Medical Image Segmentation Using New Hybrid Level-Set Method

上一篇文章水平集演化时的参考文献

这篇文章结合了Geodesic active model 和Chan-Vese model，这两种方法分别是基于边界和基于区域分割的典型模型。本文利用边界信息定位目标边界，利用区域信息防止区域泄漏。分割的图像是颈椎。

能量函数：

g: boundary feature map related to the image gradient

第一项：区域信息，μ 是预先定义的目标图像边界的灰度下界（a predefined parameter indicating the lower bound of the gray-level of the target object）这项最小化可以得到图像I根据阈值μ二值化后的图像边界

第二项：边界信息，直接利用了测地模型的能量函数，激励曲线向梯度高的方向演化。

Gateaux求导得到相应的水平集函数：

通过各种替代变成

是为了转换为C，根据文献【4】和表示的是同一种演化得到C

为什么要转换为这个呢？不是很懂，result上有和CV比较的部分用到了，但今天还没看到，明天继续

更：个人认为这样的转换没有任何意义，因为原始的水平集函数也可以进行这样的比较。

把水平集函数定义为signed distance function

演化过程

水平集函数设置为signed distance function存在改进的余地，李纯明的方法不需要重新初始化水平集函数。这篇文章的参考文献已经下载下来很久了，一直以为自己看过了，然而并没有。。。。

和CV模型的对比：

对于模拟图像，CV模型由于没有利用边界的梯度信息导致图像收敛到一个点；对于真实图像，CV模型由于背景图像灰度级太低导致演化方向错误，在提高背景图像的灰度级后演化正确。混合模型则均演化到正确的位置

总结：简单的把两个模型叠加在了一起，没有对比和测地模型的结果，而且实验结果没有和Ground truth进行比对。可能是这种方法太新了？？不能吧。。。。。

收获：

1、CV水平集演化过程中c1和c2之间的差值控制了演化方向，c1<c2（即曲线内部均值小于外部均值）时向内部演化，反之向外演化，正确与否还得再看看其它论文。

2、重新初始化的方法之一：Fast marching method

文献：

[4] S. Osher and J. A. Sethian.Fronts propagating with curvature-dependent speed: algorithms based on Hamilton-Jacobi formulations.Journal of Computational Physics, 79(1):12-49, 1988

原文：Zhang Y, Matuszewski B J, Shark L, et al. Medical Image Segmentation Using New Hybrid Level-Set Method[C]// Fifth International Conference Biomedical Visualization: Information Visualization in Medical and Biomedical Informatics. IEEE Computer Society, 2008:71-76.