胰腺的自动分割一直是医学图像分割中一项具有挑战性的问题。胰腺是一个具有高度解剖变异性的器官, 目前的多图谱分割方法很难对胰腺的边缘产生精确的分割。针对这一问题, 采用了基于多图谱配准的分割算法对胰腺进行分割, 优化了一种局部动态阈值的后处理方法。在标签融合阶段, 采用概率阈值融合算法、Majority voting(MV)算法、STAPLE算法和SIMPLE算法四种标签融合算法进行对比。在后处理阶段, 采用局部动态阈值处理方法, 首先通过初步分割结果对目标图像提取目标区域, 然后自动确定阈值实现该区域的二值化, 最终与初步分割结果取交集作为最终分割结果。采用留一交叉验证策略对80例NIH胰腺CT图像和22例来自上海本地医院的胰腺CT图像进行分割, 最终得到的DSC分别为79.98%和81.30%。实验结果表明, 所提方法实现了对胰腺的有效分割。

为提高海马体多图谱分割的精度和时间效率，提出基于高等标准化工具(Advanced Normalization Tools，ANTs)配准的多图谱分割算法。为降低数据规模，在预处理阶段，提取以海马体为中心的立方体box。在配准阶段，提出用ANTs代替重采样环节，再利用微分同胚Demons算法的平滑性、拓扑保持性以及连续性进行精配准。在标签融合阶段，采用加权平均(Majority Voting, MV)算法、基于生成模型约束的GraphCut标签融合(Generative Model, GM)算法、度量学习(Metric Learning, ML)算法以及半监督标签传播随机森林(Integrating Semi-Supervised Label Propagation and Random Forests, RF-SSLP)算法做对比。实验结果表明，用ANTs代替重采样后，可分别提高MV、GM、ML以及RF-SSLP四种融合算法的精度，同时，通过以上4种融合算法的对比发现，基于ANTs配准的半监督标签传播随机森林算法分割精度最高，相较于MV、GM和ML三种融合算法精度提高了3%~5%。

全脑区的自动分割对于大脑疾病的诊断和治疗具有重要的临床意义。为了提高分割准确率,提出了一种多项式展开配准的多图谱分割算法。利用线性多项式展开模型, 结合仿射变换和非刚体变换将待分割的目标图像与图谱图像进行逐一的配准来获取位移场; 利用归一化互信息计算二者的相似度, 筛选出与目标图像相似度较高的图谱, 并对图谱的标记图像进行位移场映射, 得到粗分割结果; 采用全局加权投票法将粗分割结果进行融合, 得到最终的细分割结果。选取了35例来自MICCAI 2012 Multi-Atlas Labeling挑战和10例来自上海交通大学医学院附属第九人民医院的磁共振T1加权图像对该方法进行验证, 最终全脑区的DSC值分别为0.7585和0.7351。实验结果表明, 算法具有较高的大脑分割精确度和鲁棒性, 有望辅助临床进行大脑相关疾病的诊断和治疗。

在医学多图谱配准中, 为了改善因初始位置差异较大、形状复杂和局部残缺导致的配准效率低和精度差的问题, 本文采用了先粗配准再精配准的处理策略, 在主成分分析法(PCA)实现粗配准的基础上, 提出了基于双向距离比例的迭代最近点(ICP)的精配准算法。精配准算法中, 首先采用KD-tree进行最近邻搜索以提高对应点对的搜索速度, 然后为每个点提出了双向匹配方法并计算其双向距离和比值, 为进一步提高配准精度, 引入了一个指数函数判断点对正确匹配概率, 最后运用奇异值分解法(SVD)计算最终变换矩阵。为了验证算法的可行性和有效性, 分别设计了不同缺损程度的斯坦福点云数据实验和两组CT心脏点云数据配准实验, 结果表明本文方法较经典ICP算法的平均误差减少约21%, 较TrICP算法减少约13%, 在心脏点云数据配准实验中, 本文方法较TrICP算法的15.5 s加快到1.77 s。因此本文方法在解决三维心脏点云数据的配准问题中具有良好的效率、精度和稳定性。

为有效提高海马体多图谱分割算法的精度, 将U-Net卷积神经网络用于海马体MR多图谱分割的标签融合。算法在图谱选择阶段, 计算互信息、梯度相似性选择图谱, 避免周围组织结构对图谱选择的干扰, 选择与目标图谱更贴合的浮动图像组。在预处理阶段, 提取以海马体为中心的感兴趣区域有效降低数据规模。在配准过程中, 利用重采样代替粗配准环节, 减少了“粗”配准环节所需时间, 再采用具有良好的平滑性、连续性和拓扑保持性的微分同胚Demons精配准算法。在标签融合阶段, 提出基于深度学习理论改进的U-Net多图谱MRI海马体分割算法。实验结果表明, 改进的算法分割精度较于传统算法平均提高了5%, 算法时间缩短了50%左右。改进后的基于U-Net的多图谱海马体分割算法对目标图像海马体的分割具有高精度、高效率的特点。