基于CT图像的自动肺实质分割方法

在肺癌、肺气肿等肺部疾病计算机辅助诊断方法中,肺实质分割是最核心的步骤.提出一种基于三维CT图像序列的新的自动肺实质分割方法,综合利用了阈值分割、区域增长及数学形态学等算法,并在特定体层通过图搜索算法精确定位左右肺前后连接线狭窄区域,有效解决了肺实质边缘结节易分割遗漏及左右肺分离的难题.通过多组胸部CT序列图像的实验证明,该方法对于肺实质分割非常精确有效.     

用于计算机辅助诊断的肺实质自动分割方法

在肺结节的计算机辅助诊断过程中,肺实质的分割是关键的步骤。传统的肺部分割方法都是基于肺实质与周围组织对X线的衰减强度不同而进行的。这些方法对正常的肺部能得到理想的结果,但当肺部存在肺结节等异常征象时,这些方法会出现错误。该文提出了一套完整肺实质分割流程,首先用阈值法和边界跟踪算法得到初始的肺部轮廓,然后提出一种新的基于计算局部二维凸包的方法对原始的肺部轮廓进行修正。该算法能将与肺部周围组织相连的肺结节包括在肺实质中,从而在肺部存在与胸膜相连的结节的情况下也能得到满意的分割结果。采用该算法对6个病人的约400张肺部CT图像进行了肺实质提取,实验结果显示:该算法对正常和异常征象的肺部CT图像进行分割的正确率均能达到83%以上,为肺结节的计算机诊断提供了良好的条件。     

基于连续最大流的三维肺实质快速分割算法

肺结节是肺癌的表征形式,形状结构多样且易与正常组织产生粘连,使分割存在困难.提出了一种基于空间约束的三维肺实质分割算法,实现对肺实质组织的分割及目标区域的获取.首先使用SLIC方法将二维CT序列图像构建成超像素图像矩阵,并对矩阵进行稀疏化处理,降低矩阵维度.然后连接相邻切片间的超像素构造肺实质组织的三维结构.最后采用连续最大流方法对构造的三维肺部结构进行分割.实验结果表明,所提算法能够快速准确地分割三维肺实质组织,对不同类型肺结节的分割均取得较好结果,具有一定的临床应用价值.     

基于CT图像的肺实质细分割综合方法

肺实质的分割是肺结节检测和诊断的基础,是肺部疾病计算机辅助诊断的关键步骤之一。针对肺部计算机断层扫描（computer tomography,CT)图像,采用最佳阈值法进行初步分割,去除背景,用结合上下文分析的区域生长法去掉气管、支气管,对左右肺连结的情况进行像素分析,分开左右肺,对提取出来的肺区用滚球法进行修复,得到肺实质图像。去除气管和分割左右肺的算法是针对肺部CT图像的特征提出的,具有简单高效的特点。实验表明,该综合方法的准确性和可靠性较高,有较好的应用前景。     

基于深度残差网络的医学超声图像多尺度边缘检测算法

为提高医学超声图像在临床诊断的效果, 需先对图像进行优化检测和识别, 提出一种基于深度残差网络的医学超声图像多尺度边缘检测算法. 首先, 通过对原始医学超声图像进行自动标注, 构建医学超声图像灰度分布矩阵, 利用分布矩阵完成医学超声图像的多尺度分割; 其次, 构建医学超声图像多尺度边缘的轮廓模型, 提取多尺度图像边缘特征; 再次, 构建深度残差网络结构, 采用深度残差学习算法进行超声图像的底层图像信息融合; 最后, 对融合后的边缘图像数据进行多尺度边缘检测. 实验结果表明, 该算法的图像分割精度高, 特征提取准确率达80%以上, 图像边界中间断区检测效果较好, 边缘点查全性较高, 算法检测耗时短、收敛性强.     

基于深度学习的三维乳腺超声影像自适应分割

针对传统乳腺超声影像分割算法存在准确率低、精度低且耗时长等问题,提出基于深度学习的三维乳腺超声影像自适应分割算法。首先预处理图像,采用深度多示例学习方法检测病变图像块,删除正常图像块。然后对乳腺超声影像数据集扩增处理,用于神经网络训练。其次构建残差卷积神经网络模型,设计残差学习单元,结合扩增数据集形成特征映射,采用softmax函数训练网络并进行特征块判断,并结合阈值设置实现三维乳腺超声影像自适应分割。实验结果表明,该算法能更细致地完成图像分割,算法平均运行耗时为52.3 s,图像分割精度为95.5%,且F1分数值高,整体性能佳,为卷积神经网络分割应用提供参考。     

基于小波变换的改进DDGVF医学图像分割算法

针对传统Snake模型不能很好地分割带有凹陷边缘图像的问题,提出了一种改进的结合小波的动态方向梯度向量流(简称DDGVF)模型.该算法首先利用小波变换的多尺度特性对待分割图像进行3层分解,然后在每层分解的图像下进行DDGVF算法的分割,不断获得更加精细准确的目标轮廓,最后达到准确分割.针对合成图像、含有噪声的图像和真实的CT以及MRI医学图像进行仿真实验.结果表明:改进算法能很好地解决传统Snake模型不能深入分割凹陷区域、捕获目标范围小等问题,并且具有分割时间较少的优点,是一种高效准确的医学图像分割算法.     

基于分层模版种子点的分水岭分割孤立性肺结节的方法

针对肺部结节的分割问题,该文提出了一种基于分层模版种子点的分水岭分割方法。该方法在PET图像中采用基于SUV均值的分层次模版匹配算法检测出可疑区域,标记出分割种子点,同时在对应CT图像中使用改进的分水岭算法将可疑肺结节分割出来。将该方法与特征提取结合应用于肺结节的辅助诊断中。大量的实验结果表明:与当前单独采用CT或PET图像特征分割结果相比,该方法在确保真阳性以及分类准确性的基础上,极大降低了假阳性,从而表明了该方法在肺结节临床分割方面的有效性。     

多重分形及其良恶性肺结节的识别

采用多重分形谱对肺部CT图像特征进行分析.多重分形谱参数可以分层次地刻画空间内部的精细结构,突出异常局部变化特征,获得更多、更准确的特征信息.从复杂的肺部CT图像数据中选出了具有明显个性特征的区域,与分形维数相结合可进一步对良恶性肺结节进行分类.结果表明,同分形维数方法相比,多重分形的奇异谱函数可以提供更多的信息,有效地克服了分形维数相同情况下不同肺结节无法区分的困难,使肺实质组织中的肺结节特征提取更符合实际情况.     

基于随机游走算法的CT图像肺肿瘤分割

针对CT图像肺肿瘤分割中复杂大肿瘤分割的准确性和自适应问题,提出了一种基于随机游走算法的分割方法.首先,根据图像灰度信息提取肺实质;针对大肿瘤与周围肺组织粘连的复杂情况,先提取有凹陷的肺实质,再根据肺实质先验轮廓,用曲线段形变模型修补肺实质的凹陷边界.然后,用区域生长法自动确定目标种子点和背景种子点;对于大血管与肿瘤粘连的情况,需要少量交互修改个别背景种子点.最后,用随机游走算法完成大肿瘤的分割.实验结果表明,该方法的准确性高,分割结果能够满足临床治疗效果分析和病理学研究的要求.     

结合显著性和Graph cuts的肺区域图像分割

针对肺部CT图像灰度分布不均匀、各组织结构复杂导致难以准确地分割提取出肺区域的问题,提出了一种结合图像显著性和Graph cuts的肺区域自动分割方法.对10位病例的CT图像序列进行测试,结果表明:该方法可以自动完成肺区域分割,具有较高精度,且耗时较少.     

基于局部感受野和半监督深度自编码的肺结节检测方法研究

深度学习在肺部影像方面的研究主要集中于肺部CT图像。对肺结节的快速准确检测是肺部疾病治疗的关键步骤。结节检测本身就是一项具有挑战性的工作,且已有的研究均很难得到较高的检测率。针对这样的问题,提出一种改进的深度半监督稀疏自编码的肺结节检测方法。首先,采用局部感受野对肺结节图像进行多层特征提取。然后,利用半监督稀疏自编码自主学习肺部影像中的结节特征。最后,融合多种临床信息实现对肺结节的准确检测。实验结果表明,该方法可以达到准确率90.14%,敏感度89.67%和平均检测率96.64%,明显优于其他方法检测性能,更适用于肺结节的精准检测。     

基于局部感受野和半监督深度自编码的肺结节检测方法

深度学习在肺部影像方面的研究主要集中于肺部CT图像。对肺结节的快速准确检测是肺部疾病治疗的关键步骤。结节检测本身就是一项具有挑战性的工作,且已有的研究均很难得到较高的检测率。针对这样的问题,提出一种改进的深度半监督稀疏自编码的肺结节检测方法。首先,采用局部感受野对肺结节图像进行多层特征提取。然后,利用半监督稀疏自编码自主学习肺部影像中的结节特征。最后,融合多种临床信息实现对肺结节的准确检测。实验结果表明,该方法可以达到准确率90.14%,敏感度89.67%和平均检测率96.64%,明显优于其他方法检测性能,更适用于肺结节的精准检测。     

基于生成对抗网络的肺结节良恶性诊断算法

针对实性肺结节CT影像数据量少、人工标注耗时耗力等问题,提出一种结合生成对抗网络和集成学习的实性肺结节良恶性计算机辅助诊断方法.首先,使用基于梯度惩罚的生成对抗网络对肺结节CT影像数据集进行扩充,缓解由数据量少、样本类别不均衡导致的模型过拟合.然后,利用卷积神经网络进行CT影像特征提取,并通过主成分分析对深度特征进行降维.最后,联合CT图像特征和有效临床信息,采用集成学习方法构建分类模型预测实性肺结节良恶性.基于多中心临床数据分析表明,相比于传统卷积神经网络模型,所提出方法有更好的预测性能.     

基于三维区域增长和灰度积分投影法的肺实质分割

为了提高肺结节计算机辅助检测、辅助诊断的准确性,研究精确分割肺实质方法。首先,采用Otsu法实现阈值法粗分割;其次,设计三维区域增长方法有效去除粘连在肺实质上的主气管和支气管树;再次,采用灰度积分投影法以及行扫描方法对左右肺粘连的情况进行判别和处理,实现左右肺分离;最后,用滚球法修复肺区边界,实现肺实质分割。该方法有效解决了肺实质分割中粘连肺实质的气管、支气管树去除问题,高密度的肺部组织易丢失、粘连肺壁的肺结节容易被遗漏等问题。通过对多组LIDC-IDRI肺部图像数据集的实验表明,该方法能够精确高效地实现对于肺实质分割。     

一种改进的CT胸部图像肺组织分割方法

为了对病变肺部图像进行准确分割,对通常的肺组织分割算法进行了分析和改进,将小波变换与数学形态学引入肺分割算法.通过小波变换对图像进行分解,再运用数学形态学对分解后的各个分量执行不同的修补方法:对低频分量作形态学闭运算,对高频分量作形态学开运算;从而在适当的尺度修正图像的基本特征而不影响细节特征,在重构之后获得理想的肺区域.利用改进后的算法,对医院的36组临床HRCT数据进行分割,并与手工分割结果和通常算法的分割结果进行了比较.结果表明,该方法分割结果准确,能有效提高肺组织分割的平均敏感性.     

基于三维曲面重建的CT图像肺边界缺陷修复

针对CT图像的肺实质分割中由边界粘连型肿瘤造成的肺边界缺陷修复问题,提出了一种基于三维曲面重建的修复方法.对肺实质边界曲率变化较大处的缺陷,二维图像上无法获得足够多的特征对肺实质边界进行修复.本文方法首先使用质心灰度法改进了三维区域生长算法,提取肺实质进行三维重建.再使用阈值法提取分布在缺陷周围的三维点云,对三维点云进行曲面重建即可得到完整的肺实质轮廓.实验结果表明:该方法与传统的凸包算法和滚球法相比,能够更加完整有效地修复边界粘连型肺实质边界的缺陷.     

基于三维卷积神经网络的肝脏静脉血管的分割

针对传统的血管分割算法需人工参与且分割效果不佳,神经网络的方法存在设计特征量的数量有限等诸多问题,提出了一种基于三维卷积神经网络的血管分割的算法,可以利用多层卷积神经网络获取三维图像的特征,与传统的二维分割有很大的不同。通过正负样本训练后得到的模型,可以对CT图像分割后的三维子块V_i中心位置的像素点进行分类实现血管的自动分割。使用正负样本各14 976个来进行训练和测试所提出的三维卷积神经网络算法,最终,三维卷积神经算法的准确率能够达到86.11%,Dice相似系数为92.43%,召回率为99.76%。实验结果表明了基于三维卷积神经网络的血管分割算法的有效性,可以获得比二维输入数据更好的实验结果。     

改进C-V模型的CT图像肺结节分割方法研究

医学图像分割技术是现代图像处理领域的重难点,简化分割步骤、优化分割算法都将给医疗技术的发展带来极大的飞跃。基于对水平集演化理论的探讨,该文对Chan-Vese模型进行了分析和改进,结合CT图像中肺结节的特点,提出一种结合区域信息和边缘信息,并基于小波高频分量的改进C-V模型的肺结节分割算法。在目标函数中从速度、图像灰度不均匀性和收敛精确度上改进,引入多个约束项和小波高频分量边缘检测函数,以利于达到优化的分割效果。实验表明,该分割方法可以从肺部CT图像中有效地分割出肺结节区域,对肺癌的筛查和诊断有重要价值。     

基于CT图像的肺实质分割

在肺部计算机断层扫描图像的肺实质分割中,针对固定阈值法分割图像不稳定的问题,提出最佳阈值法对图像进行二值化,分割出肺实质区域,剔除肺纵膈区域及衣物等背景。与固定阈值法相比,该方法有较高的稳定性。针对由病变造成的肺部大面积坏死所引起的左右肺分开判断错误的问题补充了判断准则,直接给出结论。实验表明,该方法对肺实质分割具有较高的鲁棒性。