改进Chan-Vese模型的肝癌消融CT图像分割算法

"该文提出了一种改进的Chan-Vese模型用于肝癌消融CT图像肿块分割的方法，旨在解决图像中肿块区域成分多变和边界模糊的问题。通过利用高斯混合模型区分目标（肝肿块）和背景像素，结合边缘梯度信息构建能量泛函，并基于肿块的先验知识设定初始轮廓，促进活动轮廓向目标边缘收敛。实验证明，该算法在肝CT图像实验数据集中表现出较高的相似度、周密性和精确度，优于传统的局部Chan-Vese和局部二值拟合模型。" 本文主要讨论了在肝癌消融CT图像分析中的一个关键问题——肿块区域的准确分割。传统的分割方法在处理成分变化大和边界不明显的肿块时往往效果不佳。为了解决这个问题，作者提出了一个基于改进Chan-Vese模型的水平集算法。 Chan-Vese模型是一种经典的能量最小化模型，用于图像分割，它假设图像可以分为两个区域，通过最小化区域内像素的均值和区域间像素的均值差来找到最优分割边界。 在改进的模型中，作者利用肝组织和肿块在高斯分布上的统计差异，引入高斯混合模型来更好地区分目标区域（肿块）和背景。这种区分方式增强了模型对不同成分的适应性，使得分割更加准确。同时，通过结合边缘梯度信息，可以更好地捕捉图像边缘，确保分割结果的边界清晰度。 此外，算法还考虑了肿块的先验知识来初始化轮廓，这有助于引导活动轮廓向着正确的方向发展，避免在迭代过程中偏离真实边界。在实际应用中，这一步对于处理边界模糊或内部结构复杂的肿块尤其重要。 实验结果在一组肝CT图像上得到了验证，算法表现出了优秀的性能。平均相似度超过0.87，表明分割结果与实际边界高度一致。同时，算法的周密性和精确度都优于其他比较模型，包括局部Chan-Vese和局部二值拟合模型。这表明改进的Chan-Vese模型在处理肝癌消融CT图像分割任务时，能够提供更可靠、更精确的结果，对于临床诊断和治疗规划具有重要价值。 这项工作在肝癌消融CT图像处理领域做出了贡献，通过改进经典的Chan-Vese模型，提高了肿块分割的准确性和鲁棒性，为医学影像分析提供了新的工具和技术。