随着医学图像数量的急剧增加,对医学图像进行深层次的解释和建模成为了现代医学亟需解决的问题。传统的X射线计算机断层扫描成像技术(Computed Tomography,CT)与核磁共振成像技术(Magnetic Resonance Imaging,MRI)能够拍摄患者病患部位的一系列二维(Two-Dimensional,2D)图像,医生通过观察这些2D图像来判断患者病患部位的特征及位置。然而,仅通过观察2D图像很难对患者病情进行准确地诊断,并且诊断过程主要依赖于医生的个人经验,因此会存在一定的误诊风险。患者病患部位的三维(Three-Dimensional,3D)模型能够更好的可视化数据,并帮助医生通过计算机直接与3D模型进行交互,同时对医学图像数据进行定性和定量的分析,从而有效地降低误诊的风险,为医生制订后续治疗计划提供有力的依据。因此,根据患者病患部位的2D平面图像构建出相应的3D模型成为了医学图像处理的核心问题。针对构建3D模型过程中存在的分割感兴趣区域、模板样本与目标样本之间建立对应关系、3D模型与测试样本拟合、根据缺损样本构建3D预测模型等问题,本文将统计形状模型(Statistical Shape Model,SSM)作为基础,分析了不同方法构建3D模型的特点,并提出了相应的改进方法,从而实现医学图像的3D建模。主要研究内容如下:(1)针对医学图像建模过程中不能准确地将感兴趣区域从目标图像中分割出来的问题,提出了基于统计形状模型的随机森林回归(Random Forest Regression-Statistical Shape Model,RFR-SSM)医学图像分割方法。首先利用随机森林回归对输入的训练样本进行训练,并在每个训练样本的根节点处进行分裂,当所有叶子节点中包含的样本数小于预定义的观测值时分裂停止;然后根据不同的分类特征建立决策树,并对多个决策树的输出进行加权,从而生成预测函数;最后对参考坐标系中不同位置和不同方向的训练样本进行迭代优化,并将优化后的训练样本转换回图像坐标系中,从而完成目标对象中感兴趣区域的分割。(2)针对构建患者病患部位的解剖结构模型过程中不能有效地建立模板样本与目标样本之间的对应关系的问题,提出了基于统计形状模型的自动构建患者病患部位的3D解剖结构模型(3D Anatomical Structure Model of Patients Automatically Constructed Based on Statistical Shape Model,3DASMPACB-SSM)方法。首先对输入数据进行预处理,增强感兴趣区域,并通过RFR-SSM将感兴趣区域从患者的CT扫描图像中分割出来;然后将分割出来的感兴趣区域作为训练样本,并用三角形对训练样本进行网格化,同时引入顶点收缩策略对三角形网格进行迭代收缩,在保证训练样本不失真的前提下有效地减少了训练样本中三角形网格顶点的个数;最后采用B样条自由变形(B-Spline Fre e-Form Deformation,BSFFD)在模板样本和目标样本之间建立对应关系,并通过主成分分析(Principal Component Analysis,PCA)生成解剖结构的平均模型和变形模型。3DASMPACB-SSM能够有效地构建出患者病患部位的3D解剖结构模型,并通过紧凑性、特异性、通用性和表示性四种评价指标对3D解剖结构模型的性能进行评价。(3)针对传统方法构建的患者病患部位的3D解剖结构模型与测试样本拟合效果较差的问题,提出了基于点分布模型的3D模型拟合(3D Model Fitting Based on Point Distribution Model,3DMFB-PDM)方法。首先对训练样本集进行数据处理,通过普氏分析(Procrustes Analysis,PA)使模板样本与目标样本对齐,减小训练样本由于旋转变化和尺度变化产生的不利影响;然后在训练样本间建立对应关系,并根据对应关系将患者病患部位的点分布模型用正态分布进行表示;最后计算点分布模型中的特征点与测试样本中对应点之间的距离,将马氏距离(Mahalanobis Distance,MD)作为附加项引入到目标函数中,并将非线性方程组转换为线性方程组,从而使二者之间的距离最小。与此同时,根据二者之间的最小距离不断调整点分布模型的模型参数,从而使点分布模型与测试样本具有最小拟合误差。3DMFB-PDM能够有效地计算出点分布模型与测试样本的最小拟合误差,并将最大误差(Max Error)、平均误差(Mean Error)以及均方根误差(RMS Error)作为评价指标来衡量拟合程度。(4)针对构建患者病患部位的预测模型过程中存在数据缺损的问题,提出了基于缺损样本构建3D解剖结构预测模型(3D
暂无评论