基于稀疏特征竞争和形状相似性的超声图像序列分割方法
从超声图像序列中精确地分割出目标区域对于提高基于超声图像引导的计算机辅助治疗的效果具有重要的意义.活动轮廓模型被广泛地应用于医学图像的分割,但是超声图像固有的低信噪比、灰度分布不均匀等特点导致活动轮廓容易搜索到错误的区域.为此,学者们提出了不同的目标特征或形状先验知识来约束活动轮廓的演化.目前,大多数目标图像特征的工作仅限于提取目标区域信息的特征,目标形状先验也需要通过对大量训练样本中的目标形状进行学习,而且训练样本中形状是否能足够描述分割目标的形状信息也是值得怀疑的.本文提出了一种基于稀疏特征竞争和形状相似性的超声图像序列分割方法.该方法首先利用稀疏表达理论分别构建目标和背景的特征字典,并根据目标和背景特征字典的重构误差构建一种基于稀疏特征竞争的目标搜索策略,从而提高活动轮廓搜索真实边缘的鲁棒性.然后,对图像序列中目标形状的相似性进行建模,并证明了目标形状的变化符合低秩属性,该属性可看作是对图像序列中目标形状的先验知识进行无监督学习.为了验证该方法的性能,本文采用临床的超声图像序列作为训练和测试集合,并与其他3种典型的分割方法在同一测试集合下进行比较.实验结果显示,针对超声图像中出现的边缘模糊、缺失等缺点,该方法提供了更准确和鲁棒的分割结果,从而提高了计算机辅助治疗的效率和效果.
超声图像序列分割、活动轮廓模型、稀疏特征竞争、形状相似性
47
TP391.41;TN912.34;TP181
国家自然科学基金;湖北省教育厅青年人才项目
2017-07-18(万方平台首次上网日期,不代表论文的发表时间)
共19页
752-770