A Level Set Based Deformable Model for Skull-Stripping Brain MR Images

腦部磁振影像分割，又名大腦擷取或頭骨去除(Skull Stripping)，是醫學影像分析的重要前處理之一。因為人類腦部的高複雜度和磁振造影(Magnetic Resonance Imaging，MRI)的多變參數影響，頭骨去除是具有相當挑戰性的。在本篇論文當中，我們提出一個基於水平集演算法的嶄新可變形模型。在所提出的演算法中，我們使用兩個力來控制曲線的迭代，分別為邊緣吸引力及曲度力。邊緣吸引力藉由腦部輪廓邊界像素值的差異，來決定曲線演化之方向。我們使用一個S-shpae 函數自動調整與影像相關的閥值，來控制邊緣吸引力大小， 藉此使邊緣吸引力能夠依據不同影像切片，控制曲線的演化。曲度力控制曲線的彎曲程度，其值大小由平均曲度決定。 我們使用自動化權重參數，控制曲度力的比重，此權重參數主要是依據曲線內部像素平均值的差異，進而提昇本演算法之自動化程度。實驗結果指出本研究所提出之演算法，在臨床真實磁振影像的頭骨去除結果，有相當高的精準度。Segmentation of brain tissue from non-brain tissue, also known as skull stripping, has been challenging due to the complexity of human brain structures and variable parameters of MR scanners. It is one of the most important preprocessing steps in medical image analysis. We propose a new brain segmentation algorithm that is based on a level set based deformable model. Two different forces are used to guide the evolution of the level set contour. The brain surface attraction force is calculated based on the intensity values of the brain, which is designed to automatically adjust the intrinsic parameters in response to different slices. The other force is a morphological smoothing force based on the mean curvature and weighted by the differences between the mean intensities inside and outside the contour and the zero level set intensities. Experimental results indicated that the proposed algorithm is effectively accurate and robust, which is a promising tool in many skull stripping applications.致謝 i 摘要 ii Abstract iii 圖目錄 vi 表目錄 viii 符號表 ix 第1章 緒論 1 1.1 研究背景 1 1.2 研究動機 2 1.3 論文架構 3 第2章 文獻探討 4 2.1 核磁共振影像 4 2.2 腦表面擷取模型 5 2.2.1 非均向性擴散濾波器 5 2.2.2 邊緣偵測器 6 2.2.3 型態學處理 7 2.3 大腦擷取工具 10 2.4 水平集方法 11 第3章 研究設計與方法 13 3.1 力的方程式 13 3.2 邊緣吸引力 13 3.2.1 自動化微調影像閥值 14 3.2.2 搜尋路徑 17 3.3 曲度力 19 3.4 權重參數 19 3.5 力的方程式修正 20 3.5.1 寬帶演算法 22 3.6 演算法流程 23 第4章 實驗結果及討論 27 4.1 實驗說明 27 4.2 參數分析 29 4.2.1 自動化權重參數分析 30 4.2.2 改良後搜尋路徑分析 32 4.2.3 自動化影像閥值分析 34 4.3 IBSR 影像資料庫 36 4.4 LONI Test Data Archive 1.0 43 4.5新演算法之LONI Test Data Archive 1.0參數之效能比較 50 4.5.1 自動化權重參數效能比較 50 4.5.2改良後搜尋路徑參數效能比較 52 4.5.3自動化影像閥值參數效能比較 54 第5章 結論與未來展望 56 5.1 結論 56 5.2 未來展望 57 參考文獻 5