基于区域增长算法分割DICOM格式的CT肝脏图像

在计算机辅助诊断中,为减少数据损失与处理时间,直接从DICOM格式的CT腹部图像中分割肝脏组织.利用区域增长算法自动分割CT肝脏,并和医生手工分割的肝脏图像做对比.分割的肝脏图像与原图像相比,自动分割的肝脏和原图像肝脏接近一致,得到较为满意的效果.区域增长分割算法能从胸腹腔CT图像中分割出保留灰度的肝脏,为CT图像的计算机辅助诊断起到了重要的作用.     

基于极值自适应中值滤波与区域生长的半自动肝癌分割算法研究

针对肝脏肿瘤CT图像灰度差别小,边缘不明显的特点,为了提高分割精度提出一种基于极值自适应中值滤波与现有区域生长算法相结合的一种新的肝癌分割算法.采用一组临床肝癌CT图像样本进行图像预处理,利用此算法进行第一次滤波,再采用傅里叶变换方法进行第二次滤波,最后与现有算法结合完成分割.采用重叠错误率、相对误差和Dice相似性系数作为图像分割结果评价指标.通过定性分析和定量评价显示,基于本研究算法能精确分割出肝癌区域,获得的图像分割评价指标均优于其他常用算法.     

肝脏MR图像自适应分割方法

提出一种基于自适应边缘检测和自适应灰度阈值的肝脏MR图像序列分割方法.方法通过构造频率图像自动选取序列中含有最大肝脏区域的图像切片,以此图像切片为起点,向上、向下对序列图像依次进行分割.在分割的过程中,将相邻图像的分割结果作为当前分割图片的掩膜图像,以表示当前图像中肝脏区域的大致轮廓,据此轮廓,统计当前图像中肝脏区域灰度值变化范围,进行自适应阈值分割,最后利用集合关系及质心位置合并阈值分割后的肝脏区域.以此方法对福建省肿瘤医院提供的30个腹部MR图像序列进行分割实验,结果证明该方法对肝脏MR图像分割的有效性.     

基于Bayes分类算法和活动轮廓模型的新疆肝包虫CT图像分割方法

肝包虫病是新疆常见的寄生虫病,严重危及人类健康。目前,医院常采用CT影像技术对该病进行诊断。肝包虫CT图像有其特有的病理特征,图像的灰度分布存在不均匀性和边界模糊性,且不同的包虫囊肿类型,其CT图像表现各异。本文针对该病的CT影像特征,提出一种同时对肝脏及包虫病灶进行分割的迭代算法。在每一步迭代过程中,算法分为初始分割和优化分割两个步骤:首先,在CT切片图像中确定位于正常肝脏及包虫病灶区的种子点,根据种子点的位置,利用Gauss概率模型拟合不同区域的灰度分布,并结合Bayes分类算法对肝脏及病灶区同时进行初始分割;然后,利用基于先验形状力场的活动轮廓模型算法优化初始分割结果,从而获得精确的肝脏及病灶区的边界。为了验证该算法的有效性,将算法对不同病人的CT切片图像进行分割实验,并从主观和客观两个方面,将算法的分割结果与医师手动分割结果进行对比评估,结果表明,该算法能在分割肝脏的同时准确地提取包虫病灶区。     

自适应形状约束Graph cuts算法在腹部CT图像分割中的应用

针对CT图像对比度低,组织边缘模糊,器官轮廓不规则等特点造成组织器官难以分割的问题,提出了一种自适应形状约束的Graph cuts算法.首先使用基于多图谱配准的分割方法分割原始图像,将得到的初始分割结果作为形状先验加入到Graph cuts算法的能量函数中,同时根据配准分割过程得到的目标概率图自适应选择形状约束项系数,最后通过最大流最小割算法分割出CT图像中的肝脏、肾脏和脾脏.实验结果表明,该方法能够较好地分割出肝脏等组织器官,有效减轻传统图割算法分割图像时造成的过分割和欠分割现象.     

颅骨图像的阈值分割算法研究

针对颅骨CT图像中灰度值范围变化较大的特点,阐述了两种图像的分割方法,一种是基于边缘信息的分割,一种是基于区域信息的图像分割,提出了在颅骨CT图像分割中采用基于区域的阈值分割算法,并通过软件编程实验证明了它具有算法简单、识别效果好、效率高的特点．     

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.     

基于最大熵的迭代分割算法

对于一些对象与背景像素灰度值类似的图像以及充满噪声的图像,传统的图像分割算法分割精度较低。为解决这一问题,提出了基于最大熵的迭代分割算法,根据求出的最大熵阈值将图像分为背景和对象两类区域;分别对两类区域求取灰度平均值,以该平均值将图像分为对象、背景和待分割3个区域;再对待分割区域进行迭代求取最终阈值,并根据最终阈值对图像进行分割。实验表明,该算法具有较高的抗噪性能,能精确分割一些轮廓不明显的图像,其分割精度明显好于其他传统图像分割算法。     

炭制品图像的缺陷分割与样本提取

针对炭制品X光图像的特点,为快速准确地分割出缺陷,提出了基于迭代的阈值构造方法和数学形态学相结合的缺陷分割方法.通过迭代算法确定了图像分割的最佳阈值,有效地减少了噪声对分割阈值的影响;设计可疑点区域搜索算法,确定了可疑点区域的位置和大小;通过试验得到了滤波模板的最佳概率阈值,并建立了可疑点的合并条件表达式,得到了完整的缺陷区域.研究结果表明:该法很好地解决了噪声抑制和保持图像缺陷细节之间的矛盾,且缺陷分割结果非常准确.最后,在缺陷分割的基础上,研究了缺陷样本的输出方式,设计了两个三维特征矩阵存储缺陷特征信息,实现了缺陷几何特征与灰度特征的提取,为进一步的缺陷特征参数的提取与缺陷识别奠定了基础.     

基于标记的肝脏CT图像智能提取

针对腹部CT图像所含脏器多且复杂的特点,结合解剖学知识,提出了一种新的基于多尺度梯度的医学图像分割方法。结合图像的灰度直方图的梯度变化,对图像进行内外标记,而后利用强制最小技术对多尺度梯度进行修改。在修改后的梯度图像中直接进行全局阈值分割,并结合解剖学知识再进行相应的形态学处理,最终可以较好的将肝脏从腹部图像中提取出来,适合用于肝脏的智能提取。     

一种改进的B-Snake肝癌图像分割算法

针对肝癌CT图像特点,提出了一种改进的B样条曲线的Snake模型图像分割算法,该算法首先对腹部CT图像进行预处理,获得肝脏癌变部分的初始轮廓,再构造闭合B样条Snake模型,最后使用MMSE最小化外力变形模型以实现图像的准确分割。实验结果表明,该方法对于肝癌CT图像取得了肝脏癌变部分目标的良好分割效果。     

基于数据网格的肝脏CT图像感兴趣区域分割

通过图像分割获取医学图像感兴趣区域是医学图像处理与分析要解决的首要问题及技术难点。为了获取肝脏CT图像中的感兴趣区域,针对肝脏CT图像的自身特点,提出了一种基于数据网格和改进的区域生长法相结合的肝脏CT图像感兴趣区域分割方法。首先利用数据网格对肝脏CT图像做粗分割,最大程度地去除骨骼及背景对后期分割的影响。其次,利用先验知识,确定区域生长的种子点,做基于改进的区域生长法的二次分割。实验结果表明,能较完整的分割出CT图像的肝脏区域。实验结果为进一步的医学肝脏图像的处理与分析奠定了基础。     

改进的区域生长算法及其在肾实质自动分割中的应用

提出了一种肾脏CT图像自动分割方法,将像素点的局部统计特征和像素点的空间位置信息结合起来,以此定义了像素之间的邻域相似性指标,并根据领域相似性指标自动选取种子点、种子的生长准则及终止准则,该方法克服了传统区域生长算法需手动确定种子点和生长顺序固定等缺点,最后通过MICCAI(medical image computing and computer assited intervention)的5个评价指标对分割结果做出客观评价,结果表明,该算法具有较好的分割效果.     

基于仿射传播聚类选择的多Atlas右心室精准分割

由于右心室具有易变、壁薄、边界不明显等特点，Atlas成为近年来流行的图像分割方法.针对现存的Atlas选择方法大多基于配准后选择最优的Atlas，比较耗时并且降低了分割性能，提出了利用仿射传播聚类算法进行Atlas选择的方法.首先，将所有的Atlas图像看作一系列数据点，通过数据点之间的消息传递聚类；然后，得到的聚类中心图像和目标图像经过配准得到形变标记结果，采用STAPLE融合策略融合；最后，对融合结果以相似性测度因子为依据进行排序，而用相似性测度因子值最大的聚类中心进行配准分割.重复以上过程，直到得到较精确的分割结果.实验结果表明，提出的方法能有效地进行右心室的分割，与传统选择方法相比，分割精度得到了明显提高.     

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。     

基于改进的高斯混合模型牙齿图像分割研究

针对边界模糊和对比度低的口腔CT图像中牙齿目标区域提取难的问题,提出了一种基于高斯混合模型与K-均值的改进聚类分割算法.该算法首先通过各向异性滤波对图像预处理,实现去噪平滑的同时增强图像的细节;然后利用K-均值完成初始划分,并根据分类后的像素值给出EM算法迭代的初始值,加快算法迭代到最优解,从而大大降低算法迭代次数,有效解决EM算法求解参数时随机选取初值点易导致GMM陷入局部最优解的问题,进而使分割区域完整;最后利用EM算法学习GMM,完成ML分割.实验结果表明:改进方法降低了计算复杂度,对噪声具有较强的鲁棒性,可获得更为理想的分割结果.     

基于图像分割的SAR图像匹配方法

针对单一背景的海岛合成孔径雷达（SAR）图像,提出一种基于图像分割的图像匹配方法．该方法采用静态小波对原实时图分解滤波,抑制噪声;利用最大类间方差阈值法分割图像,分割出特定目标;选择结构元素进行形态腐蚀和膨胀,去掉细小背景杂波干扰;对二值化的图像进行面积统计,搜索出面积最大的目标．在原实时图中,以最大面积目标的外切矩形裁剪图像作为新的实时图．实践证明,利用裁剪的新实时图进行匹配,可以有效去除背景对匹配的不利影响,弥补了传统方法匹配精度低、实时性差的缺点．     

基于MRI的肝硬化程度的计算机辅助诊断

提出了将肝脏纹理特征与形状特征相结合以实现计算机辅助诊断肝硬化程度的新方法.首先利用图像分割技术从腹部MRI中分割肝脏区域,并提取肝脏区域的纹理特征与形状特征;然后用共轭梯度算法改进BP神经网络,基于该网络与纹理特征计算肝脏纤维化的程度,并利用形状特征计算肝左叶钝化的程度;最后结合肝脏纤维化程度与肝左叶钝化程度进行肝硬化程度的诊断.将该方法应用于实际的腹部MRI图像,证明了其对肝硬化程度诊断的准确率显著高于单一神经网络的方法.     

基于SLIC和动态区域合并的岩屑图像分割

岩屑图像分割要求精度高、速度快和鲁棒性强。针对这些要求,提出了基于SLIC(simple linear iterative clustering)和动态区域合并的分割算法。SLIC算法能产生形状规则、大小均匀、排列紧凑的超像素区域。但是SLIC分割后的图像过分割问题严重,为了降低过分割率,提出了基于NNR的动态区域合并算法,将超像素区域进行相似性合并。实验结果表明,将该算法用于岩屑颗粒图像分割,能够取得较好的效果。     

基于改进的Chambolle对偶迭代的图像分割方法

为了克服基于对偶迭代的分割方法在要求达到较高精度的分割时收敛较慢的缺点,提出了对二相位分片常数Mumford-Shah模型的一个子问题采用改进的Chambolle对偶迭代进行求解.通过对Chambolle对偶迭代和一种修正对偶迭代分别进行局部傅立叶分析,证明了所提出的算法的合理性.实验结果表明:对于two-cell图像,dot256图像,当终止准则精度要求更高时,提出的算法迭代步数少,收敛更快.