鉴别性统计建模-主动轮廓演化器及其在可视人图像分割的应用

解剖图像分割是可视人（CVH）研究的瓶颈，目前面向CVH图像分割的高效方法较为少见，手工分割及简单交互分割方式已无法胜任高分辨率、海量图像解剖目标提取任务。该项目研究基于鉴别性统计建模-主动轮廓演化策略（DSM-ACE）的图像分割新方法并用于CVH切片序列分割。通过探索凸显解剖目标本质结构的标量、矢量、二阶张量等多级特征提取算法，构建鉴别性统计模型（DSM），并引入模型参数及解剖学约束，拓展主动轮廓模型方法以获得针对性强、准确、快速的曲线演化策略。着重就DSM构建及参数估计、融入模型参数与解剖学约束的能量泛函展开系统深入的研究，并作为CVH序列多分辨率分割的核心模块。研究成果既能延拓变分法图像分割的理论内涵，提高CVH图像分割自主性，为同行提供参考数据源，支撑CVH配准及三维重建等后续研究，也能分割CT、fMRI等医学图像,进而服务临床诊断对照、模拟外科手术、立体放疗定位等领域。

统计建模和主动轮廓模型是可视人（CVH）图像分割中主流的方法，其中较为重要的问题包括图像特征统计建模、水平集重新初始化，结合图像边缘与区域信息构造能量泛函等，国内外对这类问题的研究很重视。我们针对这些问题进行了深入研究，首先我们研究了鉴别性统计建模中特征提取及判别分析方法，提出了一种新的局部投影鉴别性分析方法，用于图像特征降维、特征提取及分类识别；开展了结合统计学习理论与特征局部性约束方面的研究，提出了一种基于支持向量机和鉴别性统计模型的分类器，用于图像特征提取及分割。其次对基于水平集的图像分割中重新初始化问题进行了理论探索，提出了新的能量泛函以加快水平集演化的策略；结合图像边缘与区域信息构造能量泛函在活动轮廓模型中改进了边缘定位的准确度；并通过对三维面绘制算法进行改进，获得了效率和精度较高的目标三维重建模型。最后我们基于上述研究成果构建了一个有特色的医学图像分割软件平台SeadriftMedical，实现了对CVH脑白质图像、心脏CTA数据集冠状动脉等解剖目标的多级分割和三维重建，并在医学科研、教学、三甲医院冠脉临床诊断中得到实际应用。