基于细胞自动机的MRI脑肿瘤分割方法

提出一种基于细胞自动机的脑肿瘤分割方法.首先通过人工交互输入一条线,使用细胞自动机模型对脑肿瘤图像进行分割,得到肿瘤图像的标号图,然后使用活动轮廓模型对标号图进行优化处理,除去非肿瘤像素点的干扰,得到更平滑的脑肿瘤轮廓.使用该方法在对比增强T1加权MRI脑肿瘤图像进行分割实验.实验结果表明,此方法能够很好地解决脑肿瘤分割过程中容易出现的不完全分割问题,分割准确率(Dice相似系数)可达到(94.07±1.58)％.     

基于细胞自动机的脑部磁共振成像脑肿瘤分割方法

提出一种基于细胞自动机的脑肿瘤分割方法。首先通过人工交互输入一条线,使用细胞自动机模型对脑肿瘤图像进行分割,得到肿瘤图像的标号图,然后使用活动轮廓模型对标号图进行优化处理,除去非肿瘤像素点的干扰,得到更平滑的脑肿瘤轮廓。使用该方法在对比增强T1加权MRI脑肿瘤图像进行分割实验。实验结果表明,此方法能够很好地解决脑肿瘤分割过程中容易出现的不完全分割问题,分割准确率(Dice相似系数)可达到(94.07±1.58)%。     

结合目标检测的小目标语义分割算法

卷积神经网络(Convolutional Neural Networks,CNN)可以提供比传统分类算法更强大的分类器并且能够自学习得到深层特征,有效地提高了图像语义分割的准确性.然而,基于CNN的语义分割算法依然存在一些挑战,例如在复杂场景中现有较优的方法较难分割小目标.为了解决复杂场景下小目标分割的难题,提出一种结合目标检测的小目标语义分割算法.与现有较优方法不同的是,该方法没有直接利用单个神经网络模型同时分割单幅图像中的小尺寸和较大尺寸目标,而是将小目标分割任务从完整图像的分割任务中分离.算法首先训练一个目标检测模型以获取小目标图像块,然后设计一个小目标分割网络得到图像块的分割结果,最终根据该结果修正整体图像的分割图.该算法提升了语义分割数据集的总体性能,同时能够有效地解决小目标分割的难题.     

基于Tamura纹理特征提取和SVM的多模态脑肿瘤MR图像分割

在Tamura纹理特征和支持向量机(SVM)算法基础上提出一种多模态脑肿瘤图像分割算法.将4种模态下的多序列核磁共振图像(MRI)的局部灰度特征与Tamura纹理度量相结合,尽可能提取足够多的图像信息;在SVM模型中输入已知样本并进行训练;用训练好的SVM模型处理其他脑肿瘤图像.实验通过对20例患者的图像进行展开,从实验数据来看,提出的方法可以精准有效地分割出脑肿瘤区域,得到脑肿瘤的边界,并且对脑肿瘤图像的差异性表现出较强的自适应能力.     

基于卷积神经网络的细胞图像分割与类型判别

组织细胞图像形态各异、大小不一、纹理变化多样等特点,导致难以精准地分割细胞区域的问题,对此提出了一种基于卷积神经网络(CNN)和边缘聚类方法的新算法.对原始切片采用染色校正预处理,提高色彩对比度,利用CNN得到初步分割结果,结合边缘聚类方法提升初步分割结果的连续性和完整性.在此基础上,结合计算机视觉技术,获得分割图像中细胞颗粒的基本属性特征,并使用Softmax分类器判别细胞类型.实验结果表明:相较于经典的卷积神经网络、阈值分割、模糊聚类等细胞图像分割算法,该算法在分割结果的完整度方面提升了6.15个百分点.     

基于形态学滤波的标记分水岭脑肿瘤图像分割

针对MRI(magnetic resonance imaging)脑肿瘤图像受噪声、磁场和容积效应等影响难以准确分割的问题,提出了一种基于形态学滤波的标记分水岭分割方法.首先对脑肿瘤图像进行形态学梯度预处理;其次,梯度图像进行开闭重建滤波,既保留脑肿瘤梯度图像的轮廓信息,又去除噪声和局部极小区域;再次,采用扩展的极值变换和强制最小技术得到内部和外部标记符,利用这些标记符修正梯度幅度图像;最后,对叠加标记后的梯度图像进行分水岭变换.利用Matlab对类圆形、三角形等不同亮度与形状特点的3幅临床MRI脑肿瘤图像进行分割仿真测试,实验结果表明,该算法有良好的分割精度和速度.     

基于核磁共振图像的脑肿瘤分割方法研究

利用脑肿瘤核磁共振(Magnetic resonance,MR)图像提供的关于肿瘤和脑组织的形状、大小与定位等信息准确地分割出脑肿瘤区域,对监测脑肿瘤患者的肿瘤生长或缩小、制定手术或放化疗计划都起着重要的作用.探讨了脑肿瘤MR图像分割的背景与意义,整理了脑肿瘤分割方法中常用的评估指标以及实验数据库的发展过程.基于脑肿瘤...     

基于多模态融合和自适应剪枝Transformer的脑肿瘤图像分割算法

脑肿瘤是目前世界上最致命的肿瘤之一,所以脑肿瘤图像的自动分割在临床诊疗中变得日益重要.近年来,基于CNN和Transformer的脑肿瘤分割方法在医学图像分割领域取得了令人欣喜的成就.然而,大多数方法没有充分利用脑肿瘤多模态间的互补性和差异性,并且模型中的Transformer在捕获远程依赖性的同时,忽略了其较大的计算复杂性、冗余依赖性等问题.针对此问题,提出一种基于多模态融合和自适应剪枝Transformer的脑肿瘤图像分割方法（MF-MAPT Swin UNETR）,其中多模态融合模块可以充分学习性质相近的模态间信息和不同模态不同尺度的特征变化,为后续分割提供了充分的准备;基于多模态的自适应剪枝Transformer可以降低计算复杂度,对提升性能有一定的帮助,将MF-MAPT Swin UNETR模型在两个公共数据集上进行了实验验证,结果表明,该模型较最先进的方法整体具有突出的分割性能.     

基于感受野扩增和注意力机制的U-Net脑肿瘤MR图像分割

针对U-Net网络感受野受限以及信息丢失导致的分割精度低的问题,提出了一种基于感受野扩增和注意力机制的U-Net脑肿瘤MR图像分割算法.首先,在U-Net网络中引入感受野模块(receptive field block,RFB)来增大网络的感受野,解决了网络由于感受野受限带来的分割精度低的问题.此外在网络中引入有效的通道注意模块(efficient channel attention,ECA)来增加网络对有用特征的响应,抑制网络中的冗余特征.使用BraTS(the brain tumor image segmentation challenge)提供的脑肿瘤MR图像数据对本文算法进行测试,用Dice相似性系数等指标进行评价,结果显示在完整肿瘤、核心肿瘤以及增强肿瘤的Dice值分别可达到0.86、0.86、0.79.与U-Net模型以及其他的网络相比得到了提高.实验结果表明,本文提出的算法能够有效提升脑肿瘤分割的精度,具有良好的分割性能.     

基于多核协同表示分类的脑肿瘤分割算法

为了从脑核磁共振(MR)图像中分割出脑肿瘤区域,为疾病诊断和手术导航提供参考,该文在核方法框架下提出一种基于多核协同表示分类的脑肿瘤分割算法。首先对脑肿瘤图像进行多尺度超像素分割,并构造基于超像素区域的空间特征,在多核框架中利用多核协同表示分类方法,将原始光谱信息与所提取的多尺度空间特征融合并应用于脑肿瘤图像的分类,最后结合临床特征实现了脑肿瘤区域的分割。在MICCAI BraTS 2012和2013数据集上的测试结果表明,与现有脑肿瘤分割算法相比,该文方法能够更好地提取脑肿瘤区域,并具有较好的分割精度。     

基于双目立体视觉和SVM算法行人检测方法

提出了一种基于双目立体视觉和SVM算法的行人检测方法.采用行人样本的头肩HOG特征训练分类器,通过双目视觉系统获取待检测目标左右图像,经过摄像机标定和立体匹配之后,计算图像共轭点的视差生成深度图,以基于距离的阈值分割确定运动目标所在的ROIs,有效去除背景信息;提取分割图像的HOG特征,投入SVM分类器训练得到检测子;加载分类器在前景图像中做多尺度检测,标记检测出来的运动目标.实验表明:该方法能对复杂场景下不同尺度和姿态的行人进行有效检测,具有较高的鲁棒性和检测率,且具有很好的实时性.     

基于3-D Gabor纹理特征和GBDT分类器的高光谱分类方法

为了有效提取高光谱图像的空间和光谱维特征,获得准确率和分类效率俱佳的方法,利用52个不同方向和频率的3-D Gabor滤波器提取图像的纹理特征,结合梯度优化决策树分类器(GBDT)完成高光谱图像分类.结果表明3-D Gabor+GBDT方法的分类准确率高于CNN算法、Gabor以及EMAP为纹理特征的方法,且高于CNN和以SVM为分类器的方法.虽然3-D Gabor+GBDT建模训练时间长,但是该方法在保持高准确率的前提下,分类效率依然较高,适合大规模高光谱图像的在线分类场景.     

采用ACGAN及多特征融合的 高光谱遥感图像分类

为解决标记样本缺乏、提升分类精度及增强模型容错性等问题,提出一种基于辅助分类器生成对抗网络(ACGAN)的分类方法.首先,将预训练的ACGAN模型作为光谱特征提取器,采用局部二值模式(LBP)算法提取图像的纹理特征;然后,融合光谱特征和纹理特征,由卷积神经网络(CNN)进行分类.在2个广泛使用的数据集上进行实验,结果表明:相较于其他方法,文中方法可显著提高分类精度.     

循环分层解耦卷积和最大滤波的三维脑肿瘤图像分割

由于脑肿瘤的大小和形状呈不规则状态,从三维磁共振图像中自动分割脑肿瘤是一项具有挑战性的任务．而目前的方法存在两个问题：基于3D建模的方法参数量较大难以训练而且全局或远距离上、下文信息的关联性不足;模型忽略局部区域细节特征使得分割结果边界模糊．为解决上述问题,本文提出了循环分层解耦卷积和最大滤波(recurrent hierarchical-decoupled convolution and maximum filtering,RHMF)的轻量网络实现三维脑肿瘤图像分割．该网络在特征提取阶段提出循环分层解耦卷积取代标准卷积,减少参数利用多时域的反馈信息建立全局上、下文信息关联．引入改进的多尺度策略对不同尺度下的多层次特征进行提取融合,提高网络的目标识别能力．在定位阶段做局部域细节处理,提出了最大滤波模块激活目标区域像素实现特征图的像素级定位,增强目标区域像素与其他区域像素的区别,进一步细化分割,解决边界模糊问题．在BraTS2020数据集上的实验结果表明,RHMF-Net在增强肿瘤区、整体肿瘤区和核心肿瘤区的平均Dice系数值分别为77.23%、90.01%和83.10%,参数量为0.4...     

贝叶斯优化的RSF模型脑肿瘤图像分割新方法

由于核磁共振成像(MRI,magnetic resonance imaging)模糊、灰度不均,使得脑肿瘤图像分割精确度不高,给出了一种贝叶斯优化的自适应RSF模型.传统RSF模型的水平集分割性能受初始化和控制参数影响较大,需要大量人工干预,限制了其在实际中的应用.利用贝叶斯估计的自适应性,自动提取初始轮廓,并用于RSF模型细分割脑肿瘤图像,得到了一种脑肿瘤MRI图像分割新方法.结果表明,实验采用Jaccard系数和分割时间评估分割方法的精度和效率,与RSF-mean shift方法相比,其分割精度提高20%以上,分割效率提高32%以上.     

基于多特征判别分析的指纹图像分割方法

针对指纹图像的分割问题,提出了一种基于多特征判别分析的自适应分割算法。对于给定的待分割图像,该算法从每个特征在该图像上整体的分布出发,构造出综合考虑各个特征的两类分类能力的分类器,然后利用该分类器对图像中的每个子块做出前景或背景的判断。与已有的基于分类器的分割方法相比,该方法无需从数据库中人工采集样本用以训练分类器,实现了图像级别的自适应分割。算法在FVC2004竞赛的公开数据库上进行了测试,实验结果证明了该分割算法的有效性。     

基于SLIC和马氏距离混合核函数聚类的脑肿瘤图像分割算法

针对脑核磁共振图像边界不清晰、灰度不均匀和无法准确进行图像分割的问题,提出了一种基于简单线性迭代聚类(SLIC)和马氏距离混合核函数聚类的脑肿瘤图像分割方法.首先,采用各向异性滤波去除脑肿瘤MRI图像中的噪声,并运用SLIC算法对图像进行预分割;其次,对预分割图像使用粒子群算法初始化聚类中心;最后,将传统核模糊C均值聚...     

基于视觉语义与RSSVM的图像检索

以图像的视觉语义为基础,设计了一种新的空间转换模型,提出了一种新的图像语义描述方法.首先,采用NCut方法对图像进行分割,提取每个区域的颜色、纹理与形状等视觉特征;再用K-Means聚类方法对训练集中所有的视觉特征进行聚类,称聚类中心为视觉语义(Visual Semantic,VS),用来构造投影空间;然后通过所定义的非线性函数,将每幅图像向投影空间作映射,得到图像的投影特征;最后,为了提高分类器的训练效率与性能,先采用RS(粗糙集)方法对投影特征进行属性约简,再用支持向量机(SVM)进行学习和分类.基于Corel图像集的对比实验结果表明,该方法性能受聚类数的影响不大,鲁棒性强,且性能优于其它方法.     

一种不同色域空间下的无监督图像分割技术

针对图像分割有监督学习模型训练时间长、需要大量训练样本才能确保模型精度要求且样本标记费时费力的问题,提出了在不同色域空间下基于神经网络的无监督图像分割方法。首先将图像进行不同颜色空间模型转化,得到不同色域空间下图像的颜色表示;其次利用felz和quickshift方法,对转换后的图像进行粗粒度聚类,形成超像素结果,并对每个像素打上相应的标签;最后利用神经网络细粒度的图像特征分辨能力进行微调,得到最终的图像分割结果。该方法在公开的COD10K等数据集上选取了数据集进行验证,实验表明,文中方法能够对图像进行合理分割,且与有监督长时间训练过程相比,无监督的推理耗时大大缩短,速度显著提高。     

基于AFM图像的分割方法的研究

该文针对AFM图像的特点,提出了一种基于内部标记的分水岭分割算法.首先利用LoG滤波器对图像进行滤波并通过二值化得到内部标记图像,然后利用最小标定技术得到外部标记图像,最后使用分水岭分割算法得到最后的分割图像.实验结果表明,该算法能够有效地对图像进行分割.