地解决了人工分割过程中工作量过大的问题。
图２大脑三维重构原理图
通过ＶＴＫ对所有分割后的切片序列进行三维重构与定位，ｖＴＫ是—个开源工具箱，其中封装了一些比较常用和稳定的算法，可以通过这些算法对图像进行三维处理。首先对所有的脑肿瘤序列切片进行分割．然后设置适当的颜色函数和非透明函数，最后再通过ＶＴＫ中的体绘制方法【ｌｌ】和面绘制方ｊ去Ｉ“将所有分割后的脑肿瘤序列切片进行三维重构与定位。
４实验
实验数据为兰州大学第二附属医院神经内科提供的相关脑肿瘤与脑室图片，分辨率为１２８ｘ１２８，算法验证平台采用了Ｍａ卜ｌａｂ７．０和Ｖｉｓｕａｌｓｔｕｄｉｏ２００８，实验结果经临床医生验证。在进行腐蚀与膨胀操作时均使用半径为２的球形结构元素，且腐蚀与膨胀的迭代次数控制在较小的范围内。使用ＶＴＫ进行三维重构时，通过设置适当的非透明函数和颜色函数，可以通过面绘制和体绘制方法分别实现脑肿瘤的三维重构与定位。
图３为该文提出的分割方法与Ｃｈａｒｔ—Ｖｅｓｅ模型分别对脑室ＭＲ图片与脑肿瘤ＣＴ图片进行分割后的对比图片。左侧为原始图片。中间为用Ｃｈａｎ－Ｖｅｓｅ模型分别对脑室和脑肿瘤进行
图３新方法与传统分韵方法的对比图
万方数据
１５８２０１０，４６（９）Ｃｏｍｐｕｔｅｒ
Ｅｎｇｉｎｅｅｒｉｎｇ
ａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用
分割后的图片，从图中可以看出在分割目标的模糊边缘处均出现了不完全分割问题。右侧为使用该文提出的分割方法进行分割后的图片，由于结合了形态学操作，可以明显看出在分割目标的模糊边界处出现的不完全分割问题得到了很好的处理。
图４为对所有分割后的脑肿瘤切片进行三维重构与定位后的效果图。一共对１４７幅分辨率为１２８ｘ１２８的脑肿瘤切片进行了三维重构。左侧为脑肿瘤三维重构图，通过设置不同的亮度函数值，借助ＶＴＫ中的面绘制方法可以实现脑肿瘤重构，从图４中可以直观地了解肿瘤的三维状态和大小。中间为脑肿瘤三维定位图，通过设置非透明函数和颜色函数，可以通过面绘制方法实现，从图４中可以清楚观察脑肿瘤在大脑中的三维定位。右侧为三维重构剖面图，也可以通过体绘制实现，从图４中可以分析脑肿瘤与周围组织的连接情况。
图４脯肿瘤三维重构及定位图
综上所述，提出的基于Ｃｈａｎ—Ｖｅｓｅ模型的脑肿瘤图像分割方法能很好地解决不完全分割问题。另外，该方法无论对ＭＲ成像图片或ＣＴ成像图片都能进行准确分割，从而获得了更广泛的临床应用。最后借助ＶＴＫ实现了脑肿瘤的三维重构与定位，获得了脑肿瘤的大小、立体定位及与周围脑组织的连接状况等临床应用所需的重要三维信息。
５结论
提出了一种基于Ｃｈａｎ—Ｖｅｓｅ模型的脑肿瘤图像分割与三维重构方法。先对图像进行迭代腐蚀操作提取脑肿瘤轮廓，然后利用Ｃｈａｎ—Ｖｅｓｅ模型对脑肿瘤进行分割，之后对图像进行迭代膨胀操作恢复图像，这样在分割目标的模糊边缘处能取得比Ｃｈａｎ—Ｖｅｓｅ模型更好的分割效果，从而很好地解决了不完全分割问题。最后利用ｖＴＫ对所有分割后的脑肿瘤切片进行了三维重构与定位。实验结果表明方法不仅能准确地对脑肿瘤进行分割。在此基础上还能对脑肿瘤进行三维重构与定位，为医生对脑肿瘤或血瘤等颅内占位性病变术前分析提供了较为准确的数据，具有较大的临床实用价值。
参考文献：
【１１ＰｒａｓｔａｗａＭ，ＢｕｌｌｉｕＥ，ＭｏｏｎＮ，ｅｔａ１．Ａｕｔｏｍａｔｉｃｂｒａｉｎｔｕｍｏｒｓｅｇ－ｍｅｎｔａｔｉｏｎｂｙｓｕｂｊｅｃｔｓｐｅｃｉｆｉｃｍｏｄｉｆｉｃａｔｉｏｎｏｆａｌｌａＢｐｒｉｏｒｓ［Ｊ］．Ａ阶ｄｅｍｉｃＲａｄｉｏｌｏｇｙ，２００３，１０（１２）：１３４１－１３４８．
【２】ＧｕＵ—孤，Ｐｅｔｅｒｓ７ｒ３Ｄｓｅｇｍｅｎｔａｔｉｏｎｏｆｍｅｄｉｃａｌｉｍａｇｅｓｕｓｉｎｇ８ｆａｓｔｍｕｌｔｉｓｔａｇｅｈｙｂｒｉｄａｌｇｏｒｉｔｈｍ［Ｊ！．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌ０ｆＣｏｍｐｕｔｅｒＡｓｓｉｓｔｅｄＲａｄｉｏｌｏｇｙａｎｄＳｕｒｇｅｒｙ，２００６，ｌ（Ｉ）：２３－３１．
硎ｌＫⅡ鹧Ｍ，ＷｉｔｋｉｎＡ，ＴｅｒｍｐｏｕｌｏｓＤ．Ｓｎａｋｅｓ：Ａｃｔｉｖｅｃｏｎｔｏｕｒｍｏｄｅｌｓ们．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，１９８８，１（４）：３２１—３３１．【４】ＯｓｈｅｒＳ，ＳｅｔｈｉａｎＪＡ．Ｆｂ吣ｐｒｏｐａｇａｔｉｎｇｗｉｔｈｃｕｒｖａｔｕｒｅｄｅｐｅｎｄｅｎｔｓｐｅｅｄ：ＡｌｇｅｒｉｔｈｎｍｂａｓｅｄｏｎＨａｍｉｌｔｅｎ－ｊａｃｏｈｉｆｏｒｍｕｌａｔｉｏｎｓ［Ｊ１ＪｏｕｒｎａＺｏｆＣｏｍｐｕｔａｔｉｏｎａｌＰｈｙｓｉｃｓ，１９８８，７９：１２－４９．
【５】ＣｈａｒｔＴＦ，ＶｅｓｅＬＡ．Ａｃｔｉｖｅｃｏｎｔｏｕｒｓｗｉｔｈｏｕｔｅｄｇｅｓ［Ｊ］．ＩＥＥＥＴｒａｎｓ－ａｃｔｉｏｎｓＯｉｌＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ，２００１，１０（２）：２６６－２７７．
【６】职占江，宋锦萍．基于Ｃｈｎｎ—Ｖｅｓｅ模型的医学图像分割算法叨．计算机工程与应用，２００８，４４（１４）：１９０－１９４．
【７】马建林，崔志明。吴健，等．—种新的基于区域增长的Ｒ０１分割算法田．计算机应用研究，２００８，２５（５）：１５８１—１５８５．
【８１ＢｏｕｃｈｅｔＡ，ＰａｓｔｏｒｅＪ，ＢａｌｌａｒｉｎＶ．Ｓｅｇｍｅｎｔａｔｉｏｕｏｆｍｅｄｉｃａｌｉｍａｇｅｓｕ卜ｉｎｇｆｈｚ琴ｍａｔｈｅｍａｔｉｃａｌｍｏｒｐｈｏｌｏｇｙ［Ｊ］．Ｊｏｕｒｎａｌ０ｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２００７，７（３）：２５６－２６２．
【９ｌＭｃｌｎｅｍｅｙＴ。ＴｅｒｚｏｐｏｕｌｅｓＤ．Ｄｅｆｏｒｍａｂｌｅｍｏｄｅｌｓｉｎｍｅｄｉｃａｌｉｍａｇｅａｎａｌｙｓｉｓ：Ａｓｕｒｖｅｙ［Ｊ｝．ＭｅｄｉｃａｌＩｍａｇｅＡｎａｌｙｓｉｓ，１９９６，１（２）：９１—１０８．【１０ｌＬｆｌｎｌ“ｌｅＷ，ＧｌｏｍｂｉｔｚａＧ，ＦｉｓｃｈｅｒＬ，ｅｔａ１．１１ｌｅｉｍｐａｃｔｏｆ３—ｄｉ眦ｎ－ｓｉｏｎｒｅｃｏｎｓｔｒｕｃｔｉｏｎｓｏ／１ｏｐｅｒａｔｉｏｎｓｐｌａｎｎｉｎｇｉｎｌｉｖｅｒ８ｌｌ留巧ｍ舡ｈＳｕｒｇ，２０００。１３５（１１）：１２５６－１２６１．
【１１】ＳｃｈｔｏｅｄｅｒＷＪ，ＡｖｉｌａＬＳ，ＨｏｆｆｍａｎＷ．ＶｉｓｕａｌｉｚｉｎｇＷｉｔｌｌＶ。ＩＸ：Ａｔ，，ｔｅｒｉａｌ［ｆ１．ＩＥＥＥＴｒａｎｓａｅｆｉｏｍｏｎＣｏｍｐｕｔｅｒＧｒａｐｈｉｃｓａｎｄＡｐｐｌｉｃａ－ｔｉｏｎｓ，２０００，２０（５）：２０－２７．
【１２ＪＣｈａｎＴＦ，ＶｅｓｅＬＡ．ＡｌｅｖｅｌｓｅｔａｌｇｏｒｉｔｈｍｆｏｒｍｉｎｉｍｉｚｉｎｇｔｈｅＭｕｍｆｏｒｄ－Ｓｈａｈｆｕｎｃｔｉｏｎａｌｉｎｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ［Ｃ］／／ＩＥＥＥＷｏｒｋｓｈｏｐｏｎＶａｒｉａｔｉｏｎａｌ
ａｎｄＬｅｖｅｌＳｅｔＭｅｔｈｏｄｓｉｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，２００１，１５（３）：１６１—１６８．
【１３】Ｋ８ＩＩｇＹ，Ｅｎｇｅｌｋｅ，ＫａｈｎｄｅｒＷ＆Ｉｎｔｅｒａｃｔｉｖｅ３ｄｅｄｉｔｉｎｇｔｏｏｌｓｆｏｒｉｒａ－ａｇｅｓｅ印ａｅｎｔａｔｉｏｎ［Ｊ］．ＭｅｄｉｃａｌＩｍａｇｅＡｎａｌｙｓｉｓ。２００４。８（１）：３５－－４６．
（上接１４８页）
【２】ＫｏｎｓｔａｎｔｉｎｉｄｅｓＫ，Ｎａｍ＇ａｊａｎＢ，ＹｏｖａｎｄＧＳ．Ｎｏｉｓｅｅｓｔｉｍａｔｉｏｎａｎｄｆｉｌｔｅｒｉｎｇｕｓｉｎｇｂｌｏｃｋ－ｂａｓｅｄｓｉｎｇｕｌａｒｖａｌｕｅｄｅｃｏｍｐｏｓｉｔｉｏｎ［Ｊ］．ＩＥＥＥ
Ｔｒａｎｓｏｎｈｍ辨Ｐｒｏｃｅｓｓ，１９９７，６（３）：４７¨８３．
【３】３ＨｏｕＺ．Ａｄａｐｔｉｖｅｓｉｎｇｕｌａｒｖａｌｕｅｄｅｃｏｍｐｏｓｉｔｉｏｎｉｎｗａｖｅｌｅｔｄｏｍａｉｎｆｏｒｉｍａｇｅｄｅｎｏｉｓｉｎｌ五Ｊ］．ＰａＲｅｍＲｅｃｏｇｎｉｔｉｏｎ，２００３，３６：１７４７－１７６３．［４１ＷｏｎｇｓａｗｅｔＹ。ＲａｏＫＲ，ＯｒａｉｎｔａｒａＳ．ＭｕｌｔｉｃｈａｎｎｅｌＳＶＤ－ｂｎｓｅｄｉｍ－
ａｇｅｄｅｎｏｉｓｉｎｄＣＶ／ＩＳＣＡＳ２００５．２００５，６：５９９０－５９９３．
嘲ＣｏｉｆｍａｎＲＲ，ＤｇｎｏｈｏＤＬＷａｖｅｌｅｔｓａｎｄｓｔａｔｉｓｔｉｃｓ．ＡｎｔｏｕｉａｄｉｓＡ．ＯｐｐｅｎｈｅｉｍＣ．ＮｅｗＹｏｒｋ：Ｓｐｒｉｎｇｅｒ－Ｖｅｒｌａｇ．１９９５．
ｆ６】ＤａｍｉｅｎＭ，ＳａｈｈＢ，ＭｉｒｅｉｌｌｅＧ．ＳＶＤ—ｂａｓｅｄｉｍａｇｅｆｉｌｔｅｒｉｎｇｉｍｐｒｏｖｅ－ｍｅｎｔｂｙｍｅａｎｓｏｆｉｍａｇｅｒｏｔａｔｉｏｎ［Ｃ】，／２００４ＩＣＡＳＳＰ，Ｍｏｎｔｒｅａｌ，ＱＩｌｅ．
ｂｅｃ，Ｃａｎａｄａ，２（肼：２８９－２９２．
川ＦｅｎｇＸ，蛐１ａｌｌ缸ＥＭｕｌｆｉｓｃａｌｅｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔｓａｎａｌｙｓｉｓｆａｒｉｍ－ａｇｅ
ｌｏｃａｌｏｒｉｅｎｔａｔｉｏｎｅｓｔｉｍａｔｉｏｎ［Ｃ］／／Ｔｈｅ３６ｔｈＡｓｆｌｏｍａｒＣｏｄｓｉｓ，ｍｌｓ。
ＳｙｓｔｅｍａｎｄＣｏｍｐｕｔｅｒｓ，ＰａｃｉｆｉｃＧｒｏｖｅ，ＣＡ，２００２：４７８—４８２．
嘲ＰｏｒｔｉｌｌａＪ。ＳｔｒｅｌａＶ，ＷａｉｎｗｒｉｇｈｔＭ，ｅｔａ１．Ｉｍａｇｅｄｅｎｏｉｓｉｎｇｕｓｉｎｇｓｃａｌｅｍｉｘｔｕｒｅｓ０ｆＧａｕｓｓｉａｎｓｉｎｔｈｅｗａｖｅｌｅｔｄｏｍａｉｎ［Ｊ］．ＩＥＥＥＴｒａｎｓＯｉｌＩｍ．ａｇｅＰｒｏｃｅｓｓｉｎｇ，２００３。１２：１３３８一１３５１．
【９】ＢｕａｄａｓＡ，ＣｏＩｌＢ，ＭｏｒｅｌＪＭ．Ａｎｏｎ－ｌｏｃａｌ山ｏｒｉｔｈｍｆｏｒｉｍａｇｅ扣ｎｏｉｓｉｎｇ［Ｃ］／／ＩＥＥＥＣＶＰＲ．ＳａｎＤｉｅｇｏ：ＩＥＥＥＣｏｍｐｕｔｅｒＳｏｃｉｅｔｙ，２００５：６０－６５．
【ｌｏ】ＦｏｉＡ，ＤａｂｏｖＫ，ＫａｔｋｏｖｎｉｋＶ。ｅｔａＬＳｈａｐｅ－ａｄａｐｔｉｖｅＤＣｒ细ｄｅ∞ｉｐｉｎｓａｎｄｉｍａｇｅｒｅｃｏｎｓｍｗｔｉｏｎ［Ｃ｝／／ＥｌｅｃｔｒａｎｉｃＩｍａｇｉｎｇ’０６，ＳａｎＪｏｓｅ，
Ｃａｌｉｆｏｒｎｉａ。ＵＳＡ．２００６． 万方数据
Chan-Vese模型下的脑肿瘤图像分割方法
作者：许存禄， 高佳， 武国德， XU Cun-lu， GAO Jia， WU Guo-de
作者单位：许存禄,高佳,XU Cun-lu,GAO Jia(兰州大学,信息科学与工程学院,兰州,730000)， 武国德,WU Guo-de(兰州大学,第二附属医院,神经内科,兰州,730000)
刊名：
计算机工程与应用
英文刊名：COMPUTER ENGINEERING AND APPLICATIONS
年，卷(期)：2010,46(9)
参考文献(13条)
1.McInemey T;Terzopoulos D Deformable models in medical image analysis:A survey 1996(02)
2.Bouchet A;Pastore J;Ballarin V Segmentation of medical images using fuzzy mathematical morphology 2007(03)
3.Kang Y;Engelke;Kalender W A Interactive 3d editing tools for image segmentation[外文期刊] 2004(01)
4.Chan T F;Vese L A A level set algorithm for minimizing the Mumford-Shah functional inimage processing 2001
5.Schroeder W J;Avila L S;Hoffman W Visualizing with VTK:A tutorial[外文期刊] 2000(05)
https://www.360docs.net/doc/8e8532167.html,made W;Glombitza G;Fischer L The impact of 3-dimension reconstructions on operations planning in liver surgery 2000(11)
7.马建林;崔志明;吴健-种新的基于区域增长的ROI分割算法 2008(05)
8.职占江;宋锦萍基于Chan-Vese模型的医学图像分割算法[期刊论文]-计算机工程与应用 2008(14)
9.Chan T F;Vese L A Active contours without edges 2001(02)
10.Osher S;Sethian J A Fronts propagating with curvature dependent speed:Algorithms based on Hamilton-jacobi formulations[外文期刊] 1988
11.Kass M;Witkin A;Terzopoulos D Snakes:Active contour models[外文期刊] 1988(04)
12.Gu Li-xu;Peters T3D segmentation of medical images using a fast multistage hybrid algorithm 2006(01)
13.Prastawa M;Bullitt E;Moon N Automatic brain tumor segmentation by subject specific modification of atlas priors 2003(12)
本文链接：https://www.360docs.net/doc/8e8532167.html,/Periodical_jsjgcyyy201009044.aspx
医学图像分割综述
医学图像分割综述郭爱心安徽大学摘要：图像分割是图像处理和分析的关键。随着影像医学的发展，图像分割在医学应用中具有重要意义。本文从医学应用的角度出发，对医学图像分割的意义、方法、评估标准和发展前景做出了简单综述。关键字：医学图像分割意义方法评估标准发展前景AReviewofMedicalImageSegmentation Ai- XinGuoAnhuiUniversityAbstract:Imagesegmentationisthekeyofimageprocessingandanalysis.Withthede velopmentofmedicalimage,imagesegmentationisofgreatsignificanceinmedicalapplications.Fromtheper spectiveofmedicalapplications,thispapermadeasimplereviewofthemedicalimagesegmentationonit’ssig nificance、methods、evaluationstandardsanddevelopmentprospects.words:Keymedical image,segmentation,sig nificance,methods,evaluation standards,developmentprospects1.医学图像分割的意义图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。医学图像包括CT、正电子放射层析成像技术（PET）、单光子辐射断层摄像（SPECT）、MRI（磁共振成像技术）、Ultrasound（超[2]声）及其它医学影像设备所获得的图像。医学图像分割是将原始的2D或3D图像划分成[1]不同性质(如灰度、纹理等)的区域，从而把感兴趣的区域提取出来。医学图像分割是一个非常有研究价值和研究意义的领域，对疾病诊断、图像引导手术以及医学数据可视化等有重要作用，为临床诊疗和病理学研究提供可靠的依据。医学图像处理有其复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像相比较，不可
彩色图像分割介绍
第一章绪论 计算机图像处理在医学领域的应用越来越广泛，白细胞图像的自动判断就是其中的代表之一。它能有效地减少主观干扰，提高工作效率，减轻医生负担。近些年来，计算机硬件技术和光谱成像技术的飞速发展，使得成功研制开发出小型实用的基于多光谱的白细胞图像自动分类识别系统成为可能。 本文研究的主要目的在于对白细胞多光谱图像分割进行初步的探索研究，为系统中其后的白细胞能够准确地分类识别奠定基础。 本章简要阐述了基于多光谱的白细胞图像分割的应用背景和研究意义，回顾了国内外细胞图像分割和多光谱遥感图像分类的研究发展状况，并简要介绍了本论文的主要工作。 §1.1 概述 §1.1.1 白细胞检验 白细胞的光学显微镜检查是医院临床检验项目之一，特别是对各种血液病的诊断占有极其重要的地位。它的任务是观察或测定血液中的各种白细胞的总数、相对比值、形态等，用于判断有无疾病、疾病种类以及严重程度等，特别是对类似白血病这类血液病诊断具有更加重要的意义。 白细胞分类计数的传统方法是将血液制成涂片，染色后，临床医生在显微镜下用肉眼按照有关标准，如核的形状、细胞浆的量和颜色，细胞浆颗粒的大小和颜色，整个细胞形状、稀薄与细胞间的接触等，来观察和检查这样的细胞标本[1]。然而这项工作十分繁重，工作效率低，容易误判，且人工识别误差随检查人员而异。同时通过观察的细胞数目较少，从统计的角度看，因样本集较小而影响诊断结果的可靠性。 计算机图像处理与分析技术伴随着信息技术的不断进步在最近20年间得到了飞速的发展，已经迅速渗透到人类生活和社会发展的各个方面，这为智能化细胞分析仪代替人工方法提供了基础。因此，借助于现代计算机技术结合临床医生的实践经验，采用图像处理技术对图像进行处理，从而对细胞进行识别，对于医学科研与实践，以及临床诊断方面有着现实意义和非常广阔的前景。 目前已经制成的自动白细胞分析仪主要有两种类型： 一类是用组织化学染色法，通过连续流动的系统，以光电效应的方式分别数出单一细胞，并可同时报告白细胞总数、各类细胞的百分率和绝对值。因为该法不是由细胞形态学特点识别各类白细胞，所以不能目视观察白细胞形态，亦不能保留样本，对感染中毒细胞无法识别。 另一类是原型认定型，其工作原理模仿人“脑眼系统”[2]的智能识别过程，运用计算机图像处理和模式识别技术，将从显微镜与相机或摄像机得到的数字化图像进行自动处理分析和分类。与前一种类型的白细胞分类仪器相比，其主要优
遥感影像的分类处理
摘要 在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。 近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。 相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。 然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。 针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程
彩色图像快速分割方法研究【开题报告】
毕业论文开题报告 电子信息工程 彩色图像快速分割方法研究 一、课题研究意义及现状 图像分割是一种重要的图像技术，不论是在理论研究还是实际应用中都得到了人们的广泛重视。图像分割是我们进行图像理解的基础，是图像处理中的难点之一，也是计算机视觉领域的一个重要研究内容。把图像划分为若干个有意义的区域的技术就是图像分割技术，被划分开的这些区域相互不相交，而且每个区域也必须满足特定区域的一致性条件。 彩色图像反映了物体的颜色信息，比灰度图像提供的信息更多，因此，彩色图像的分割得到了越来越多人的关注，彩色图像分割方法的研究具有很大的价值。彩色图像分割一直是彩色图像处理中一个很重要的问题，它可以看作是灰度图像分割技术在各种颜色空间上的应用。 目前，图像分割的主要方法有：基于区域生长的分割方法、基于边缘检测的分割方法、基于统计学理论的分割方法、基于小波变换法、基于模糊集合理论的方法等多种方法。其中，JSEG算法是一种基于区域生长的图像分割方法，它同时考虑了图像的颜色和纹理信息，分割结果较为准确，受到了广泛的关注。但是JSEG算法要在多个尺度下反复进行局部J值计算和区域生长，同时还要进行基于颜色直方图的区域合并，这样，该算法就显得更为繁琐、复杂。针对这些不足之处，有学者提出了一种结合分水岭与JSEG的图像分割新算法。这种新算法在计算得到图像J后，通过引入分水岭算法直接对J图进行空域分割，然后通过形态后处理完成分割。与原JSEG算法比较，新算法能够得到良好的分割效果，有效的降低了JSEG算法的复杂度。 国内外也有很多学者对彩色图像的分割方法进行研究，也提出了许多有价值的彩色图像分割算法及改进的彩色图像分割算法，而多种分割算法的结合使用也改进了单一算法的不足之处，使得彩色图像的分割结果更加理想。但是从目前对彩色图像的研究来看，由于应用领域的不同、图像质量的好与坏以及图像色彩的分布和结果等一些客观因素引起的差异，我们还没有找到一种能够完全适用于所有彩色图像分割的通用的算法。因此，彩色图像的分割方法仍是一个尚未解决的难题，还需要图像处理领域的研究人员进一步的研究探索。 本研究是对基于JSEG的改进彩色图像分割算法的研究，该算法能够有效降低原JSEG算法的复杂度，提高图像分割效率，在图像分割领域有很重要的意义。该算法是在原JSEG算法的基础上，引入了分水岭算法，降低了原算法的计算量，降低了图像分割时间。 二、课题研究的主要内容和预期目标 主要内容：
基于注意机制的改进卷积神经网络脑肿瘤图像分割方法与制作流程
本技术涉及一种基于注意机制的改进卷积神经网络脑肿瘤图像分割方法，包括下列步骤：数据预处理：首先对三维脑肿瘤MRI图像数据进行N4ITK算法的去偏置场效应处理，其次对原始MRI图像中的Flair、T1、T1C和T2四种模态图像分别进行灰度归一化预处理；搭建并训练基于注意机制的改进卷积神经网络模型，在训练过程中，将患者的四种模态数据当作神经网络的四个通道输入到网络模型中进行训练，以便融合不同模态的不同特征，进行更精确的分割；将预处理后的图像分为训练集和测试集，利用训练集对基于注意机制的改进卷积神经网络模型进行训练。 权利要求书 1.一种基于注意机制的改进卷积神经网络脑肿瘤图像分割方法，包括下列步骤： 1)数据预处理：首先对三维脑肿瘤MRI图像数据进行N4ITK算法的去偏置场效应处理，其次 对原始MRI图像中的Flair、T1、T1C和T2四种模态图像分别进行灰度归一化预处理。
2)搭建并训练基于注意机制的改进卷积神经网络模型，在训练过程中，将患者的四种模态数据当作神经网络的四个通道输入到网络模型中进行训练，以便融合不同模态的不同特征，进行更精确的分割：以用于生物医学图像分割的卷积网络3D U-Net作为基础，网络包括一个用于分析整个图像，获取上下文信息的分析路径和一个连续扩展的合成路径实现精确定位以产生全分辨率分割输出； 每个路径都有四个分辨率步骤层，两条路径中每层均包含两个内核大小为3×3×3的卷积层，每个卷积层后跟一个ReLu激活函数；相邻两层之间分别是最大池化层和上采样层，步长均为2内核大小均为2×2×2；为避免瓶颈，分析路径中在最大池化层之前已将通道数量加倍，合成路径中同理；在最后一层，内核大小为1×1×1的卷积层将输出通道的数量减少到标签数量； 在为合成路径提供基本的高分辨率特征的来自分析路径中同层的快捷连接中加入注意门(Attention Gate，AG)模型，将从下一分辨率层提取的粗尺度信息作为门控信号，用来删减跳过连接中的不相关的特征，突出显示通过跳过连接传递的显著特征，搭建基于注意机制的改进卷积神经网络模型，称为AG_UNet； 对所有卷积层的非线性部分采用leaky ReLu激活函数，标准化方式采用实例标准化，在训练过程中使用随机翻转，随机缩放，随机弹性形变和镜像等数据增强技术进行数据增强，并选用多类Dice损失函数作为损失函数； 将预处理后的图像分为训练集和测试集，利用训练集对基于注意机制的改进卷积神经网络模型进行训练； 3)测试分割结果：当基于注意机制的改进卷积神经网络模型训练好后，在测试集上测试模型。 技术说明书
彩色图像分割的国内外研究现状
1．阈值分割方法 阈值分割方法的历史可追溯到近40年前，现已提出了大量算法，对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范闱之中的灰度阈值，然后将图像中各个象素的灰度值都与这个阈值相比较，并根据比较结果将对应的像素分为两类。这两类像素一般分属图像的两类区域，从而达到分割的目的。从该方法中可以看出，确定一个最优阈值是分割的关键。现有的大部分算法都是集中在阈值确定的研究上。阈值分割方法根据图像木身的特点，可分为单阈值分割方法和多阈值分割方法;也可分为基于像素值的阈值分割方法、基于区域性质的阈值分割方法和基于坐标位罝的阈值分割方法。若根据分割算法所有的特征或准则，还可以分为直方图与直方图变换法、最大类空间方差法、最小误差法与均匀化误差法、共生矩阵法、最大熵法、简单统计法与局部特性法、概率松弛法、模糊集法、特征空间聚类法、基于过渡区的阈值选取法等。 目前提出了许多新方法，如严学强等人提出了基于量化直方图的最大熵阈值处理算法，将直方图量化后采用最大熵阈值处理算法，使计算量大大减小。薛贵浩、帝毓晋等人提出基于最大类间后验交叉熵的阈值化分割算法，从目标和背景的类间差异性出发，利用贝叶斯公式估计像素属于目标和背景两类区域的后验概率，再搜索这两类区域后验概率之间的最大交叉熵。这种方法结合了基于最小交叉熵以及基于传统香农熵的阈值化算法的特点和分割性能，取得很好的通用性和有效性，该算法也容易实现二维推广,即采用二维统计量(如散射图或共生矩阵)取代直方图,以提高分割的准确性。俞勇等人提出的基于最小能量的图像分割方法，运用了能量直方图来选取分割阈值。任明武等人提出的一种基于边缘模式的直方图构造新方法，使分割阈值受噪声和边缘的影响减少到最小。程杰提出的一种基于直方图的分割方法，该方法对Ostu准则的内在缺陷进行了改进,并运用对直方图的预处理及轮廓追踪，找出了最佳分割阈值。此方法对红外图像有很强的针对性。付忠良提出的基于图像差距度量的阈值选取方法，多次导出Ostu方法，得到了几种与Ostu类似的简单计算公式，使该方法特别适合需自动产生阈值的实时图像分析系统。华长发等人提出了一种基于二维熵阈值的图像分割快速算法，使传统二维阈值方法的复杂度从0(W2 S2)降至0(W2/3 S2/3)。赵雪松等人提出的综合全局二值化与边缘检测的图像方法，将全局二值化与边缘检测有效的结合起来，从而达到对信封图分割的理想效果。靳宏磊等人提出的二维灰度直方图的最佳分割方法，找到了一条最佳分割曲线，使该算法得到的分割效果明显优于一维直方图阈值方法。乐宁等人根据过渡区内象素点具有的邻域方向性特点，引入了基于一元线性回归处理的局部区域随机波动消除方法，将图像过渡区算法进行了改进。模糊技术及其日趋成熟的应用也正适应了大部分图像边缘模糊而难以分析的现状，赵初和王纯提出的模糊边缘检测方法能有效地将物体从背景中分离出来，并已在模式识别中的图像预处理和医学图像处理中获得了良好的应用。金立左、夏良正等提出图像分割的自适应模糊阈值法，利用目标一背景对比度自动选取窗宽的方法，并给出了根据目标与摄像机间的相对距离估计目标--背景对比度的算法，克服隶属函数的分布特性及其窗宽对阈值选取的不良影响。其应用于智能电视跟踪系统，对不同对比度和不同距离的海面舰船图像进行阈值分割，有较强的场景适应能力。王培珍、杜培明等人提出了一种用于多阈值图像自动分割的混合遗传算法，针对Papamarkes等提出爬山法的多阈值分割和Olivo提出子波变换的方法只对明显峰值有效而对不明显的峰值无效的缺点，以及结合模糊C-均值算法和遗传算法的两大显著特点而改进的算法，这种分割方法能够快速正
Chan_Vese模型下的脑肿瘤图像分割方法
2010，46（9） 1引言 医学图像分割是医学图像处理过程中的重要步骤，医学图像中的脑肿瘤分割[1]要求不仅要快速，而且要准确地对脑肿瘤进行分割操作。同时，医学图像分割也是图像处理领域中的一个经典难题，迄今为止还没有出现某种分割方法对各种医学图像的分割达到令人满意的地步。一般而言，根据具体的情况可以选择不同的图像分割方法，但基于模型和基于区域的分割方法[2]是比较常用的分割方法。 基于模型的分割方法包括活动轮廓模型（可变型模型）[3]和水平集[4]等算法，分别由Kass et al[3]和Osher and Sethian[4]提出。在此基础上Tony Chan和Luminita Vese[5]共同提出了Chan-Vese[5-6]模型。上述算法的核心思想是在分割目标附近初始化一条可变型能量曲线，然后这条曲线不断朝着分割目标的边界变型，当曲线即将与目标边界重合时能量几近为零，从而达到分割的目的。这种方法的优点是通过设置种子区域，可以快速地对图像进行分割操作，但由于过度依赖分割目标的梯度或亮度信息，同时分割过程中比较依赖参数的选择，所以导致分割结果不够准确。 基于区域的分割方法包括区域增长[7]和形态学处理[8]等。这些算法都是基于对邻域像素点的操作，分割的准确度比较高。基于区域的分割方法通常被用来提取图像的轮廓。由于需要针对逐个像素点进行计算，导致这些方法的计算量很大，这直接影响到了最后的图像分割速度。 Tim McInerney等人[9]将可变型模型用于医学图像分割并取得了较好的效果。由于可变型模型（活动轮廓模型、Chan-Vese模型）过度依赖于图像的梯度或亮度均值等信息，所以当 Chan-Vese模型下的脑肿瘤图像分割方法 许存禄1，高佳1，武国德2 XU Cun-lu1，GAO Jia1，WU Guo-de2 1.兰州大学信息科学与工程学院，兰州730000 2.兰州大学第二附属医院神经内科，兰州730000 1.School of Information Science and Engineering，Lanzhou University，Lanzhou730000，China 2.Department of Neurology，Second Affiliated Hospital of Lanzhou University，Lanzhou730000，China E-mail：clxu@https://www.360docs.net/doc/8e8532167.html, XU Cun-lu，GAO Jia，WU Guo-de.Brain tumor image segmentation method based on Chan-Vese https://www.360docs.net/doc/8e8532167.html,puter Engi－neering and Applications，2010，46（9）：155-158. Abstract：A brain tumor image segmentation and3D reconstruction method is proposed based on Chan-Vese model.The brain tumor image is first eroded iteratively by using morphological erosion to extract the brain tumor contour.Then the brain tumor in－cluded in eroded image is segmented by the Chan-Vese model.The image is finally dilated iteratively by using morphological di－lation to restore the image.Moreover，all segmented brain tumor images are reconstructed and located to three dimensions.Experi－mental results show that the algorithm based on Chan-Vese model can solve the problem of incomplete segmentation easily oc－curred in brain tumor segmentation process.At the same time，the3D reconstruction and location of the brain tumor offer a great reference value in clinical work. Key words：brain tumor；image segmentation；Chan-Vese model；3D reconstruction and location 摘要：提出了一种基于Chan-Vese模型的脑肿瘤图像分割与三维重构方法。该方法首先通过对脑肿瘤图片的迭代腐蚀操作提取脑肿瘤轮廓，然后利用Chan-Vese模型对脑肿瘤进行分割，最后对图像进行迭代膨胀操作复原图像。另外对所有分割后的脑肿瘤图片进行了三维重构与定位。实验结果表明，基于Chan-Vese模型的图像分割方法很好地解决了脑肿瘤分割过程中容易出现的不完全分割问题，同时对脑肿瘤的三维重构与定位也具有较大的临床实用价值。 关键词：脑肿瘤；图像分割；Chan-Vese模型；三维重构与定位 DOI：10.3778/j.issn.1002-8331.2010.09.044文章编号：1002－8331（2010）09-0155-04文献标识码：A中图分类号：TP391 基金项目：国家自然科学基金青年科学基金项目（No.60903101）。 作者简介：许存禄（1976-），男，博士，硕士生导师，主要研究领域为计算医学与图像处理；高佳（1985-），男，硕士生，主要研究领域为医学图像处理；武国德（1969-），男，副主任医师，主要从事神经内科临床工作。 收稿日期：2009-04-07修回日期：2009-06-02 Computer Engineering and Applications计算机工程与应用155
医学图像分割方法汇总
医学图像分割方法汇总 本文主要介绍在医学图像分割方面的几种典型算法，详细介绍每种算法的工作原理，通过对具体的医学图像实验来对比每种方法在分割方面的优点和缺点，分析结果产生的原因，从而在后面的实际应用中选择最合适的算法。 1阈值法分割 1-1 简单阈值分割 简单的阈值处理是图像分割中最为简单基础的一种分割方法。对于一副灰度图像，使用给定的阈值。图像中的像素超过这个阈值的一律设置为最大值（对于八位灰度图像，最大值一般为255），像素小于这个阈值的设置为0.下图1.2是利用五个不同的阈值对脑部图像（图 1.1）的分割结果。（从上到下，从左到右一次使用的阈值分别为最大值的0.1,0.3,0.5,0.7,0.9倍）。 图1.1原始脑部图像
图1.2 使用不同阈值分割后的结果 从实验结果来看，使用简单的阈值分割，过程十分简便，原理简单易懂，但是要是得到比较好的分割结果需要进行多次试验。 1-2 otsu阈值分割法 Otsu阈值分割法又称大津阈值分割法。它的原理是对图像所有的像素围进行遍历(对8位灰度图像来说呢，就是从0遍历到255)，找出合适的T(阈值),把原始图像分割成前景图像和背景图像并且两者之间的类方差最大。 原理： 对于图像I(x,y)，前景(即目标)和背景的分割阈值记作T，属于前景的像素点数占整幅图像的比例记为ω0，其平均灰度μ0；背景像素点数占整幅图像的比例为ω1，其平均灰度为μ1。图像的总平均灰度记为μ，类间方差记为g。 假设图像的背景较暗，并且图像的大小为M×N，图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1，则有：ω0=N0/ M×N (1)
彩色图像分割-RGB模型
成绩评定表学生姓名班级学号 专业电子信息工 程课程设计题目彩色图像分割程序设 计——RGB模型 评 语 组长签字： 成绩 日期201年月日
课程设计任务书 学院信息科学与工程专业电子信息工程 学生姓名班级学号 课程设计题目彩色图像分割程序设计——RGB模型 实践教学要求与任务： 本次课程设计中，主要任务是实现基于RGB模型的彩色图像分割的程序设计，对给定的彩色图像的颜色，使用RGB颜色模型，来对其进处理。 并且设计MATLAB程序，使其能完成输入图像便自动使用RGB 模型来进行图像分割。 工作计划与进度安排： 第一阶段（1-2天）：熟悉matlab编程环境，查阅相关资料； 第二阶段（2-3天）：算法设计； 第三阶段（2-3天）：编码与调试； 第四阶段（1-2天）：实验与分析； 第五阶段（1-2天）：编写文档。 指导教师： 201年月日专业负责人： 201年月日 学院教学副院长： 201年月日
Matlab是当今最优秀的科技应用软件之一，它一强大的科学计算与可视化功能，简单易用，开放式可扩展环境，特别是所附带的30多种面向不同领域工具箱支持，使得它在许多科学领域中成为计算机辅助设计与分析，算法研究和应用开发的基本工具盒首选平台在图像处理中，Matlab也得到了广泛的应用，例如图像变换，设计FIR滤波器，图像增强，四叉树分解，边缘检测，小波分析等等。不同的颜色空间在描述图像的颜色时侧重点不同。如RGB（红、绿、蓝三原色）颜色空间适用于彩色监视器和彩色摄象机，HSI（色调、饱和度、亮度）更符合人描述和解释颜色的方式（或称为HSV，色调、饱和度、亮度），CMY（青、深红、黄）、CMYK（青、深红、黄、黑）主要针对彩色打印机、复印机等，YIQ （亮度、色差、色差）是用于NTSC规定的电视系统格式，YUV（亮度、色差、色差）是用于PAL规定的电视系统格式，YCbCr（亮度单一要素、蓝色与参考值的差值、红色与参考值的差值）在数字影像中广泛应用。 彩色图像的处理有时需要将图像数据在不同的颜色空间中表示，因此，图像的颜色空间之间的转换成为一项有意义的工作。其中RGB在颜色空间转换中其关键作用，是各个空间转换的桥梁。Matlab中的颜色空间转换只涉及到了RGB、HSV、YCbCr、YIQ等，没有包含lαβ和其它颜色空间的转换。 关键字：Matlab；图像处理；RGB
基于Hough变换和GVF Snake模型的脑肿瘤分割方法
收稿日期：2017-09-25；修回日期：2017-10-27 基金项目：国家自然科学基金资助项目（61440049，61262019）；江西省自然科学基金资助项目（ 20151BAB207065，20161BAB202038）；江西省教育厅科技项目（GJJ170572）；江西省科技厅重点研发基金资助项目（20161BBG70047）作者简介：孔媛媛（1992-），女，山东枣庄人，硕士，主要研究方向为图像处理（2465884938@https://www.360docs.net/doc/8e8532167.html, ）；李军华（1974-），男，教授，博士，主要研究方向为进化算法、智能控制；王艳（1980-），女，讲师，博士研究生，主要研究方向为图像处理；鲁宇明（1969-），女，教授，博士，主要研究方向为进化计算、模式识别；W u Liu （1975-），男，assistant professor ，主要研究方向为图像处理. 基于Hough 变换和GVF Snake 模型的 脑肿瘤分割方法* 孔媛媛1a ，李军华1a ，王 艳1b ，鲁宇明1b ，Wu Liu 2 （1.南昌航空大学a.江西省图像处理与模式识别重点实验室；b.工程训练中心，南昌330063；2.耶鲁大学医学院，美国康涅狄格州06511） 摘 要：脑M R 图像中肿瘤区域的精确分割对后续的治疗与诊断十分关键，提出了一种基于Hough 变换定位与 遗传算法优化GVF Snake 模型的脑肿瘤分割方法。首先， 利用Hough 变换和阈值处理自动确定肿瘤区域；然后，利用GVF Snake 模型对肿瘤区域进行分割；同时，为了防止GVF Snake 在分割时易出现局部极小值的问题，进一步利用遗传算法的全局优化特性，对GVF Snake 模型分割的结果进行优化。实验结果表明，提出的模型能实现 对肿瘤区域的自动定位，同时也避兔了GVF Snake 模型在分割时易陷入局部最优的问题， 使分割的结果更加精确。 关键词：脑肿瘤分割；Hough 变换；GVF Snake 模型；遗传算法中图分类号：TP391.41 文献标志码：A 文章编号：1001-3695（2018）11-3469-03 doi ： 10.3969/j.issn.1001-3695.2018.11.064Brain tumor segmentation method based on Hough transform and GVF Snake model Kong Yuanyuan 1a ，Li Junhua 1a ，W ang Yan 1b ，Lu Yuming 1b ，W u Liu 2 （1.a.Key Laboratory ofImage Processing &Pattern Recognition in Jiangxi Province ，b.Engineering Training Center ，Nanchang Hangkong University ，Nanchang 330063，China ；2.School ofM edical ，Y ale University ，Connecticut 06511，United States ） Abstract ：The precise segmentation of the tumor area in the brain M RI image is critical important for the subsequent treat-ments and diagnoses.This paper proposed a new segmentation method ，which based on Hough transform location and genetic al-gorithm optimization of GVF Snake model.Firstly ，it used Hough transform and threshold processing to locate the tumor areas automatically.Then it applied the GVF Snake model to segment the tumor areas.At the same time ， to address the problem that the algorithm is easily trapped into local minimum ，the results of GVF Snake segmentation are further optimized by using the global optimization of genetic algorithm.The experimental results show that the proposed model is then done automatically with no manual intervention ， and it can also avoid the local convergence problems of GVF Snake model ，then obtains a more precise result. Key words ：brain tumor image segmentation ；Hough transform ；GVF Snake model ；genetic algorithm 0 引言 脑肿瘤的发病率较高，约占全身肿瘤发病率的1.4%，死亡率超过2.4%。因此对脑肿瘤的诊断、治疗和科学研究日益 重要[1] 。目前，脑肿瘤的分割主要是医生利用自身的专业知识及经验手动完成，不仅耗时费力，而且主观因素较强。因此将图像处理技术应用到医学图像辅助分析中，生成脑肿瘤的自动分割或少量人工干预的半自动分割方法十分必要。 图像分割方法经过快速发展，针对M R 图像的脑肿瘤分割已形成不同的方法理论，如区域生长法、阈值法、分水岭变换、 基于曲线演变的模型等[2~6] 。区域生长法计算简单，可用于比较复杂的图形，但灰度的不均一和噪声容易产生过分割或欠生长。阈值法适用于灰度值相差较大的图像，脑肿瘤图像复杂，阈值选取困难。分水岭变换方法分割精度高，计算速度快，分割边界连续，但易产生大量的假边界，造成算法过度分割的现象。基于曲线演变的模型包括参数形变模型和几何形变模型[ 7，8] 。Snake 模型是经典的参数形变模型，在处理有间断的目标轮廓时能得到连续的分割结果，且对噪声不敏感，但 Snake 模型无法收敛于凹陷目标轮廓区域，对初始轮廓要求 高，无法处理边缘模糊的图像。文献[ 9]提出梯度矢量流（GVF ）模型扩大了外部力场的捕获范围，解决了传统Snake 模型对初始轮廓敏感、不能收敛于凹陷区域的缺点。文献[10]提出一种基于活动轮廓模型和进化算法优化参数值的混合优化算法。文献[11]利用Canny 边缘检测结果计算GVF Snake 模型的边缘梯度。这两种分割方法虽然改进了GVF Snake 模型对弱边界敏感的问题，但都需要人工参与确定肿瘤的初始轮廓，没有实现自动化分割。文献[12]中利用脑组织的左右对称性对脑肿瘤进行定位，实现了脑肿瘤的自动化检测，但不能处理肿瘤关于对称轴对称的情况，且受灰度值影响较大，鲁棒性较差。 本文设计了一种脑肿瘤的自动分割方法，该方法根据肿瘤 的形状特点，利用Hough 变换[13]和阈值处理[14] 对脑肿瘤进行定位。根据定位结果确定初始轮廓，然后利用GVF Snake 模型 对肿瘤区域进行分割，并通过遗传算法[ 15] 优化分割结果，从而实现脑肿瘤的精确分割。 第35卷第11期2018年11月 计算机应用研究 Application Research of Computers Vol.35No.11 Nov.2018 万方数据
彩色图像分割混合方法
使用直方图c聚类混合方法的彩色图像分割 摘要： 本文提出了一种新的直方图阈值–模糊C-均值混合（htfcm）的方法，这种方法可以应用到模式识别以及计算机视觉特别是彩色直方图等不同领域。该方法采用直方图阈值技术在彩色图像中获得所有尽可能均匀的区域。然后，使用模糊聚类（FCM）算法来提高这些均匀区域的聚类紧凑性。实验结果表明，所提出的低复杂性的htfcm的方法可以比采用蚁群算法进行细分的其他方法，获得更好的聚类结果和分割结果。 1简介 颜色是一个可以用来提取同类区域最重要的低级别的特点，多数时候与对象或对象的部分相关。在24位真彩色图像中，特殊颜色数量通常超过图像大小的一半，可以达到16百万。从人的感知上来说，这些颜色不能被人眼识别，只能靠内部认知空间的30种颜色来区分。由于所有的特殊颜色在感知上非常接近，它们可以被组合来形成同性质的区域来代表图像中的目标对象，因此图像可以变得更有意义并且更容易分析。在图像处理与计算机视觉中，图像分割是图像分析和模式识别的中心任务。这是把一个图像分割成多个区域，这些区域相对于一个或多个特征是同类的。 虽然在科学文献中已经出现许多分割技术，它们可分为基于图像域，基于物理和基于特征空间的分割技术。这些技术已经被广泛使用，但每一种都有其优点和局限.图像域技术把颜色特征和颜色的空间关系应用到同类评估中以便进行分割，这些技术产生具有合理紧凑性的区域但有会存在合适的种子区域选择困难的问题。基于物理技术的方法利用材料的反射特性的物理模型进行具有更多应用的颜色分割，他们的模型可能会产生色彩变化.特征空间技术利用颜色特征作为图像分割的关键和唯一标准来分割图片。因为色彩空间关系被忽略所以分割的区域通常是分散的。但是，这种限制可以通过提高区域紧凑性来解决。 在计算机视觉和模式识别中，由于其聚类有效性和实施简单，模糊C均值（FCM）算法已被广泛用于提高区域的紧凑性。它是一个将像素划分成群集的像素聚类过程，因此在同一集群中的像素最大可能的相似，那些不在同一组群的像素最大程度的不同。由于在视觉上不同的区域尽可能不同，这与分割过程相一致。但是，它的实现往往遇到两个不可避免的困难，确定聚类数和合理选择初始聚类中心。这些初始化困难对分割质量有影响。而聚类数的确定可能影响分割区域和区域性特征方差，获得初始聚类中心会影响聚类的紧凑性和分类的准确性。 最近，一些基于特征的分割技术采用蚁群算法（ACA）的概念对图像进行分割。由于蚁群算法的智能搜索能力，这些技术可以实现图像分割结果的进一步优化。但由于他们计算的复杂性会产生低效率。除了获得良好的分割结果外，[26]提及的改进的蚁群算法（AS）提供了一个解决方案来克服FCM的聚类中心和聚类数初始化条件的敏感性。然而，该技术在特征空间中没有达到非常紧凑的聚类结果。为了提高蚁群算法的性能，[26]介绍了蚁群–模糊C-均值算法(AFHA)。本质上，AFHA算法合并FCM算法和蚁群算法来提高特征空间中聚类结果的紧凑性。然而，由于蚁群算法计算的复杂度它的效率仍然很低。为了增加AFHA算法的效率，[26]介绍了改进的蚁群模糊C均值算法(IAFHA)。IAFHA算法在AFHA算法上增加了一个蚂蚁的子采样的方法以减少计算的复杂性使算法具有更高的效率。虽然IAFHA 的效率得到提高，但还存在较高的计算复杂度。 在本文中，我们提出了一个新的分割方法称为直方图阈值–模糊C-均值混合算法（htfcm）。Htfcm方法主要分为两个模块，即直方图阈值模块和FCM模块。直方图阈值模块用于获取FCM聚类中心和聚类数的初始条件。与蚁群聚类相比这个模块的实现不需要很高的计算复杂度。这就意味着该算法的简单性。 本文的其余部分安排如下：第2节详细地介绍了直方图阈值模块和FCM模块。3节提供了
Chan-Vese模型下的脑肿瘤图像分割方法
万方数据
１５６２０１０，４６（９）ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用 分割目标（脑肿瘤或血管）的边界比较模糊时分割效果就不是很准确，容易出现不完全分割问题。另一方面，利用三维图像处理技术对人体病变器官进行术前分析获得了越来越多的关注。Ｌａｍａｄｅ等人【ｌａｆ对人体病变肝脏进行了虚拟三维重构，为肝脏的术前分析提供了可靠的依据，具有很好的临床应用价值。而传统的脑肿瘤术前分析局限于对脑肿瘤进行二维信息判断，医生只能通过经验判定肿瘤的三维状态及肿瘤在大脑中的三维定位等重要术前信息，这直接影响到了脑肿瘤手术的准确性。 在此基础上提出了基于Ｃｈａｎ—Ｖｅｓｅ模型的脑肿瘤图像分割与三维重构方法。首先对脑肿瘤图像进行形态学迭代腐蚀操作提取脑肿瘤轮廓，然后利用Ｃｈａｎ—Ｖｅｓｅ模型对脑肿瘤进行分割，最后再对图像进行形态学迭代膨胀操作复原图像。这样就结合了可变型模型的速度优势和数学形态学的准确性优势，同时当分割目标的边界比较模糊时，改进的方法能取得比Ｃｈａｎ—Ｖｅｓｅ模型更好的分割效果，很好地解决了不完全分割问题。另外借助ＶＴＫｔｕ】对分割后的脑肿瘤图片序列进行三维重构与定位，得到了脑肿瘤的三维信息（大小、状态），从而为脑肿瘤术前分析提供理论基础。 ２Ｃｈａｎ－Ｖｅｓｅ模璎 Ｃｈａｎ—Ｖｅｓｅ模型由ＴｏｎｙＣｈａｎ和ＬｕｍｉｎｉｔａＶｅｓｅ提出，主要基于曲线变型［ｔ２１，Ｍｕｍｆｏｒｄ—ｓｈａｈｌ吩割函数和水平集１４１，它与 传统可变型模型最大的区别是对图像进行分割时无需依赖于图像的梯度信息。Ｃｈａｒｔ—Ｖｅｓｅ模型的能量函数无法直接使用单次微分求其极值，可以通过Ｅｕｌｅｒ－ＬａｇｒａｎｇｅＩ－目方程，使能量函数通过迭代的偏微分方程逼近真正的解。 ２．１基本能量曲线 首先定义基本能量方程： 及ｃ，ｃｌ，ｃ２）＝｝止（ｃ）＋以（ｆｎ（ｃ））“１Ｊｌｕｏ（ｘ，ｙ）－－ｔ１广ｄ茁ｄｙ＋ 一ｃ） ｒ＾ Ａ２ｌｕｏ（ｘ，，，）－ｃ２广ｄｘｄｙ（１） 魂素。） 其中ｐ，ｙ，Ａ。，Ａ：是可调参数，ｃ是可变型曲线，Ｃ，是曲线内部的亮度平均值，Ｃ：是曲线外部的亮度平均值，‰（菇，，，）是图像中点（菇，ｙ）处的亮度值，Ｌ（ｃ）是可变型曲线的长度，Ａ（ｉｎ（Ｃ））是曲线内部的面积。因此能量最小化问题可以表示为： ｉＩｌｆ只Ｃ，Ｃｌ，ｃ２）（２）Ｃ．ｃＩｆｃ２ ２．２Ｍｕｍｆｏｒｄ—Ｓｈａｈ函数模理 从逼近论ｔ≈的观点来看，Ｍｕｍｆｏｒｄ—Ｓｈａｈ函数模型是对—个任意的定义域为ｎ的图像函数呦（茗，＇，）用分片光滑函数ｕ（ｘ，，，）做下述意义的最佳逼近： ，（ｕ，ｃ）单?ｋｎｇ矾（ｃ）“ｆＩｌｌｏ（戈，，，）一“（茹，ｙ）１２出ｄｙ＋ 五 ｆ， ｌ。ＩＶｕ（ｘ，ｙ）ｌ‘出ｄｙ（３）其中Ｕｏ为输入图像，当取Ａｌ＝Ａ２＝４，／Ｌ＞Ｏ，ｖ＝Ｏ时，可以把Ｃｈａｎ—Ｖｅｓｅ模型看成Ｍｕｍｆｏｒｄ—Ｓｈａｈ模型的特殊情况，这时只需找出Ｕｏ的最佳逼近“，再结合水平集方法和曲线演化理论，即可推导出高维函数的进化方程。 ２．３水平集求解 利用水平集求解Ｃｈａｒｔ—Ｖｅｓｅ模型，将变型曲线Ｃ看做Ｌｉｐｓｃｈｉｔｚｔｌ２】函数咖的零水平集。由于Ｃｈａｎ—Ｖｅｓｅ模型被看成Ｍｕｍｆｏｒｄ—Ｓｈａｈ模型的特殊情况，所以用水平集函数对Ｃｈａｎ，Ｖｅｓｅ模型进行表述时可以表示为： ｕ（ｘ，，，）＝ｃ１Ⅳ（币（菇，Ｙ））４＂Ｃ２（１－Ｈ（４＇（ｘ，Ｙ）））（４）使咖保持不变，同时最小化能量函数，（Ｃ，ｃ。，ｃ：），可通过公式（５）求出ＣＩ（ｐ）和ｃ２（妒）。 ＣＩ（妒）＝ 』讽（妒）出如 ｎ 』Ｉｌｏ（１．巩（９））出ｄｙ ，ｃ２（９）＝ｊＬ——————————一（５）ｆｎ．Ｃ牮，）ｄｘｄｙＪ（１也（妒））出ｄｙ ｎｎ 为了计算与未知水平集函数西相关的Ｅｕｌｅｒ—Ｌａｇｒａｎｇｅ函数方程，分别引入Ｈｅａｖｉｓｉｄｅ删函数也和一维Ｄ／ｒａｃｌ月函数瓦，然后最小化能量函数只（咖），就能以迭代的方式得到如下求解西的Ｅｕｌｅｒ－Ｌａｇｒａｎｇｅ方程： 譬书（西） ｄ‘ 即∽删）ｄｉｖｐ－－Ｉ（器）叫 一Ａｌ（“ｄ．Ｉｃｌ）２＋Ａ２（“旷．ｃ２）２ 妒（Ｉ，石，，，）＝伽（并，ｙ）（６）Ｐ（弘叫锗＝ｏ 鱼生：翌竺 ＯｔＡｔ 其中ｔ为时间变量，咖为水平集函数，当￡＝，时，用咖“表示当前的水平集毋。Ｃｈａｒｔ—Ｖｅｓｅ模型的具体算法如下： （１）令ｎ－－０，初始化∥；＾－ （２）用公式（５）计算ｃ。（咖４）和ｃ：（咖“），且当ｐ＝２时，有ｌｅｎｇｔｈ｛４，“旬｝吐（币４）； （３）用公式（６）计算∥的偏微分方程，从而进—步求出∥１； （４）检查‘ｂ“是否为稳态解，若不是则ｎ：ｎ＋１，跳入（２）再次循环。 ３基于Ｃｈａｒｔ—Ｖｅｓｅ模型的脑肿瘤图像分割与三维重构方法 ３．１基于Ｃｈａｎ－Ｖｅｓｅ模璎的脑肿瘤分割 ＴｉｍＭｃｌｎｅｍｅｙ等人Ｉ咀将町变型模型应用于医学图像分割并取得了较好的效果，但也存在某些缺陷。由于可变型模型（活动轮廓模型、Ｃｈａｎ－Ｖｅｓｅ模型）在型变时往往依赖于分割目标的梯度或亮度均值，所以当分割目标的边界比较模糊时变型曲线很可能在未完全与分割目标的边界重合就停止型变，从而产生不完全分割，如图１所示。临床应用中，多数脑肿瘤的边缘部分相对比较模糊，所以在分割过程中很容易出现不完全分割问题。 待分割肿瘤模糊边界最后分割区域不完全分害ｊ区域原始脑肿熘ｌ圭ｊ片小完全分割ｊ垄｜片 图ｌ脑肿瘤不完全分割图 万方数据