第一章 绪论
1.1 研究背景与意义
图像分割在计算机视觉的研究发展中具有重要的作用，也是数字图像处理的重要课题之一[1]。图像分割技术从发明至今，技术更新迭代迅速，一方面因为它始终为研究者提出新的挑战，另一方面就是其对于图像识别、图像匹配等其他领域的影响深远，因此对图像分割的研究越来越热烈[2-4]。虽然没有普遍而完整的绝对完美的图像分割方法，但对于图像分割也有一些共同的想法，这些想法的延续产生了许多研究成果和新的方法。
随着数据信息量呈现几何式增长，大数据为生产和生活带来了更多的可能性和机会。 然而，数据量的爆炸性增长也是一把双刃剑，数据的多样性、冗余信息和目标信息的交叉共存，使数据的筛选和整合变得至关重要，但也变得困难。 聚类分析是一种重要的统计分析方法，主要用于解决分类问题。 它是一种技术聚类分析，将相似的信息集成到有意义的数据子类中，并试图找到嵌入在大数据底层结构中的模式。 它已广泛应用于计算机视觉、数据库知识发现、图像处理等领域[5, 6]。由于其广泛的适用性，人们发明了许多聚类算法，包括 K 均值算法(K-means)[7]、亲和传播算法(Affinity Propagation algorithm, AP)[8]、基于密度的噪声应用空间聚类(DBSCAN)[9]、排序点识别聚类结构(OPTICS)[10]、快速查找密度峰值(CFSFDP)算法[11]等。虽然这些方法解决了很多数据聚类问题，但也有其局限性和不足。因此，随着数据复杂度的增加和聚类方法的研究，对经典方法的改进和扩展成为主流的研究方向。鉴于图像分割的重要地位，图像分割在医疗领域扮演者不可替代的重要角色。其中在放疗领域，图像分割是不可缺少的一个步骤[12,13]。下面将从影响女性健康最广的乳腺癌放疗展开介绍。
......................
1.2 国内外研究现状
图像处理技术整体发展迅速，新方法新技术层出不穷，随着人工智能技术的崛起，传统图像处理技术受到了很大冲击，但回顾过去展望未来，传统方法依然有很多的闪光点。下面我们根据本文主要研究领域进行回顾，共包括以下内容：传统图像分割方法概述，基于深度学习的图像分割方法，基于深度学习的剂量预测方法。
1.2.1 传统图像分割方法概述
本文就传统图像分割方法的发展进行总结与分类。将传统的图像分割方法主要分为直方图阈值法、基于区域划分、边缘检测、模糊法，图割法以及聚类法六类方法进行简要的介绍与总结。
(1) 直方图阈值法
直方图均值法多用于灰度图像分割。其中阈值的选择是该方法中的关键步骤，最终的图像分割效果由适当的阈值直接控制影响。在 1996 年，Prewitt 提出了直方图双峰方法[19]。该方法的基本思想是：一些谷需要在图像的直方图，每个谷映射到图像的特定区域。峰之间谷确定阈值段。这种分割是阈值的灰度值，这是相比于作为用于监管分类[20,21]粗略测量的图像的每个像素。这种方法的优点是它的简单性和方便性，以及较低的计算复杂，所以没有先验知识是必需的。其缺点是，如果峰和直方图的其它特征是不明确的，得到的结果也并不好。
(2) 基于区域的方法
基于区域的方法可以分为三种：区域增长、合并方法以及分水岭分割方法。在区域生长方法[22]中，必须首先选择一个像素作为初始像素，充当传播起始像素，然后制定生长规则。 然后，生长规则组合与种子像素非常相似的像素，最终形成一片由种子像素与生长规则形成的区域，以此实现图像分割。此方法的优点是，如果定义了区域均匀性标准，则该方法不容易受到噪声干扰。缺点是该方法需要大量的计算和存储空间，并且强烈依赖于像素和区域检查顺序。盆地算法受形态学启发，并将图像视为拓扑图。通过收集不同的像素灰度值，可以将该拓扑图选择性地分为几个区域。分水岭边界是分水岭[23]，并且分水岭算法通常用于梯度图像分割，但是这种方法的缺点是它经常看起来是碎片化的。
..............................
第二章 基于深度行走与密度峰值聚类的图像分割
2.1 聚类算法改进
我们将介绍一种基于密度峰值聚类算法与拓扑特征相结合的全新的聚类算法。我们将从详解密度峰值聚类算法的思想为切入点，结合深度游走介绍拓扑特征，将聚类算法与超像素分割结合，最终实现图像分割。
2.1.1 密度峰值聚类算法
CFSFDP 是一种基于密度峰值的聚类算法。其核心思想是通过截断距离计算相对密度和最近距离，利用绝对密度和最近距离绘制决策图，在决策图上主观的选择聚类中心点，实现数据聚类。
..........................
2.2 基于聚类的图像分割方法
图像分割，就是依据某些特征准则，把图像划分成若干个具有独特性质的区域。基于聚类的图像分割，是一种无监督算法，能通过分析图像的要素并依据某些准则进行分割。通过实现聚类算法的改进，我们将新的聚类算法与超像素分割、Lab 颜色空间相结合，实现新聚类算法在图像分割中的应用。图 2-6 展示了基于聚类的图像分割大体流程，其中聚类算法作为最后一个步骤参与分割过程。我们以乳腺癌横截面 CT 图像为例，按照图像预处理、特征表达、聚类分析实现 CT 图像肺部组织的分割。下面将就超像素处理，Lab 颜色空间，进行详细描述。
超像素由任晓峰等人于 2003 年发表[73,74]。该想法是将图像简单地分成几个较小的块，然后将每个块视为一个像素。每个小块都是一个超像素，此过程具有一些便利，例如减少数据点的数量，或者该块具有图像含义。但是，其本质仍然是图像分割。超像素代表整个图像的局部功能和结构信息，减少了很多数据冗余，减少了数据尺寸和计算复杂性，并且是图像处理和计算机视觉中的重要预处理环节。
..............................
3.1 分割方法在剂量预测中的应用.................................. 25
3.2 通过 Pix2pix 网络实现剂量预测 .................................. 26
第四章 实验与结果分析............................... 31
4.1 数据集与实验设计.............................. 31
4.2 结果分析................................. 31
第五章 总结与展望............................. 41
第四章 实验与结果分析
4.1 数据集与实验设计
对于 CT 图像危及器官分割，本文的实验目的是为了证明提出的图像分割方法可以帮助物理师更好的分割出正常组织器官。实验共选用了 300 张乳腺癌 CT 图像，所有图像均从经过临床验证的计划中提取出来且均已标记出危及器官。在图像分割实验中，我们使用了导出图像中的原始 CT 图像做为测试数据。
为了验证图像分割结果的准确性与实用性，共从以下几个方面进行实验验证：图像分割的准确性我们通过对比概率边缘指数评估；实用性我们通过与几个热门聚类方法的分割策略所消耗的时间对比来评估。
对于乳腺癌剂量预测，我们的目的是在仅勾画了靶区及危及器官的预测数据基础上，对乳腺癌靶区照射剂量进行临床可接受的预测。本实验共收集了 157 例经过临床治疗的右侧乳腺癌 IMRT 病例数据，处方剂量均为 50Gy,每一例数据中的靶区均包括锁上、胸壁和腋窝。所有数据由剂量师使用 eclipse 放疗计划系统优化生成，导出的数据格式为 DICOM格式。所有患者资料均已完全匿名，所有方法均按照机构制定的相关指南和规定执行。
在预测剂量实验中，我们为验证以下两个目标设计实验：1.射野角度对于剂量预测结果的影响。2.我们提出的剂量预测方法得到的结果是否符合临床要求（与已实施的剂量偏差是否在合理范围内）。我们从放射学角度充分考虑，对预测剂量图、剂量体积变化率、Dice 系数、 DVH 均进行了比较。
.............................
第五章 总结与展望
本文通过对典型聚类算法、传统图像分割方法、基于深度学习的剂量预测方法的梳理学习后，选择在聚类表现较好的密度峰值聚类算法的基础上增加拓扑特征，提出了一种新的聚类算法。通过查阅文献我们发现，聚类算法中增加拓扑特征的难点在于拓扑特征的表示困难，但在一篇社会表征的文章中，我们发现其思想与拓扑特征表示相近。且在特征二维直角坐标系中，特征点分布也有一定的聚类特性。因此我们将两者加以结合，发明了一种新的考虑拓扑特征的聚类方法。
在对聚类算法改进的基础上，如今图像分割作为数字图像处理的重要环节，我们尝试将聚类算法与图像分割相结合。基于聚类的图像分割方法中，影响分割结果的因素有两个，一种是聚类算法的聚类效果，另一个是图片预处理方法的选择。本文选择 Slic 超像素方法对图像进行预处理，将处理好的超像素块通过 Lab 颜色空间表征。本文选择在乳腺癌 CT图像上进行实验，通过对比 PRI 值与运行时间证明了方法的可行性。
在医学领域中，图像分割同样至关重要，可以帮助医生准确定位病灶，加快治疗进程。在肿瘤治疗中，常用的治疗方法包括手术、化疗、放疗。其中放疗作为安全性最高，对患者损伤较小的方法，如今发展迅速。而在放疗领域，图像分割技术是不可或缺的重要一环。如今放疗计划制作过程中，物理师首先需要通过 TPS 计划系统手动将 CT 图像中的危及器官勾画出，目的是在接下来的剂量分配时将勾画出的器官受量限制在临床可接受范围内，从而防止射线对正常器官的损伤。本文就当前放疗领域中剂量预测问题进行了研究，将文中提出的图像分割方法作为剂量预测的第一步引入，在剂量预测中使用了 Pix2pix 模型进行实验，并创新性的增加了射野角度的特征。与传统剂量预测方法不同，增加射野角度对于边缘照射剂量的限制更加精确，从而得到更加接近于临床可使用的剂量标准。
参考文献（略）