1、該文的主要研究背景是與香港中文大學計算機系合作的香港特區(qū)政府研究資助局資助項目:"心臟MRI圖像分析與可視化"和南京理工大學計算機系計算機視覺實驗室項目"腹水脫落癌細胞顯微圖像分類識別".該文在前人工作的基礎上作了如下四個方面的創(chuàng)新研究:1.針對傳統(tǒng)Snake模型存在的分割結果對初始點的位置依賴較大、容易收斂到局部極值、迭代算法收斂時間較長等不足,提出了一種改進的Snake模型.該模型采用新的彈性能量、剛性能量函數(shù)和面積能量函數(shù),提出在

2、不同階段能量項可調整選擇的二階段搜索算法和其它一些輔助算法,包括Snake頂點數(shù)自適應增減算法、面積能量系數(shù)正負號自動選擇算法等.對真實人類心臟MRI圖像分割結果表明,改進Snake模型在一定程度上克服傳統(tǒng)Snake搜索區(qū)域小、對初始輪廓要求高和收斂速度慢等不足,具有實際應用價值.2.針對傳統(tǒng)Snake模型不能處理拓撲結構變化和數(shù)值計算不穩(wěn)定的不足,提出了一種基于水平集曲線演化理論的心臟MRI圖像分割算法和其它一些輔助算法,包括:提出了

3、基于先驗知識的K均值集群算法并將其應用于圖像目標的粗分割;給出了一種新的水平集符號距離函數(shù)(Signed Distance Function,SDF)生成算法;提出了基于K均值集群分類結果的水平集速度函數(shù)和結合圖像梯度的速度函數(shù)分別用于圖像邊界粗分割和細化.對真實人類心臟MRI圖像分割結果表明:K均值集群算法能夠有效地去除LV區(qū)域中的局部梯度極大值區(qū)域、區(qū)分弱邊界,使區(qū)域同質化;與快速推進法(Fast Marching Method,F

4、MM)方法相比,基于新的SDF生成算法和基于K均值集群分類結果構造的水平集速度函數(shù)能更快速地檢測粗邊界并對分割結果進行細化,降低整個圖像的分割時間,能夠有效地分割低對比度、噪聲心臟MRI圖像和其它成像模式的醫(yī)學圖像.3.針對目前常用于模式分類的BP神經元網絡學習速度慢和泛化能力低的不足,設計了一種用帶參數(shù)的柔性Sigmoid函數(shù)作為網絡單元函數(shù)的柔性前饋神經網絡(Flexible BP Network,FBPN),并提出可以分別和同時調

5、整柔性Sigmoid函數(shù)的參數(shù)和連接權的學習算法.該網絡能為每一個隱含層和輸出層單元產生合適的柔性Sigmoid函數(shù)形態(tài),使指定的輸入、期望的輸出和實際的系統(tǒng)一致,從而提高了傳統(tǒng)BP網絡的性能.4.針對腹水脫落細胞顯微圖像的多樣性、短灰度級范圍、雜亂和非隨機噪聲等復雜特征,提出了采用自適應最小距離算法分割腹水脫落癌細胞顯微圖像、采用鏈碼技術抽取細胞圖像形態(tài)特征、用FBPN作為識別器的癌細胞識別算法.對真實的臨床腹水脫落細胞病例的顯微圖像