基于snake模型的二维分割技术优化

Kass于1988年提出了活动轮廓模型（active contour model）^［20］，又称snake模型，是一种重要的图像处理技术。它将几何、物理和近似理论结合起来，使模型变形的约束力包括由图像数据获得的图像力和有关目标的位置、尺寸和形状的先验知识。它具有良好的可交互性，允许操作者在必要的时候将他们的专业知识应用到图像解释工作中。在此模型的基础上，研究者们又相继提出了一系列的改进模型。与其他不是基于模型的轮廓提取方法相比，此类方法的优点在于，它将轮廓看做是一条连续的曲线，因此保证了轮廓的连续性，即使在相应图像特征很弱甚至缺失的情形下，仍可获得连续的轮廓提取结果。目前，此类方法已被成功地应用于图像分割、匹配和运动跟踪领域中。

现有的IVUS半自动分割方法中很大一部分属于此类。例如，Sonka等^［21］提出了一种基于知识的半自动分割方法，他们在模型变形过程中引入了血管横截面的相关先验知识，例如目标形状、边缘的方向、双回声带和血管壁厚度等，来模仿临床专家手动提取的过程。该方法的不足之处在于，能量函数中的边缘强度项不包括斑点的统计数据。Takagi等^［22］采用了类似的模型，并且实验结果也相似。与Sonka方法的不同之处主要在于预处理阶段，他们在预先分割出的血液和组织区域进行了自适应的空间-时间斑点滤波。(www.xing528.com)

序列中相邻两帧IVUS图像相减可以增强内腔区域的信噪比，比如增强图像中内腔和其他部分的对比度。Bouma等^［23］对结合了不同滤波技术（高斯滤波、中值滤波、各向异性滤波）的内腔分割方法（阈值法、区域增长法、离散活动轮廓法^［24］）进行了比较。用对20 帧相邻IVUS图像的同一位置相减取平均的方法得到的15幅图像进行实验。实验结果同四个专家的分割结果进行比较，当数据噪声较多时，与专家的分割结果相比不甚理想。