医学图像体分割的特征聚类算法

为提高三维医学数据场的分割效率和准确率,本文利用特征聚类技术,提出了一种新的基于改进K-means聚类的三维医学数据场的体分割算法.根据医学数据的物理意义和医学特征分析,对数据场进行预处理,以加快后继处理速度;分析推导了基于改进K-means聚类的分割算法,并改进了算法采样技术,减少需要计算的像素数目以进一步提高处理速度.实验结果表明本算法不仅能够提高三维医学组织的聚类分割精度至96％,而且能够提高66％的模型处理速度.     

基于委员会查询和自步多样性学习的医学图像分割

由于拥有像素级标记的医学图像数量非常少,制约了卷积神经网络在医学图像分割任务上的应用,因此,该文提出了一种基于委员会查询的自步多样性学习算法,在训练数据有限的情况下提升医学图像分割模型的性能。该文所提算法结合了基于委员会查询的数据选择方法,实现动态地从易到难选择样本,对模型进行训练。同时,该算法通过应用仿射传播聚类,保证了数据选择的多样性,提升了图像分割模型的性能。为了验证所提算法框架的有效性,分别在3类医学图像分割任务的5个不同数据集任务上进行了实验,实验结果表明,该文所提算法可以显著提升分割性能。在使用相同数据的训练的情况下,相比于全监督学习,使用该文算法可以得到更高的Dice评估指标、表面距离和平均交并比值。     

基于U-Net网络的肺部组织分割

传统的医学图像分割中特征提取算法的设计复杂性与应用局限性、稳定性以及特定的特征提取算法与特定的分类器结合的多样性制约着医学图像分割技术的发展,而深度学习是机器学习领域中使用多重非线性变换对数据进行多层抽象的热门算法,其多被应用于医学图像的分类和识别中。在肺组织分割中,针对肺部组织纹理复杂,且胸部CT图像数据的随机噪声大,采用相对成熟的传统分割算法对CT图像进行预处理,再结合深度学习的理论,设计一个合理的神经网络模型,利用已经标记好的多组肺部CT图像进行训练,使其能够准确地分割出肺部组织。基于U-net神经网络的深度学习方法对肺实质的分割进行研究与实现,并针对临床扫描胸部CT图像进行了实验验证,能够较为准确快速地分割出肺实质。     

基于均值漂移的舌体分割算法

本文针对舌体图像的特点,提出了一种基于均值漂移的舌体图像分割算法。该算法首先对输入图像进行平滑,可有效消除舌苔裂纹和色块噪声对舌体分割的干扰,然后根据空域和值域的邻近性原则进行聚类,根据聚类结果对舌体图像进行分割。实验结果表明,对不同的舌体图像进行分割,分割结果符合中医医师的诊断要求,对有噪声的图像,该方法也可较好地实现舌体分割。     

一种基于有偏场的医学图像自动分割算法

临床应用对医学图像分割的准确度和算法的速度要求较高,但是由于图像本身受噪声、偏移场效应等的影响,使得分割算法很难达到理想的效果。人工分割方法可在原始图像上直接画出期望的边界,然而费时费力,分割结果完全依赖于分割者的解剖知识和经验且分割结果难以再现。针对磁共振(MR)图像存在偏移场的问题,以及避免人为参与,将一种基于有偏场的适配聚类算法与活动形状模型算法(ASM)相结合,提出了一种将基于MR图像的自动分割方法。该算法能够校正扫描间和扫描内部的灰度不均匀性,避免了图像不同程度地丢失原图像的信息,并达到全自动分割图像数据,该方法较传统算法更精确和稳健,可在医学图像处理和分析中发挥作用。     

机器人自主抓取的三维点云基本形体简化算法

针对抓取任务的非结构化特性,提出一种基于非规则物体三维点云的基本形体简化算法,为抓取策略的选取提供思路,提高机器人自主抓取的准确率.将不规则的复杂物体简化为由基本形体组成的简单物体,基于三维网格分割算法将物体3D数据点进行分割,依据最优拟合算法将分割后各部分拟合为球体、椭球体、圆柱体和平行六面体中的一种,实现对复杂物体的简化.实验结果表明:本文算法可应用于不同形状及姿态的非规则物体抓取,具有较高的鲁棒性.     

基于状态转移算法和U-net的医学图像分割

U-net在医学图像分割领域应用广泛,但存在小目标分割精度低、模型收敛慢等问题,且其结构和超参数的设定对网络性能有很大影响。为此,本文提出基于混合状态转移算法的U-net结构设计方法,以获取不同分割任务下的较优的U-net体系结构。首先,提出一种可变深度的编码策略来表示U-net中不同的构建块和潜在的最优深度;其次,通过混合状态转移算法优化网络结构中的超参数和连接权重初始值;再次,设计一种新的交互操作来生成具有潜力的个体,利用迁移学习策略和减少epoch的方法加速网络个体的进化;最后,在心脏MRI、肝脏LiTS这2个医学图像数据集中进行测试,验证本文方法的有效性。研究结果表明：与经典的语义分割网络相比,本文所提方法在Dice、Jaccard、VOE等分割性能评价指标中有更好的表现,验证了本文所提算法的可行性和有效性。     

基于自适应Graph Cuts的自动股骨头分割

针对计算机辅助医学诊断系统中三维CT体数据上的股骨头分割问题,提出了一种基于自适应Graph Cuts算法的全自动分割方法.首先根据股骨头的形状特点,利用分层Hough变换进行定位;然后采用自适应Graph Cuts算法,自动设定参量和配置形状限制;最终实现无需任何人工交互的全自动分割.实验结果表明,该方法鲁棒性强,精度高,正确率可达到95%.分割系统经进一步集成化后可应用于实际.     

基于改进蚁群算法的阈值医学图像分割

为了提高医学图像分割的精确度,提出了一种基于改进蚁群算法的阈值医学图像分割.对蚁群算法中的初始聚类中心、动态更新信息素浓度和参数变量进行了改进.实验结果证明:改进算法可以提高医学图像的分割精确度,同时克服蚁群算法搜索时间较长,求解速度较慢的缺陷,缩短运算时间.     

基于体数据变形的自适应移动立方体算法的研究

 移动立方体（Marching Cubes）算法是一种经典的三维重建方法,但是对采样稀疏的体数据进行重建时,不能满足所需的精确度要求。提出了一种基于体数据变形的自适应移动立方体算法。该算法通过自适应地改变体素顶点的位置,使得体素包含更多的图像信息从而使体素内的三角面片更加逼近等值面;同时,采用了区域增长策略对体数据进行分割从而避免了对整个体素空间的运算;对算法的并行优化提升了算法的三维重建效率。实验证明使用该算法对稀疏体数据进行三维重建,提高了重建的精确度,并且保证了重建的实时性与交互性。     

基于矢量场自适应采样算法的图像体绘制技术

针对医学数据体绘制的特点,研究了体数据矢量场的变化特征,分析了采样频率与矢量场的关系,提出基于矢量场的自适应采样算法,对重建图像贡献最大的数据区域采用高频采样,对其贡献小的数据区域采用低频采样,从而自适应地控制采样步长,提高了重建性能.研究结果表明,自适应采样算法在重建效果不受影响的前提下,将重建速度提高约30％～60％.     

基于模块化设计的三维医学图像体绘制方法

为了提高三维图像的视觉效果和重建效率,提出一种基于模块化设计的三维医学图像体绘制方法．该方法将图像分割模块与体绘制有机地结合起来,并基于混合型链结区域增长与聚类分析的分割方式,来解决在实际应用中旋转观察时存在的障碍物体干扰问题．同时,基于Raycasting算法,对重构核进行改进设计：用包围盒选择与动态调整采样步长的重采样方法来提高重建效率;通过旋转光源和视角,对感兴趣的区域进行采样重建．实验证明该方法不仅效率高,而且显示效果好．     

基于小波变换的医学图像融合及基于体数据遍历算法的三维重建

在临床的实际应用中，基于小波变换的单模态的医学图像中的计算机断层造影术(CT)和核磁共振图像(MRI)之间的数据融合提供了更丰富的信息．融合图像的3D(threc dimensional)重建采用表面绘制方式，所用的一种体数据遍历算法，既提高计算效果，又能进行真实感曲面的显示，并可实现对感兴趣区域(Region of interest．ROI)的分割提取、三维重建和显示，提高医学诊断的准确性和可靠性．     

医学图像分割算法分类及特点

医学图像分割技术是医学图像处理与分析领域的重要课题之一,也是近年来备受研究人员关注的热点问题。医学图像分割的目的是把图像中具有特殊含义的不同区域分割歼来,并使分割结果尽可能的接近解剖结构,从而为临床诊疗和病理学研究提供可靠依据。由于人体解剖结构的复杂性、组织器官形状的不规则性及个体之间的差异性,一般图像分割方法直接应用于医学图像并不能得到理想分割效果为此必须寻找一种有效的医学图像分割方法。     

一种实现空中显示和虚拟交互的体绘制方法

为了不受限制地在三维空间中直接观测体数据三维可视化结果,并且进行非接触式交互,提出了一种空中显示和虚拟交互的体绘制方法,将空中显示和虚拟交互结合应用到光线投射体绘制算法中,并在此基础上设计了一种体数据空中显示和虚拟交互的系统.实验结果表明医学影像体数据绘制图像能够很好在空中显示,而不依赖于任何的显示载体,空间真实感强烈.同时,能够通过体感感知检测手势实现非接触式交互,交互方式灵活自然,对观测者限制小.     

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。     

一种基于视觉感知的复合医学图像分割算法

为提高医学图像分割的视觉效果,依据人类视觉感知的分层特性,提出了一种新的复合医学图像分割方法.该方法通过提取医学图像的底层特征,利用Fuzzy-ART神经网络作为像素的分类器,对医学图像进行连续两次分割.实验结果表明,该医学图像分割方法能有效地解决局部信息与整体分布边缘淡化等相关问题,达到良好的分割视觉效果.     

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。     

主动轮廓模型及其在医学体分割中的应用

利用医学序列切片在灰度值和空间位置上的相关性,对传统主动轮廓模型进行改进,将其应用于医学体数据分割中.以物体轮廓采样到其相邻两采样点中点的距离为内部能量函数,同时通过制约轮廓的长度,使其尽可能短来达到;利用图像区域的局部梯度信息,同时利用序列图像之间局部区域的全局信息及其相关性重新构造外部能量函数;并根据内外部能量的比值,动态的调节权值参数.实验结果表明,改进算法既可以有效地检测出一些拐角点和凹点,又可以避免目标边缘收敛于某些噪声点或伪边缘点,可达到良好的体分割效果.     

一种基于遗传神经网络的医学图像分割方法

针对一类具有纹理特征的医学图像,提出一种结合纹理信息,利用遗传神经网络的图像分割方法。该方法以混合递阶遗传算法优化径向基神经网络,同时优化其结构及参数。试验表明,该方法应用于生物医学图像,能够区分图像不同的纹理区域,获得较好的分割效果。