資源描述：
《基于非參數(shù)化概率模型的CT肝臟圖像分割》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、維普資訊http://www.cqvip.com第l3卷第4期哈爾濱理工大學(xué)學(xué)報(bào)Vo1．13No．42008年8月JOURNALHARBINUNIV．SCI．&TECH．Aug．，2008基于非參數(shù)化概率模型的CT肝臟圖像分割劉長征，馬軍林(哈爾濱理工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，黑龍江哈爾濱150080)摘要：將肝臟組織從CT圖像中提取出來是肝臟圖像處理的重要環(huán)節(jié)．本文利用非參數(shù)化概率模型構(gòu)造水平集演化的速度函數(shù)，提出了一種改進(jìn)的肝臟CT圖像分割方法，得到了較好的分割結(jié)果．對肝臟CT圖像進(jìn)行分割的實(shí)驗(yàn)表明，該方法準(zhǔn)確度高、抗噪性能良好．關(guān)鍵詞：非參數(shù)化密度函數(shù)；灰度直方圖
2、；水平集中圖分類號：TP75；R44文獻(xiàn)標(biāo)識碼：A文章編號：1007—2683(2008)04—0062—04SegmentationofLiverCTImageBasedonNonparametricDensityEstimatesLIUChang·zheng，MAJun—lin(SchoolofComputerScienceandTechnology，HarbinUniversityofScienceandTechnology，Harbin150080，China)Abstract：SegmentlivertissuefromothertissuesinCTimag
3、es，asskullstrippingmethods，hasbecomeanim-portantstepinimageanalyze．Inthispaper，anewspeedfunctionbasedonNonparametricDensityEstimates，ispresented．TheexperimentstosegmenttheliverCTimagesshowthatwiththenewspeedfunction，theadaptedLevelSetmodelcangetbetterresults．Keywords：nonparametricdensity
4、estimates；histogram；levelset到諸如噪音、場偏移效應(yīng)、局部體效應(yīng)和組織運(yùn)動(dòng)等1引言影響，因此造成了醫(yī)學(xué)圖像的復(fù)雜性和多樣性，從而大大增加了圖像分割的難度，所以至今沒有一個(gè)通圖像分割是圖像處理中的一個(gè)重要問題，其主用的醫(yī)學(xué)圖像分割方法J．為了降低這些因素的影要應(yīng)用領(lǐng)域之一是醫(yī)學(xué)¨J．醫(yī)學(xué)圖像包括cT、正電響，在Mumford—Shah模型的基礎(chǔ)上，提出一種改子放射層析成像技術(shù)(PET)、單光子輻射斷層攝像進(jìn)的分割模型，該模型建立了一種基于非參數(shù)化的(SPECT)、MR(磁共振成像)及其他醫(yī)學(xué)影像設(shè)備概率密度，并由此構(gòu)造水平集速度函數(shù)，最后由初始所
5、獲得的圖像．醫(yī)學(xué)圖像分割是病變區(qū)域提取、特定曲線，用水平集方程演化得到分割結(jié)果．最后通過實(shí)組織測量以及實(shí)現(xiàn)三維重建的基礎(chǔ)．隨著影像醫(yī)學(xué)驗(yàn)驗(yàn)證了該方法的有效性．在臨床醫(yī)學(xué)的成功應(yīng)用，圖像分割在影像醫(yī)學(xué)中發(fā)揮著越來越大的作用．2貝葉斯判決準(zhǔn)則由于人體解剖結(jié)構(gòu)復(fù)雜，組織器官形狀不規(guī)則，不同個(gè)體間存在差異，再加上醫(yī)學(xué)圖像在形成時(shí)受由統(tǒng)計(jì)學(xué)最小化誤差概率條件可以得到Bayes收稿日期：2007—06—10基金項(xiàng)目：黑龍江省教育廳科學(xué)技術(shù)研究項(xiàng)目(11511070)作者簡介：劉長征(1969一)，男，哈爾濱理工大學(xué)教授．維普資訊http://www.cqvip.com第4期劉長征等
6、：基于非參數(shù)化概率模型的CT肝臟圖像分割63判決規(guī)則J，即差為的高斯核如果P(OJlI)>尸(OJ2I)，則將判為OJl；否則判為OJ21{，ifI(由Bayes公式得JLULelsp(a~Ix)=(5)對于非參數(shù)化概率密度函數(shù)需要注意以下兩點(diǎn)：1)參數(shù)的選擇，如果選擇的過于小，建立的(1)概率密度函數(shù)能夠較好地適合于數(shù)據(jù)，但沒有考慮可將Bayes判決規(guī)則變換成條件概率和先驗(yàn)概率的到數(shù)據(jù)中的噪聲等情況，如果選擇過大，則會(huì)降低分形式來描述．考慮到式(1)中分母P()對做出某種割結(jié)果的有效性，嚴(yán)重時(shí)會(huì)產(chǎn)生毫無意義的分割結(jié)判決并不重要，它僅僅是一個(gè)標(biāo)量因子，表示實(shí)際測果．量的
7、具有特征值的模型出現(xiàn)的頻率，并且在式2)對的選擇有賴于兩個(gè)因素：①像素的數(shù)(1)中保證P(OJ，I)+p(OJI)=1．將此標(biāo)量因子量；②分割所選擇模型的復(fù)雜程度，如果只要少量的去掉，可以得到以下完全等價(jià)的判決規(guī)則．像素，則概率密度估計(jì)函數(shù)在較小時(shí)不可信賴，女口果：p(Ito1)P(OJ1)>p(IOJ2)P(OJ2)，貝0將在較大時(shí)能獲得較為滿意的結(jié)果．判定為OJl，否則判定為OJ2．按照最大后驗(yàn)概率，圖像分割必須使得后驗(yàn)概率p(MID)最大，是分割的區(qū)域或，D是圖4水平集模型及其改進(jìn)像的灰度值，，p(∈I，())，i={1，2}可表示
