结合边缘检测和区域方法的医学图像分割算法

由于医学图像的复杂性,一般图像分割方法对于医学图像的分割效果并不理想.针对医学CT图像特点,提出了一种把边缘检测和基于区域方法相结合的图像分割算法,首先使用Sobel算子进行边缘检测,检测出目标可能的边缘像素集,并计算该点的平均灰度,然后利用该灰度及目标区域的连通性作为生长判别条件,利用区域生长法实现图像的准确分割.实验结果表明, 该方法避免了单独使用边缘检测或基于区域法进行图像分割时的典型错误,结合了两者的优点,取得了感兴趣目标的良好分割效果.     

基于距离场的非线性图像插值分割方法

对于医学序列切片,需要图像分割技术将图像中感兴趣区域ROI(region of interest)提取并进行三维重建.提出一种基于距离场的非线性图像插值分割方法,该方法克服了软组织因灰度值分布不均匀难分割的问题,可以快速提取ROI区域.实验表明用该方法进行医学序列切片的分割,可以得到良好的分割结果,并已成功地应用于医学数据的三维重建系统中.     

基于环形分割的医学图像检索

针对医学图像全局特征检索不能很好地体现局部特征,而基于分割后各区域特征的检索又过分依赖于复杂的图像分割算法,提出了环形划分图像的分割方法.在基于环形分割的条件下,分别提取医学图像的颜色和纹理等内容特征,并在此基础上,实现医学图像检索.试验表明,基于环形分割的医学图像检索能够较好地体现图像所记录的颜色空间信息,而且具有旋转偏移不变性的特点,大大提高了医学图像检索的正确率与查全率.     

医学图像分割处理技术的应用

医学图像分割是对医学图像进行三维重建操作的基础,本文阐述了医学图像分割处理技术的应用发展状况,对医学图像分割处理技术的类别及目前常用的分割方法进行了综述,并对医学图像分割处理技术的发展趋势进行了研究探讨.     

医学图像分割方法综述

医学图像分割是决定医学图像在临床诊疗中能否提供可靠依据的关键问题.本文在对国内外医学图像分割相关文献进行研究总结的基础上,对国内外常用医学图像分割方法的基本理论和特点进行了较为全面的论述,对各种分割方法的优缺点及其应用效果进行了总结.     

弱边缘医学超声图像目标区域的自动定位与分割

医学超声图像分割是图像处理中的一项关键技术.以胆结石超声图像为例,介绍一种新的弱边缘超声图像分割算法.首先采用基于直方图凹度分析的阈值分割方法确定Snake模型的初始蛇,再基于Snake模型结合贪婪算法对图像进行目标分割.实验结果表明该算法对弱边缘现象较为严重的医学超声图像进行目标分割时,定位准确,且分割效果良好.     

基于改进的区域生长鼻咽癌MR医学图像分割

在综述医学图像分割技术的基础上,针对临床鼻咽癌MR医学图像的特点,提出一种基于区域生长的改进分割方法.该方法从基于区域生长的自动分割入手,克服以往交互式地定义初始种子的不足,利用概率矩阵完成初始种子的自动生成,再运用SUSAN算子作为区域生长的终止准则,从而实现对鼻咽癌MR医学图像的有效分割.以福建肿瘤医院临床医学图像数据进行分析实验,结果表明,该方法分割效果显著提高.     

一种交互式图像分割的修正优化方法

提出一种改进的交互式图像分割方法,该方法利用交互式分割后的图像,在小范围内进行迭代运算用以改进图像分割效果.实验表明,改进后的分割方法不仅继承了传统方法快速、便捷等优点,而且在图像分割准确性与交互便捷性等方面也有明显提高.     

基于改进分水岭算法和Canny算子的医学图像分割

针对分水岭算法存在的过分割问题和医学图像的特点,比较并选取了彩色分量图像梯度信息的最大值,达到提取图像有效边缘信息的目的,然后利用阈值分割方法消除无效梯度信息,并用分水岭算法处理所得到的梯度图,再结合Canny算子提取的物体边缘得到分割结果.实验结果表明:该方法能够有效消除局部极小值和噪声干扰,得到精确的分割结果.     

医学图像分割方法综述

医学图像分割是决定医学图像在临床诊疗中能否提供可靠依据的关键问题。本文在对国内外医学图像分割相关文献进行研究总结的基础上,对国内外常用医学图像分割方法的基本理论和特点进行了较为全面的论述,对各种分割方法的优缺点及其应用效果进行了总结。     

改进的基于区域合并的纹理图像分割方法

针对自然纹理图像的特点,提出了一种改进的基于区域合并的纹理图像分割方法.首先选择符合人类视觉对颜色的感知区分能力的L*a*b*颜色特征;然后提取图像的Gabor能量作为纹理特征;接着由颜色相似度和纹理相似度的概率加权平均获得2个相邻区域的相似度;最后利用基于最大相似度的区域合并算法交互式地完成图像分割任务.实验结果表明:该方法比仅使用红绿蓝(RGB)颜色特征的相似度测量获得了更加精确的分割效果,并且在相同的初始过分割以及人工交互条件下,优于Lazy Snapping.     

基于视觉感知的模糊C均值聚类算法

针对传统模糊C均值聚类算法对结构复杂图像分割效果不理想的问题,提出一种基于视觉感知的模糊C均值聚类算法.首先,在分析视皮层神经元感受野性质的基础上,建立视神经元细胞响应函数来计算图像的结构特征.其次,定义一种斜坡函数从仿生学的角度来模拟人眼对相对亮度变化的感知,用来计算图像中像素点与聚类中心点之间的差异.所提模型充分考虑了邻域刺激对中心神经元影响的方向性、位置相对性和周期性,比较精确地描述了图像的结构信息,有效地抑制了噪声和复杂纹理的干扰.实验结果表明,本文算法克服了传统模糊C均值聚类算法的缺点,实现了具有复杂背景图像的精确分割.     

基于U-Net多尺度和多维度特征融合的皮肤病变分割方法

针对皮肤病变区域尺度不同和形状不规则, 传统U-Net网络方法缺乏从不同尺度分析目标的鲁棒性, 并在提取图像高层语义特征时丢失部分空间上下文信息而影响后续分割精度等问题, 提出一种基于U-Net多尺度和多维度特征融合的医学图像分割方法. 首先, 用空洞卷积融合不同尺度的空间上下文信息; 其次, 用通道上下文信息融合模块提取特征图各通道间的权重信息; 最后, 将特征图中的多尺度和多维度信息进行融合, 以保留更多的空间上下文信息. 实验结果表明, 该方法在皮肤病变数据集上对皮肤病变区域进行分割的分割效果较好.     

基于小波明显区域及空间分布的图像检索

提出了一种基于小波变换的明显区域检测方法,并改进了环型分割算法,使对视觉有意义的区域和区域特征提取更加快捷、方便。该算法不仅考虑到区域内的图像特征,而且还考虑到明显区域的空间分布信息,并把环型区域的颜色矩和在明显区域附近的Gabor特点,作为索引图像的特征向量。使用Corel图像库测试了提出的方法。实验表明,该方法切实可行。     

基于特征散度的模糊彩色图像分割算法

为提高算法的普适能力,提出了一种新的基于特征散度的模糊彩色图像分割算法(FDCIS).算法引入了特征散度和模糊相异性函数来度量差异性,利用特征散度进行数据聚类,实现图像的区域融合.实验证明,算法较好地降低了彩色图像大样本数据的运算量,简单而有效地解决了过度分割现象,避免了聚类算法对初始条件的依赖性,与人的主观视觉感知具有良好的一致性.     

融合随机森林的C-V模型肝脏超声图像分割

医学图像分割是临床诊断的关键环节,分割结果将直接关系到后续对病灶的识别。C-V模型(Chan-Vese)大量应用于各种医学图像分割过程。围绕肝脏超声图像,针对传统C-V模型依赖初始轮廓及运算复杂耗时的特点,融合随机森林方法,提出一种基于边缘引导能量函数和局部约束特征的分割方法,利用随机森林节点生长和分类速度快的优势,在粗分割的基础上形成无需初始化的C-V模型,而后借助分类特征得到精准的肝脏区域及病灶分割结果。实验证明,经过优化的改进方法是可行有效的,对于图像中的组织和病灶区域能有效分割和提取     

基于局域模糊聚类和Chan-Vese模型的CT医学图像分割

针对CT医学图像灰度不均匀的特点,研究了基于改进的模糊聚类和ChanVese模型的图像分割.该分割模型综合利用基于空间信息的FCM算法、图像局部区域信息以及Chan-Vese模型,通过最小化能量函数的方式来进行曲线演化.基于空间信息的FCM算法对曲线的演化起到了一定的收敛作用,并且局部区域信息提高了分割质量.分割模型还考虑了分割效果和计算效率,降低了算法的时间复杂度,提高了算法的执行效率,从而提高了灰度不均匀图像分割的精度.     

综合区域和边界信息的图像自适应分割技术

针对分水岭图像分割算法中的过分割问题，提出了一种综合区域和边界信息的解决技术．该技术主要利用区域和边界的综合信息，对分水岭算法处理后的过分割区域进行聚合．在基于区域和边界信息的聚合过程中，借鉴人眼视觉模型的韦伯感知原理，针对区域的不同亮度环境，自适应地选取动态的聚合阈值；并根据强弱边界属性调节聚合阈值，以鼓励对象内区域聚合和避免对象之间的区域聚合．试验结果表明，这种技术对分水岭算法中的过分割有较好的改善．     

基于混合神经网络的脑部MRI图像语义分割算法

针对传统医学图像对缺乏标注的数据进行自动分割时存在分割精度不高、边缘模糊等问题,提出了一种利用混合神经网络对脑部核磁共振成像(magnetic resonance imaging,MRI)的图像进行语义分割的算法。利用仿射网络对脑部MRI图像进行线性几何变换,基于卷积神经网络进行3D医学图像仿射变换,加入稠密模块减轻梯度消失和加强特征传递问题; 通过空间转换网络对脑部MRI进行空间转换,基于图谱的分割法获得脑部图像的分割结果。采用MICCAI的公共数据集BraTs2019进行实验验证,结果表明,算法可由脑部肿瘤MRI图像获得较好的分割精度和分割效率,为脑部MRI图像语义分割的研究提供一种新的实验方案。     

基于残差U-Net网络的染色体图像分割方法

针对染色体识别的难题,提出一种基于残差U-Net网络的染色体图像分割方法.以残差网络和U-Net网络为基础简化深层网络的训练,利用丰富的跳跃连接促进信息传播;通过将U-Net网络底层的卷积层替换成不同尺度的空洞卷积,保持特征空间分辨率不变的同时扩大特征感受野,实现多尺度感受野提取图像特征的同时减少特性信息的丢失;压缩路...