《基於水平集與多尺度幾何分析的三維超聲數據目標提取》是依託山東科技大學，由白培瑞擔任項目負責人的面上項目。
基本介紹
- 中文名：基於水平集與多尺度幾何分析的三維超聲數據目標提取
- 項目類別：面上項目
- 項目負責人：白培瑞
- 依託單位：山東科技大學
項目摘要,結題摘要,
項目摘要
三維醫學超聲成像具有顯示直觀、體積測量精確等優點，但是，目前臨床上使用的圖像分析軟體對三維目標的分割與識別能力有限，制約了三維超聲成像技術的實際使用。三維超聲數據分析與理解的困難主要源於超聲成像固有的散斑噪聲和模糊邊界的影響。本項目提出採用多尺度幾何分析技術提取三維超聲數據的邊緣方向信息，克服超聲圖像散斑噪聲、模糊邊界或微弱邊界的影響。然後，融合均值漂移聚類與快速變分水平集分割算法，使形變模型能夠自動尋找複雜目標的封閉輪廓，實現三維目標的特徵提取。本項目的研究將為三維超聲數據的分析與理解提供新的理論參考，為三維超聲目標的自動提取與識別提供新的思路。
結題摘要
本項目的研究內容屬於醫學計算和精準醫療領域的核心部分，對臨床輔助診斷具有重要意義。主要研究內容有：1）對區域能量匹配模型和局部高斯分布擬合模型的初始輪廓設定、曲線演化控制、演化控制參數自動估算等方面進行了研究與探索。實驗結果表明，該研究有效彌補了這兩種水平集分割模型在實用中泛化能力差的不足。提高了分割的精確性、魯棒性和自動化程度。2）對Surfacelet的三維數據分解與重構性能進行了分析，提出根據三維醫學圖像Surfacelet變換高低頻子帶係數的統計特性來設計不同處理策略，通過Canny運算元銳化重建係數，提高了檢測三維醫學影像目標邊緣的精確性。3）針對三維醫學影像數據的冗餘度及其計算量，提出基於深度詞典的稀疏特徵有效表示方法，並構建了級聯式多組模式的分類與識別框架。同時，基於感興趣目標的幾何形狀特徵，提出利用主成分分析進行分層尋優的虛擬標記特徵提取方法，可以有效減少處理三維醫學數據的計算量。採用深度學習或神經網路技術對虛擬標記特徵進行訓練和學習，可以用於人體軀幹和器官的自動定位。4）以原發性高血壓動態動脈硬化指數為參考，研究了高血壓病患者的動脈硬化與頸動脈彈性功能以及腎實質剪下波速度的相關性，發現原發性高血壓病與頸動脈粥樣硬化和腎功能損害存在一定程度的相關性，可以為高血壓以及心腦血管疾病的治療提供參考。
