全文总字数：4814字

1. 研究目的与意义及国内外研究现状

肾脏是人体重要的代谢器官，对废物排泄和维护人体代谢平衡起着重要作用。目前腹部增强ct、mri检查在临 床 工 作 中 已 相 当 普及，肾脏医学图像是医生诊断肾脏疾病的重要参考依据。肾脏图像分割在临床医学图像分析和非侵入式计算机辅助诊断中有着非常重要的意义，在肾脏功能分析和肾病诊治方面具有重要的临床价值。本文在掌握经典的带空间信息的核模糊c均值算法和growcut算法的基础上，研究了一种层次化的肾脏分割方法，即结合skfcm和改进的growcut算法对腹部ct图像进行肾脏提取的新方法。这是一种从ct图像中分割肾的粗到细的方法，分为粗分割和精分割两个阶段。粗分割基于带空间信息的核模糊c均值算法(skfcm)，精化分割采用改进的growcut(igc)算法。skfcm算法由于具有较强的聚类能力和较强的抗噪声能力，成功地实现了肾粗分割。其次，对传统的growcut算法进行了改进。改进的growcut算法可以自动生成种子标签，而不是用户输入种子标签，从而减少了交互时间，提高了分割效率。该方法的分割结果可用于肾脏疾病的诊断和治疗计划的制定。它们也是三维可视化的基础。医生在肝脏的三维可视化模型上可以进行多次模拟手术，调整手术参数和方案，最终制定出一个最优的手术方案，提高手术的安全性。

国内外研究现状

图像分割是医学技术中最重要的问题之一，它从不同疾病的分析与诊断、解剖结构的研究、治疗计划的制定等方面对医生提供帮助。随着ct图像在疾病诊断和治疗中的应用日益增多，从ct图像中分割人体器官是精确治疗规划的前提步骤。然而，不同的组织在个体间有不同的大小和形状，肾脏与其邻近组织(如肝、脾)之间存在灰度相似性。因此，肾脏分割是一项具有挑战性的工作。近年来，人们提出了多种肾脏分割方法，包括变形模型法、聚类法、区域生长法和基于知识的方法。tsagaan和shimizu提出了一个可变形的肾脏自动分割模型，该模型以肾脏的灰度外观及其形状的统计信息为代表。聚类方法是一种无监督学习方法。因此，基于它的分割方法不需要训练样本数据，它们通过分组像素形成数据簇。lin发展了一种基于自适应区域生长的方法来提取感兴趣区域内的肾脏(roi)。但该方法主要依赖于图像强度均匀性的假设，不适用于肾区强度变化较大的图像。基于知识的方法利用样本数据计算提取区域，需要大量的计算工作。spiegel提出了一种基于三维主动形状模型(asm)的算法。khalifa提出了一种结合概率形状先验和新的随机函数的水平集方法。区域生长法对种子点位置敏感。

近几十年来，模糊分割方法，特别是模糊c-均值算法(fcm)在图像分割领域得到了广泛的应用。有许多基于fcm的改进算法。zhang等人提出了一种基于核的模糊c-均值(kfcm)算法，该算法具有较强的抗噪性和聚类能力。在kfcm算法中，核诱导度量取代了fcm的原欧氏范数度量。具有空间上下文信息的fcm(fcm_s)是一种有效的图像分割算法。虽然上下文信息可以提高其对噪声的不敏感性，但对噪声和孤立点仍然缺乏足够的鲁棒性。为了克服这些问题，s.chen等人提出了一种新的kfcm算法，该算法引入了空间约束(skfcm)。利用skfcm算法成功地从mr图像中分割出脑和肿瘤。元胞自动机(ca)是一种时空离散的非线性动力学模型，通过简单的规则实现复杂的计算。基于元胞自动机的图像处理方法得到了广泛的应用，包括边缘检测、分割和去噪。2006年，vladimir和vadim提出了一种交互式分割算法“growcut”，解决了基于元胞自动机的像素标记问题。给定一些用户标记点，图像的其余部分由细胞自动机自动分割。标记过程是迭代的。在分割计算困难的情况下，用户可以观察到分割的演化过程，并在人工输入的情况下指导算法的实现。growcut算法最常见的应用是从mr图像中分割脑肿瘤。本文提出了一种新的从粗到细的肾脏分割方法.这是一种将skfcm和igc算法相结合的分层分割框架，用于腹部ct图像的肾脏分割。在粗分割阶段，skfcm算法比fcm算法能更好地分割被噪声污染的图像。skfcm在数据空间中采用核诱导度量来代替fcm中原有的欧氏范数度量，是一种更稳健的聚类方法。利用所提出的igc算法对粗分割结果进行细化。由于igc算法充分利用了ct序列在空间上的连续性，能够自动生成目标和背景种子标签。igc算法减少了大量的交互时间，提高了分割效率。

2. 研究的基本内容

本文具体研究内容如下：

(1)对 ct 图像进行预处理以及对分割结果进行后处理操作。本文对ct图像的预处理包括中值滤波去噪。对分割结果的后处理包括利用形态学方法平滑图像边缘。

(2)基于 skfcm 算法的图像粗分割。本文研究了一种由粗到细的肾脏图像分割策略，利用ct图像的空间连续性实现了全序列图像中的肾脏分割。在粗分割阶段采用聚类方法，利用像素的灰度信息将图像分为不同的类，然后选择包含肾脏的一类。传统 fcm 算法是一种无监督的聚类算法，实现简单，但是它也存一些问题，如对噪声敏感，聚类分割能力不强等。接下来介绍一些现有的 fcm 的改进算法，如加入了空间邻域信息的 sfcm 算法，引入了核函数的 kfcm 算法，以及加入空间邻域信息和核函数的 skfcm。将 fcm 算法和它的这些改进算法在 ct 图像中进行聚类分割实验。通过实验效果的比较，最终选择抗噪声干扰和聚类能力较强的 skfcm 算法作为粗分割阶段的主要算法。

3. 实施方案、进度安排及预期效果

实施方案：

查阅相关资料，首先了解fcm算法和传统的growcut算法的基本原理，需要阅读大量文献，对已有的方法和发展趋势有了一定的了解。然后建立肾脏区域的层次化分割方法，包含粗分割与精分割两个阶段，粗分割基于带空间信息的核模糊c均值算法(skfcm)，精化分割采用改进的growcut(igc)算法。最后通过大量的实验建立肾脏图像数据集，验证该分割方法的有效性和准确性。

进度安排：

4. 参考文献

[1]王晓红,赵于前,廖苗,刘苗苗.基于空间模糊c均值与区域生长的腹部ct序列图像肾脏自动分割[j].中南大学学报(自然科学版),2014,45(10):3463-3469.

[2]胡志发. 肾脏ct序列图像分割方法研究[d].哈尔滨工业大学,2015.

[3]张军贤. 基于改进模糊聚类算法的医学图像分割研究[d].华中科技大学,2012.