資源描述：
《基于核圖割模型的肝臟CT圖像腫瘤分割-論文.pdf》由會員上傳分享，免費在線閱讀，更多相關內(nèi)容在行業(yè)資料-天天文庫。
1、第40卷第3期計算機工程2014年3月Vo1．40No．3ComputerEngineeringMarch2014·圖形圖像處理·文章縮號：1000-3428(2014)03-0238—06文獻標識碼：A中圈分類號：TP391．41基于核圖割模型的肝臟CT圖像腫瘤分割楊柳，陳永林2j王翊，譚立文，陳偉(1．重慶大學計算機學院，重慶400030；2．第三軍醫(yī)大學附屬西南醫(yī)院放射科，重慶400038；3．第三軍醫(yī)大學基礎部解剖學教研室，重慶400038)摘要：計算機斷層成像(cT)對疾病的確診意義重大，在醫(yī)學圖像的自動
2、檢測中應用較多的模型為圖割模型，但傳統(tǒng)圖割算法嚴重依賴于對復雜區(qū)域進行大量建立的模型，運算復雜且不利推廣。為此，在傳統(tǒng)圖割理論基礎上引入核函數(shù)，提出一種基于核圖割模型的肝臟CT圖像腫瘤分割算法。通過核函數(shù)將原始數(shù)據(jù)映射到高維空間，并在高維圖像數(shù)據(jù)空間用圖割理論對CT圖像的肝區(qū)與腫瘤區(qū)域進行分割，以提取疑似腫瘤區(qū)域，解決傳統(tǒng)圖割模型中需要依賴人機交互和對復雜區(qū)域建模困難等問題。由Mercer定理得出，核空間的點積運算不需要顯式指定圖像各區(qū)域的具體模型，進行核推廣后克服了傳統(tǒng)模型通用性不強的弱點。利用臨床CT圖像數(shù)據(jù)對
3、該算法進行分割實驗，結(jié)果表明，基于核推廣后的圖割算法能夠有效對腫瘤和肝區(qū)進行分離，可應用于臨床實際中作為腫瘤輔助診斷手段。關鋤i玎：圖割；核圖割；腫瘤分割；肝臟分割；醫(yī)學圖像分割TlUum0rSeRmentati~)nfIoOrLiverCT1一lmaResBased0nKernelGraphCutModelYANGLiu，CHENYong．1in，WANGYi，TANLi-wen，CHENWei(1．CollegeofComputerScience，ChongqingUniversity,Chongqing400
4、030，China；2．DepartmentofRadiology,SouthwestHospital，ThirdMilitaryMedicalUniversity,Chongqing400038，China；3．DepartmentofAnatomy,MinistryofBasic，ThirdMilitaryMedicalUniversity,Chongqing400038，China)[Abstract]ComputedTomography(CT)imagesaresignificantindiseasedia
5、gnosis，whereasgraphcutmodelhasbeenwidelyusedintheautomaticdetectionofcomplicateddisease．Duetothefactthatthecomplexareaofmedicalimagesisveryhardtomodelinconventionalgraphcutliterature，thispaperadoptsthekemeltrickinsuchawaythatthesegmentationoftumoriscomputedint
6、hehighdimensionalkernelspaceratherthaninthetraditionalspatialspacedirectly．Theprocessingofcomplexmodelingandhuman—computerinteractionisherebyavoidedthoughtkerneltrick．Moreover,Mercer’stheoryprovesthatthecomputationofkernelmethodisimpliedandthemodelofdiferentar
7、eaisexplicitlyneedless，whichimpliesthatthekernelgraphcutsisuniversaltodiferentapplications．TheproposedapproachisvalidatedonarealCTimagedatafromclinicalcase，andthetumorissuccessfullyextractedfromtheliverimages．Resultsshowthattheproposedapproachcanbefurtherameli
8、oratedandappliedtoclinicasanauxiliarydiagnosisassistantinthefurther．[Keywordslgraphcut；kernelgraphcut；tumorsegmentation；liversegmentation；medicalimagesegmentationDOI：10．3969~．issn．
