（模式识别与智能系统专业论文）面向颅面整复外科虚拟手术的医学影像处理技术研究.pdf

，支互戈謦博士学位论文 j t 。u 。 面向颅面整复外科虚拟手术的医学影像处理技术研究 摘要 颅面部结构复杂，是多个重要器官集中区，同时又关系到容貌，涉及颅面部的 外科手术难度高，危险性大，而且必须容貌与功能兼顾。颅面部整形外科对影像学 提出了较高的要求，要求术前必须准确诊断，确定病变范围，提供三维立体视觉， 显示复杂的空间结构，准确测量三维形态参数，设计手术路径和方案，模拟手术， 预测手术对面容的影响等。为了满足颅面部整形外科的临床需求，c t 三维重建辅助 颅面部整形手术系统开始出现，它是最近的l o 多年问兴起的新兴交叉学科，正方兴 未艾，特别是在最近几年得到了广泛的应用，发展非常迅速，一直是国内外研究与 应用的热点。 本文的研究背景为颅面整复外科虚拟手术领域的研究学者提供新的理论和算法 支持，为外科医生的手术设计和预测提供辅助支持颅面整复外科手术模拟的医学 影像处理技术主要包括图像预处理、三维可视化、三维碰撞检测和三维移动等。本 文的工作重点是对颅面整复外科虚拟手术的医学影像处理技术进行深入研究，并由 此提出了面向颅面整复外科虚拟手术的图像预处理、三维可视化和三维碰撞检测算 法。 本文的创新主要体现在； ( i ) 将基于m u m f o r d - s h a h 模型的水平集分割方法用于脑肿瘤和水肿的分割，取得了 良好的效果。该方法可以用来探测边界不一定由梯度来定义的对象，也能自动探 测内部区域，实验结果表明了该算法能提供客观的、可重复的分割，且分割结果 和专家人工分割结果很接近。与经典水平集分割算法相比较，具有稳健、快速、 分割精度高的优点，即使对边界模糊的对象也能得到令人满意的分割结果，且能 本课题由中法先进研究计划( p r a ) 项目( p r a s l 0 3 - 0 3 ) 资助，谨致谢忱。 摘要 自动探测到内轮廓( 孔洞等) 。 ( 2 ) 为了加快体绘制的速度，将三维小波变换和体绘制有效地结合起来，提出了一种 基于小波域的体绘制算法，该算法首先通过八叉树的结构将整个体数据分解为许 多小的子块，对所有的子块，通过三维小波分解来创建多分辨率层次的结构。然 后对每一子块，自适应的选择适当的层次，用三维纹理映射的方法进行绘制，并 将予块的绘制结果进行融合，就可以得到整个体数据的绘制结果。在这个过程中。 一种三维的m a i l a t 滤波器组被用来加速体数据的三维小波分解与重构，一种离散 的简略化小波域体绘制方程被用来满足体绘制的实时性。实验结果表明，由于该 方法仅需要较低的数据量，即可以绘制出品质良好的图像或图像的概貌，所以非 常适宜于需要频繁选择、交互的三维图像显示系统。 ( 3 ) 对基于硬件加速的体绘制算法进行了深入研究，提出了基于硬件加速的大数据高 质量体绘制算法。该算法可以对大的体数据以可交互的速度进行绘制。我们采用 三维纹理映射作为核心的绘制算法，结合可见性测试、遮挡测试和模板测试来加 快绘制速度。所有的测试都用显卡来进行加速。而且，利用体素计数表和滤后的 可见子块，排除只有很少可见体素的子块，减少了在c p u 和g p u 之问的数据传 输。在配有p e n t i u m 42 4g h zc p u ，n v i d i ag e f o r c e6 6 0 0g p u 的p c 机上对我 们的算法进行测试。实验结果表明，对5 1 2 3 0 4 x1 7 3 0 的虚拟人体数据，我们 可以在保证图像质量的前提下，以可交互的速度进行绘制。 ( 4 ) 颅面整复外科手术中，需要处理大量的骨骼和假体模型。碰撞检测是虚拟系统能 够实现正确整形仿真操作的关键技术之一，它能避免骨骼及假体模型的不正确渗 入和交叉，能帮助假体模型的正确接合。本文提出了一种新的基于o b b 层次树 的快速碰撞检测算法，用o b b 层次树来实现复杂物体间的实时碰撞检测。算法 在继承一般基于o b b 的碰撞检测算法优点的同时，突破了它们的局限性，能够 在保证效率的前提下处理任意形状多面体之间的碰撞检测问题。同时采用了三角 形带压缩技术和动态优化技术来加快碰撞检测阶段的绘制速度和提高碰撞检测 的效率。 “ ，支至天謦博士学位论文 j t u 。 ( 5 ) 颅面整复外科手术模拟系统为颅面外科临床诊断分析、手术方案选择、整形疗效 评价提供了全新的技术手段，实现了三维可视化颅面外科整形手术的模拟设计和 疗效预测。该系统基于个人计算机以二维c t 原始资料重建颅面部的三维形态， 可以进行截骨手术模拟、颅面修复手术模拟和隆鼻手术模拟。 关键词；颅面整复外科，虚拟手术，体绘制，三维纹理映射，多分辨率，三维小波， 图形处理器，碰撞检测，方向包围盒 a b s t r a c t r e s e a r c ho nm e d i c a li m a g ep r o c e s s i n gt e c h n o l o g i e so f c r a n i o f a c i a ip l a s t i cv i r t u a ls u r g e r y a b s t r a c t c r a n i o f a c i a ls t r u c t u r ei sc o m p l i c a t e da n dc o n c e r nt h ef a c i a lf e a t u r e sa tt h es a m et i m e a g a i n t h e ma r em a n yi m p o r t a n to r g a n si nt h a ta r e a t h es u r g i c a lo p e r a t i o nt h a ti n v o l v e s c r a n i o f a c i a la r e a si sd i f f i c u l t y , a n dd a n g e r o u s a n dt h ef a c i a lf e a t u r e sa sw e l la sf u n c t i o n s m u s tb et a k e ni n t oa c c o u n t 1 1 l ec r a n i o f a c i a lp l a s t i cs u r g e r yh a sb e e np u tf o r w a r dt h e h i g h e rd e m a n d ，g i v i n gaa c c u r a t e l yd i a g n o s i n g , a n dd e f i n i n gt h ep a t h o l o g i c a lc h a n g e s s c o p e ，a n dp r o v i d i n gt h r e ed i m e n s i o n a ls t e r e o s c o p i cv i s i o n ，d i s p l a y i n gt h ec o m p l i c a t e d s p a c es t r u c t u r e ，m e a s u r i n gt h r e e - d i m e n s i o n a lm o r p h o l o g yp a r a m e t e ra c c u r a t e l y , d e s i g n i n g s u r g i c a lo p e r a t i o nf o o t p a t hr o a da n ds c h e m e ，i m i t a t i n gs u r g i c a lo p e r a t i o n , a n df o r e c a s t i n g t h ei n f l u e n c eo fs u r g i c a lo p e r a t i o no p p o s i t ea p p e a r a n c ea r ea s k e d f o rt h ec l i n i c a l r e q u i r e m e n to fp l a s t i cs u r g e r y , t h ec tt h r e e - d i m e n s i o n a la s s i s t a n tc r a n i o f a c i a lp l a s t i c s u r g e r ys y s t e m s ( c t3 d - a c p ) a p p e a r i ti san e wa n dd e v e l o p i n go v e r l a p p i n gb r a n c ho f l e a r n i n gt h a t r i s e sb e t w e e nl a t et e ny e a r s ，a n di sb e i n gg o t t e ne s p e c i a l l yt h ee x t e n s i v e a p p l i c a t i o ni nn e a r e 7y e a r i td e v e l o p sq u i c k l y , a n di st h eh o ts p o tt h a tt h eh o m ea n da b r o a d s t u d ya n da p p l yc o n t i n u o u s l y t h eb a c k g r o u n do ft h i st h e s i si sm a i n l yf o rp r o v i d i n gs o m eu s e f u lt h e o r e t i c a l c o n c l u s i o n sa n d a l g o r i t h mt ot h er e s e a r c h e r sm a j o r i n gi nc r a n i o f a c i a lp l a s t i cv i r t u a ls u r g e r y t h ek e y t e c h n o l o g i e s o fc r a n i o f a c i a l p l a s t i cs u r g e r y s i m u l a t i o ni n c l u d e i m a g e p r o - p r o c e s s i n g , 3 d - v i s u a l i z a t i o n ，3 d - c o l l i s i o nd e t e c t i o na n d3 d - m o v i n g o u rw o r ki s m a i n l yo nc r a n i o f a c i a lp l a s t i cv i r t u a ls u r g e r y , a n dr e s e a r c hd e e p l yi nm e d i c a li m a g e t h i sw o c kw a ss u p p o r t e db yi h ep r o g r a m m ed er e c h e r c h e s a v a n c d e sd ec o o # r a t i o n sf r a n c o - c h i n o i s e s ( p r as 1 0 3 0 3 l a b s t r a c t p r o c e s s i n g f i n a l l y , w ep r e s e n tn e wa l g o r i t h m so fi m a g ep r e - p r o c e s s i n g , 3 d - v i s u a l i z a t i o n a n d3 d c o l l i s i o nd e t e c t i o n o u ri n n o v a t i o n sa r ea sf o l l o w s ( 1 ) an o v e la p p r o a c hf o ra u t o m a t i cs e g m e n t a t i o nb a s e do nm u m f o r d s h a hm o d e ll e v e l s e ti sa p p l i e d , a n di ts o l v e st h es e g m e n t a t i o np r o b l e mb a s e do nm u m f o r d s h a hm o d e l b yt h el e v e ls e tm e t h o d t h i sn e wa p p r o a c hc a nd e t e c to b j e c t sw h o s eb o u n d a r yi sn o t n e c e s s a r i l yd e f i n e db yg r a d i e n t , a sw e l l a si n t e r i o rc o n t o u r s a u t o m a t i c a l l y t h e e x p e r i m e n t a lr e s u l t ss h o wt h ee f f i c i e n c yo ft h i sa l g o r i t h m ，t h a tp r o v i d e so b j e c t i v e , r e p r o d u c i b l es e g m e n t a t i o n s , a n di t sr e s u l t sa r cc l o s et ot h a to ft h em a n u a l o u r m e t h o d sh a v eb e t t e rp r e c i s i o na n ds p e e dc o m p a r e dt oc l a s s i cl e v e ls e ta l g o r i t h m ，a n d g e ts a t i s f y i n gs e g m e n t a t i o nr e s u l tf o rf u z z yb o u n d a r ya n di n n e rh o l e ( 2 ) am e t h o do fw a v e l e tb a s e dm u l t i - r e s o l u t i o nv o l u m er e n d e r i n g i s p r e s e n t e d f o r a c c e l e r a t i n g3 dr e c o n s t r u c t i o na n di n t e r a c t i o no f v o l u m ed a t as e t t h ev o l u m ed a t as e t i sf i r s td e c o m p o s e di n t om a n ys u b v o l u m e su s i n go c r e e ，l e v e lo f d e t a i l ( l o d ) o f e a c h s u b v o l u m ei sc r e a t e du s i n gt h r e ed i m e n s i o n a lw a v e l e td e c o m p o s i t i o n ，l o do fe a c h s u b v o l u m ei sa d a p t a b i l i t ys e l e c t e d t h r e et e x t u r em a pi su s e df o rv o l u m er e n d e r i n go f s u b v o l u m e s ，t h er e s u l to f e n t i r ev o l u m ed a t as e ti sg o tb yt h ef u s eo f e a c hs u b v o l u m e v o l u m er e n d e r i n gr e s u l t i nt h i sp r o c e s sag r o u po f3 dm a l l a tf i l t e r si se m p l o y e dt o s p e e du p3 dw a v e l e td e c o m p o s i t i o na n dr e c o n s t r u c t i o no fv o l u m ed a t as e t , a n da d i s c r e t ea n dp r e d i g e s t e do p t i c a lm o d e lf o rw a v e l e td o m a i nr e n d e r i n gi s b r o u g h t f o r w a r dt os a t i s f yr e a lt i m er e q u e s to fv o l u m er e n d e r i n g t h ee x p e r i m e n tr e s u l t ss h o w t h a tt h em e t h o di nt h i sp a p e ri sh i g l l l yu s e f u lf o rf r e q u e n t l ys e l e c t i n ga n di n t e r a c t i n g i m a g e s ，b e c a u s eh i g hq u a l i t yi m a g e sa n d o ro u t l i n e sc a nb ep r o d u c e di nm u c hl e s so f v o l u m ed a t as e t ( 3 ) w ep r e s e n tah i g hq u a l i t yv o l u m er e n d e r i n g t e c h n i q u et or e n d e ral a r g ev o l u m ed a t a s e t a b s t r a c t o f 5 1 2 3 0 4 1 7 3 0 d i m e n s i o n s a t i n t e r a c t i v er a t e s w ee m p l o y3 d t e x t u r e m a p p i n g a s ac o r er e n d e r i n ge n g i n ea n dt a k ea d v a n t a g eo fc o m b i n a t i o n so fh w - s u p p o r t e d v i s i b i l i t yt e s t ss u c ha so c c l u s i o nq u e r i e s , s t e n c i lt e s t sa n dp r o g r a m m a b l es h a d e r st o a c c e l e r a t et h ew h o l er e n d e r i n gp r o c e s s a l lo ft h ea b o v et e s t sa r ea c c e l e r a t e db y g r a p h i c sp r o c e s s i n gu n i t s ( g p u s ) m o r e o v e r , u s i n gt h ev o x e lc o u n t e rt a b l ea n df i l t e r e d v i s i b l es u b v o l u m e s , w er e d u c et h ed a t at r a f f i cb e t w e e nc p ua n dg p ub ye l i m i n a t i n g t h es u b v o l u m e st h a to n l yh a v eas m a l ln u m b e ro fv i s i b l ev o x e l st ob er e n d e r e d w e h a v ei m p l e m e n t e dt h ev o l u m er e n d e r i n ga l g o r i t h mf o ral a r g ev o l u m ed a t ao f51 2x 3 0 4 x1 7 3 0d i m e n s i o n s ，a n da c h i e v er e a l - t i m ep e r f o r m a n c eo nap e n t i u m 42 4g h zp c e q u i p p e dw i t hn v i d i ag e f o r c e6 6 0 0g r a p h i c sc a r dw i t h1 2 9 m bv i d e om e m o r ya n d 1 2 8 m ba g pm e m o r yw i t h o u ta n yl o s so f i m a g eq u a l i t y ( 4 ) c o l l i s i o nd e t e c t i o ni st h ek e yt e c h n o l o g yi nc r a n i o f a c i a ls u r g e r ys i m u l a t i o ns y s t e m ， w h i c hc a na v o i di n c o r r e c ti n t e r s e c tb e t w e e nb o n ea n di m p l a n tm o d e l af a s tc o l l i s i o n d e t e c t i o na l g o r i t h mb a s e do nt h eo r i e n t e db o u n d i n gb o x ( 0 8 8 ) i sp r e s e n t e d ，w h i c h s i m p l i f i e dg e o m e t r i cr e p r e s e n t a t i o n t of a c i l i t a t et h ep r o c e s so fc o l l i s i o nd e t e c t i o n b e t w e e nc o m p l e xg e o m e t r i co b j e c t s t h em e t h o dc a np r o c e s sa r b i t r a r i l ys h a p e dm e s h o b j e c t s , w h i l ep r e s e r v i n gt h em e r i t so fo b b b a s e dc o l l i s i o nd e t e c t i o na l g o r i t h m s h i g he f f i c i e n c yo ft h ea l g o r i t h mi so b t a i n e db yu s i n gd y n a m i co p t i m i z a t i o n ，a n db y a d o p t i n gt r i a n g l es t r i pc o m p r e s s i o n ，w h i c hi sak i n do f r e a lt i m er e n d e r i n gt e c h n i q u e s ( 5 ) t h ec r a n i o f a c i a lp l a s t i cs u r g e r ys i m u l a t i o ns y s t e mp r o v i d en e wm e t h o d sf o rc l i n i c a l d i a g n o s e , d e s i g n i n gs u r g i c a lo p e r a t i o na n df o r e c a s t i n gt h ei n f l u e n c eo fs u r g i c a l o p e r a t i o n t h i ss y s t e m c a nm a k et h r e ed i m e n s i o n a lr e c o n s t r u c t i o na n dt h r e e d i m e n s i o n a lm e a s u r ef o rc r a n i o f a c i a ls k e l e t o nu s i n gt w od i m e n s i o n a lc td a t a s e t s , a n d s i m u l a t et h r e e - d i m e n s i o n a ls k e l e t o nc u t t i n g ，t h er e p a i r i n go fc r a n i o f a c i a lf r a c t u r ea n d t h ea u g m e n t a t i o no f n o s e a b s t r a c t k e y w o r d s ：c r a n i o f a c i a ip l a s t i cs u r g e r y ；v i r t u a ls u r g e r y ；v o l u m er e n d e r i n g ；3 d - t e x t u r e m a p ；m u l t i r e s o l u t i o n ；3 d w a v e l e t ；g r a p h i c sp r o c e s s i n gu n i t s ；c o l l i s i o nd e t e c t i o n ； o r i e n t e db o u n d i n gb o x e s 上海交通大学 学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下， 独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本 论文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本 文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。 本人完全意识到本声明的法律结果由本人承担。 抄 时2 1 日 勿1、j ：口月 名 7 签 e 秘 悻 懈 以 史 细 论 ： 位 期 学 日 上海交通大学 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定， 同意学校保留并向国家有关部门或机构送交论文的复印件和电子版， 允许论文被查阅和借阅。本人授权上海交通大学可以将本学位论文的 全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫 描等复制手段保存和汇编本学位论文。 保密口，在j 年解密后适用本授权书。 本学位论文属于 不保密o ，r 时， 梯度方向夹角为2 j r - o ( x , y ，z ) 一矿( 一，z ) 】，当【o ( x , y , z ) - f f ( x p ，z ，) 】 0 时的，一为 o ) = a t t ( c 口( x ，y ) ) d x d y ( 2 f 3 i ) 支互z 謦博士学位论文 j t - u 其中为水平集函数。为最小化关于口l 、c 2 、的函数f ，需解e u l e r - l a g r a n g i a n 等 式 箬叫矿) 咿尚叫叫讹炉堋地川吲2 】 ( 2 3 2 ) q 够) = 巳( ) = ( o ，而力= 唬o ，力 其中j = 也。注意计算q 和c 2 时，不需知道以为由e u l e r - l a g r a n g e 等式计算妒， 需要日和j 的正则化式子，其中以= 特别地，我们有 郴) = j 1 ( 1 + 昙蝴( 争 ( 2 3 3 ) 疋( z ) = 以，( z ) = 去i 专 ( 2 3 4 ) 拜8 一十靠1 为消除方程( 2 3 2 ) 中的d i r a c 函数对检测远离活动轮廓线边缘的抑制，我们可以 将疋( 妒( 墨y ) ) 替换为l v 声y ) i 。这是因为d i r a c 函数占( x ) 狭窄的定义范围限制了该 方法检测图像边缘的全局性，严重抑制了对远离活动轮廓线的边缘的检测，致使不 能稳定的检测出内部区域而由于l v 妒( x ，j ，) i * 1 ，消除了d i r a c 函数对非零水平集的 抑制这样使用l v 矿( 石，y ) f 的方程可以检测出远离活动轮廓线的内外部边缘，从而具 有更好的全局优化特性。 为保证替换为i v 庐 ，y ) l 后的方程的数值解的稳定性，我们采用如下的有限差分 方法： 设h 是离散水平集函数的二维网格步长，瓴，咒) = ( 历，力) ，i g ，m 为网格点 喾 ，芦支互戈謦博士学位论文 j t 。0 坐标，这样躬= 妒( 础f ，乃) 是j ，) 在网格上的近似，这里有栉o 矿= 唬，并设 d 己= 虬一手j e j = 屯r 一串。 试j = 峨| 一 试j = 虬“一虬 根据o s h e r - s e t h i a n 求解水平集的熵守恒差分方法，可得方程的数值解表达式如下： 了1 = 既+ | 【m 双( j ；，o ) v + + m i n ( f = 。，o ) v 一+ 瞒j ( ( | d 学) 2 + ( d 等) 2 ) “2 】 ( 2 3 5 ) 其中： v + = 【m 瓢( 叼，o ) 2 + m i n ( d 菪，o ) 2 + m 戤( d 署，o ) 2 + m i n ( 叼，o ) 2 】“2 v 一= 【m i n ( z 瑶，o ) 2 + m a x ( d 譬，o ) 2 + m i n ( d , - ；，o ) 2 + m a x ( d 7 3 ，o ) 2 】“2 k 。是水平集函数在“，) 的曲率，定义为 置= 嘣= 等舻 f ，由m u m f o r d - s h a h 分割模型定义，为 j o ，( 工，j ，) = 一y 一 ( ，( 工，y ) 一q ) 2 + 五( ，( k y ) 一q ) 2 ( 2 3 6 ) 2 4 3 分割结果的评价 为定量的评价分割的质量，通常将我们所用算法得到的分割结果和该领域专家 人工分割的结果在像素级别上做比较。先计算t p s ( 专家人工分割所得像素和待测 算法分割所得像素的重合部分) 、f p s ( 待测算法的分割结果中，不是专家人工分割 结果的像素) 、f n s ( 专家人工分割结果中，不是待测算法分割结果的像素) 、 t n s ( 不是专家人工分割结果，却在待测算法结果中出现的像素) 。我们将自动分割 算法得出的区域与专家人工分割结果在每个切片上做像素级的比较。我们用如下的 两个量来度量它们之间的匹配程度：匹配的百分比( p m ) 和一致率( c r ) ，各定义如 下： 3 8 ，麦童声謦博士学位论文 j t u p m ：筹1 0 0 ( 2 3 7 ) c r ：t p s - 二0 彳5 x f p s ( 2 3 8 ) g r 、 式中g t 表示专家人工分割所得区域的像素数。 理想的p m 值是1 0 0 ，而p m 值为0 意味着完全没有探测到待分割区域。c r 按照 大小和位置上的对应来比较待测分割算法所得结果和专家人工分割所得结果，并衡 量f p s 和f n s 的重要程度。 2 4 4 实验结果与分析 为说明m u m f o r d - s h a h 模型水平集方法用于分割脑肿瘤的准确性和效率，对l o 个 不同的脑肿瘤数据，并将我们分割算法的实验结果与经典的水平集分割算法和手工 分割进行了对比。实验中，m u m f o r d - s h a h 模型的参数 和五都取1 ，取零，而 取0 1 。可用来控制捕获的物体的大小一般说来，值小的时候较小的对象也 能被捕获，而当值较大的时候只有那些比较大的对象可以被捕获。 图像分割的大致步骤如下： 步骤l ：用九来初始化矿，n = 0 其中唬为通过交互所得的初始轮廓的水平集函数。 步骤2 ：按照( 2 3 5 ) 式迭代，得到。 步骤3 ：以当前曲线的有向距离函数来重新初始化。 步骤4 ：检查解是否稳定。若不稳定，= 盯+ l 并重复上述过程。稳定数目意味着达 到了一定数目的迭代。 首先将分割算法用来对数据集的脑肿瘤部分进行分割。图2 1 3 给出了脑肿瘤数 据集7 分割时的初始化和第9 2 个切片分割结果。图2 1 3 ( a ) 中标记的是肿瘤分割时的初 始轮廓：图2 1 3 ( b ) 中矩形框为数据集7 的水平集迭代区域，用细曲线标出的区域为 进行迭代后探测到的对象( 肿瘤) 的边界。图2 1 3 ( c ) 为分割得到的水肿的图像，可 用来与专家手工分工的结果比较来做算法分割质量的评价。数据集7 脑肿瘤部分的 j 支童声謦博士学位论文 j t h 分割质量评估见表2 1 。由表2 1 可见我们的分割结果与专家人工分割结果有很高的 匹配百分比( p m ) 和一致率( c r ) 。肿瘤分割的p m 和c r 为9 3 2 0 和0 9 2 ，这说 明本算法具有很高的分割的精度。 ( a ) ( b )( c ) 图2 1 3 t ( a ) 数据集7 的初始化轮廓( 用圆圈标记) ；( b ) 数据集7 的应用水平集选代的区域 ( 矩形框) 和探测到的对象的边界( 用细曲线标出的区域) ；( c ) 教据集7 分割得到的肿瘤图像 f i g2 1 3 ：( a ) i n i t i a l i z a t i u n o fc 0 1 t o u ri nd a ms e t7 ( c i r c l e ) ： ( b y n i er e g i o na p p l y i n gl e v e ls 酿 ( r e c t a n g l e ) a n db o u n d a r yo fd e w x t e do b j e c t ( t h i nc u r v e ) ：( c ) l m a g eo fo b j e c t ( t u m o r ) s e g m e n t e df r o m d a t as e t 7 然后将分割算法用来对数据集的脑肿瘤周围水肿部分进行分割。数据集5 的大 小为2 5 6 2 5 6 1 2 4 ，图2 1 4 给出了数据集5 第8 5 个切片的分割结果。图2 1 4 ( a ) q b 标 记的是水肿分割时的初始轮廓；图2 1 4 ( b ) q b 矩形框为数据集1 的水平集迭代区域， 用细曲线标出的环状区域为进行迭代后探测到的对象( 水肿) 的边界。由本图也可 见本算法可自动探测到内部边界。图2 1 4 ( c ) 为分割得到的水肿的图像，可用来与专 家手工分工的结果比较来做算法分割质量的评价。数据集5 水肿部分的分割质量评 估见表2 2 。水肿分割的p m 和c r 为8 5 9 1 和0 7 4 。具有相当高的匹配百分比 ( p m ) ，但其c r 值比较低，这是因为水肿边界区域比较模糊，容易误分 ，麦至z 謦博士学位论文 ( a )c o ) 图2 1 4 l ( a ) 数据集5 的初始化轮廓( 用圆圈标记) ； ( c ) ( b ) 数据集5 的水平集选代区域( 矩形橱 和遮代后探测到的时象边界( 用细曲线标出的环状区域) ；( c ) 数据集5 分割得到的水肿图像 f i g2 1 4 ：( a ) i n i t i a l i z a t i o no fc o n t o u r i nd a t as e t5 ( c i r e l e ) ；彻t h er e g i o na p p l y i n gl e v e ls e t ( r e c t a n g l e ) a n db o u n d a r yo f d e t e c t e do b j e c t t h i nc u r v e ) ：( c ) i m a g eo f o b j e c t ( e d e m a ) s e g m e n t e df r o m d a t as e t 5 轰2 1 数据集7 的脑肿瘤分割质量评价 旦坐! ：! ：! ! 婴型! ! 1 9 竺! 堕! 壁! 竺苎塑竺! 型! 坐竺! ! 竺竺塑! 型! ： p a t i e n tv o l u m es l i c en o g t t p sf p sf n sp m c r 77 34 8 4 622 9 58 30 9 4 1 6 788 9 5 a 30 9 3 3 3 li3 0 9 1 6 90 9 2 4 6 662 0 9 5 8 80 9 5 5 7 85 1 39 7 8 00 , 9 7 6 4 3 1 61 99 7 1 30 9 6 7 4 31 72 19 7 2 50 9 6 8 1 22 83 69 5 7 5 0 9 4 9 1 43 53 69 6 2 1 0 9 4 9 7 23 93 89 6 2 4 0 9 4 1 0 9 91 0 2 79 7 砷0 9 7 1 1 5 03 04 8 ”9 90 9 5 1 1 6 15 97 1 9 4 2 40 9 2 1 2 0 81 6 8 59 3 4 30 9 3 1 2 2 5 1 74 19 6 7 6 0 9 6 1 2 3 92 14 79 6 3 50 9 6 1 2 0 3 6 54 29 6 6 3 0 9 4 4 1 竹拼掰虬配h地师邮脚佛撒拼猫；s粥 t j 4 5 6 7 s 9 l i l i i l l l他侉舯乱匏粘斛酆孙钉站盼 jr t u j 孝支至声謦博士学位论文 9 91 2 21 2 13 0l9 9 1 9o 9 7 对l o 个不同的脑肿瘤和水肿数据进行分割，其实验结果分别见表2 3 和表2 4 。用 本文的算法对脑肿瘤进行分割，其p m 和c r 平均值为8 5 7 3 4 5 1 和0 8 5 o 0 7 ，而 经典水平集分割算法的p m 和c r 平均值为8 4 4 8 + 4 7 2 和0 8 3 o 0 4 。因此，本文的 算法的分割精度和误分率要好于经典水平集分割算法。同理，用本文的算法对水肿 进行分割，其p m 和c r 平均值为7 9 8 5 + 4 2 7 和0 7 9 0 0 5 ，而经典水平集分割算法 哪哪哪嘣嘣嘣耋|懈嘣酊肌m竹憾犯博；i暑i蚍鼽觚“旺缸叭啪m瞄懈m他拍”甜m耪：穹m玎柚邗 s 0 9 蚴m孝!叭伽埘m鲫唧蛳州州纯 岫h陀皓m玷蟮玎璐 ，声支童声謦博士学位论文 j t u 的p m 和c r 平均值为7 8 6 8 + 4 3 5 和0 7 7 + o 0 4 ，其分割结果也要好于经典水平集分 割算法。通过实验我们知道，本文所提出的分割算法要好于经典水平集分割算法， 具有稳健、快速、分割精度高的优点，即使对边界模糊的对象也能得到令人满意的 分割结果，且能自动探测到内轮廓( 孔洞等) 。 表2 3 脑肿瘤分割的匹配百分比和一致率对比 t a b l e2 3 p e r c e n t a g em a t c ha n dc o r r e s p o n d e n c er a t i of o rt h es e g m e n 协t i o no f b r a i nt u m o r s 缩写：p m l t 和p m m t 是用经典的水平集算法和基于如f o r d s h a h 模型的水平集分割算法得到的分割匹配百分 比 c r u 和c r i 盯是用经典的水平集算法和基于岫f o r d 唱h a l l 模型的水平集分割算法得到的分割一致率 表2 4 水肿分割的匹配百分比和一致率对比 t a b l e2 4 p e r c e n t a g em a t c ha n dc o r r e s p o n d e n c er a t i of o rt h es e g m e n t a t i o no f e d e m a s 缩写：p m l t 和p m 订是用经典的水平集算法和基于m f o r d - s h a h 模型的水平集分割算法得到的分割匹配百分 比；c r l t 和c r 札t 是用经典的水平集算法和基于f o r d s h a l l 模型的水平集分割算法得到的分割一致率 2 5 本章小结 本章主要介绍了在体数据三维重建之前所要做的必要的预处理操作，主要是滤 波、层阃插值和分割。介绍了邻域平均法滤波、中值滤波和保持边缘滤波这三种滤 波方法然后着重讨论了二维切片图像的层间插值问题，在分析了轮廓形变插值算 法和基于对应点匹配的灰度插值算法的基础上，使用了一种基于轮廓形变和对应点 匹配的混合插值算法，实验结果表明了该方法在切片图像上取得