活动轮廓模型在医学图像分割的综述

医学图像分割作为图像处理领域的一个研究热点,长期受到广大科研工作者的关注。活动轮廓模型作为医学图像分割的一个重要工具,在近30年的研究中得到了长足的发展。根据活动轮廓模型的表达方式不同,将活动轮廓模型分为参数活动轮廓模型、几何活动轮廓模型;相对于参数活动轮廓模型,几何活动轮廓模型中曲线的运动过程是基于曲线的几何度量,如曲线的法线、曲率等;又由于水平集方法在几何活动轮廓模型的成功应用,使得几何活动轮廓模型在曲线的拓扑变化、数值求解等方面有不少优势。为了全面展示活动轮廓模型的发展历程及其在医学图像领域的应用,首先简述活动轮廓模型的发展历程及一些偏微分方程的基础知识;然后,详细分析几种较为经典活动轮廓模型;接着,对两种类型的活动轮廓模型进行对比分析;最后,对全文进行总结,并对活动轮廓模型的发展与未来进行展望。     

基于CV模型改进的磁共振成像图像分割方法

为解决灰度变化缓慢、边缘变化不明显的磁共振成像(magnetic resonance imaging,MRI)图像的分割问题,在CV(Chan-Vese)模型的基础上,改进了CV模型的能量泛函,同时用新的边缘指示函数来替换Dirac函数,优化了CV模型的参数,提高了CV模型的分割精度和分割速度。首先,引入了一个新的局部项。用局部直方图均衡化预处理过的图像与原图像相减得到目标边缘变化较为明显的图像,并将其作为局部项引入到CV模型的能量泛函。然后,由局部项构建新的边缘指示函数。用新构建的边缘指示函数代替Dirac函数,解决了CV模型演化曲线不能检测远离目标的边缘的问题。最后,优化平滑项参数,减少迭代次数提高运行效率。实验结果显示,算法对脑部复发性胶质母细胞瘤的MRI图像具有较好的分割效果。     

基于CV模型改进的MRI图像分割方法

为解决灰度变化缓慢,边缘变化不明显的MRI图像的分割问题,在CV(Chan-Vese)模型的基础上,改进了CV模型的能量泛函,同时用新的g(R)来替换Dirac函数,优化了CV模型的参数,提高了CV模型的分割精度和分割速度。首先,引入了一个新的局部项。通过对图像进行局部直方图均衡化预处理,用预处理过的图像与原图像相减得到目标边缘变化较为明显▽I,将其作为局部项引入到CV模型的能量泛函。然后,由局部项构建新的边缘指示函数。用新构建的边缘指示函数g(R)代替Dirac函数,解决了CV模型演化曲线不能检测远离目标的边缘的问题。最后,优化平滑项参数,减少迭代次数提高运行效率。实验结果显示,本算法对脑部复发性胶质母细胞瘤的MR图像具有较好的分割效果。