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)%。     

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.     

基于卷积神经网络特征提取的MRI脑肿瘤图像分割

脑肿瘤分割在疾病的辅助诊断、治疗方案规划以及手术导航中扮演着重要的角色.为了分割病变的肿瘤,提出了一种基于卷积神经网络特征提取的由2个串联的阶段组成的分割方法,提取完整的特征并使用分类器分类.在训练阶段,训练了Convolution Neural Network(CNN)学习从图像空间到肿瘤标记空间的映射.在测试阶段,使用从CNN得到的标记输出,随同测试的灰度图像送到一个Support Vector Machine(SVM)分类器中,以得到精确的分割.实验结果证明,该方法能自适应脑肿瘤的差异性,分割准确率最高达到93%.     

基于小波域局部二值模式和活动轮廓模型的纹理图像分割

提出一种双树复小波域局部二值模式和活动轮廓模型的纹理图像分割方法.该方法首先使用双树复合小波(DTCWT)分解纹理图像,然后使用局部二值模式(LBP)提取纹理特征.利用最大熵准则对纹理特征图像进行选择.活动轮廓模型(ACM)用于最后得分割.实验结果表明提出的方法对于合成纹理和自然场景数据集达到了较高的分割精度.     

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.     

基于曲率和活动轮廓模型的重叠细胞分割算法

提出了一种基于曲率和活动轮廓模型的重叠细胞分割算法,用于解决重叠细胞显微图像边界难以自动分离的问题.该算法使用Otsu算法和形态学滤波得到重叠细胞整体轮廓,并根据其曲率信息来定位细胞边界接触点,再采用活动轮廓模型分割得到重叠区域轮廓,最后结合边界接触点信息将其与整体轮廓拼接得到单个细胞轮廓.实验结果表明,算法实现了重叠细胞的分割,分割得到的细胞完整度高,且算法具有一定的鲁棒性,表明该算法用于重叠细胞的分割是可行、有效的.     

一种提取MRI图像感兴趣区域的分割方法

以国际标准脑肿瘤MRI图像库为背景进行分割实验,提出一种结合模糊C均值聚类、区域生长和数学形态学的FCM_Region分割方法对MRI脑肿瘤感兴趣区域进行提取.先利用模糊C均值聚类算法对原图进行聚类粗分割,对分割的结果采用形态学双结构算子和区域生长法去除颅骨等非脑组织来获取脑部组织,并平滑图像,最后采用比对法获得肿瘤感兴趣区域.实验结果证明了该方法对MRI脑肿瘤图像分割的有效性.     

一种基于Mumford-Shah模型的脑肿瘤水平集分割算法

提出了一种新的基于Mumford—Shah模型的脑肿瘤水平集分割方法．它能提供一客观的、可重复的脑肿瘤分割,且分割结果和专家人工分割结果很接近．它可以用来探测边界不一定由梯度来定义的对象,也能自动探测内部轮廓．通过对来自2个病人的共42个（含有或不含水肿）脑肿瘤MRI切片进行分割来评价该算法的效率,结果取得了令人满意的效果．用匹配的百分比（PM）和一致率（CR）来定量评价分割的质量,结果肿瘤分割的PM和CR分别为93．20%和0．92,水肿分割的PM和CR分别为97．33％和0．76,满足临床的需要．     

基于梯度向量流的活动轮廓模型

针对当前活动轮廓模型对噪声敏感, 难实现弱边界图像的准确分割问题, 提出一种基于梯度向量流的活动轮廓模型. 首先采用Contourlet变换对图像进行去噪处理, 解决了噪声对图像分割的干扰; 然后在活动轮廓模型中引入一个指示函数, 用于描述向量场与轮廓曲线间的关系, 通过轮廓曲线演化过程实现图像分割; 最后用实验对本文模型的图像分割性能进行验证. 实验结果表明, 该方法可以快速、 准确地实现多种类型的图像分割, 分割精度和抗噪能力优于其他活动轮廓模型.     

基于MD-CGAN的脑部肿瘤图像生成方法研究

深度学习已广泛用于脑部磁共振（MR）图像分析中,但脑部肿瘤MR图像样本不足会严重影响深度学习模型的性能.提出基于多鉴别器循环一致性生成对抗网络（MD-CGAN）的样本生成方法 .利用所提出的MD-CGAN生成脑部肿瘤病理区域图像,将生成的脑部肿瘤病理区域图像覆盖脑部正常图像子区域,合成得到脑部肿瘤MR图像. MD-CG...     

基于选择性注意机制的无边界主动轮廓图像分割算法

针对现有的主动轮廓算法多为人为给定初始轮廓线的问题,提出一种基于选择性注意机制的无边界主动轮廓图像分割算法。该算法首先利用数学形态学算子对图像进行平滑预处理,然后将选择性注意机制引入到基于区域的无边界主动轮廓模型中,对单目标和多目标图像分别采用基于显著图的方法以及基于选择注意与小波变换相结合的方法进行掩膜初始化,最后应用水平集方法进行图像分割。结果表明,该算法不仅可以减少迭代次数,当图像中存在多个目标时还可以得到更精确的分割结果,有效地提高了主动轮廓算法的效率。     

一种改进的分水岭分割算法

为了提取人脑CT图像中的脑部组织,提出了一种改进的分水岭算法,首先采用K-means聚类算法对图像进行初始分割,从而有效地抑制了由图片表面的灰度变化引起的过分割,使边缘定位更加准确;然后在聚类图像的梯度图上利用自动阈值法增强其对比度,进行分水岭分割。最后为了避免过分割现象,对分割后的图像进行了相似区域合并。实验表明该方法简单有效,能够得到符合人类视觉系统特性的分割结果。     

基于K-means和GVF Snake模型的纤维图像分割

在纤维图像自动识别系统中,分割出完整连续的纤维是纤维特征分析的必要前提.针对纤维图像的背景和前景灰度区别不大、光照不均对图像的影响等特征,提出融合K-means和GVF(Gradient Vector Flow)Snake模型的纤维图像分割算法.该算法以提取完整连续的纤维轮廓为标准,利用K-means聚类分割结果为GVF Snake模型的初始轮廓线,并对得到的存在毛刺的轮廓结果采用轮廓跟踪去除毛刺,从而得到完整连续的单根纤维图像.该算法不仅能有效解决传统图像分割方法对纤维图像分割的不连续问题,而且能有效抑制纤维图像中噪声的影响.     

一种全局隶属度和小波能量相结合的活动轮廓模型

计算机化X射线体层照相(computeried tomography, CT),图像中的磨玻璃型肺结节,由于其具有模糊的轮廓,且肺结节区域与其邻域的亮度值相差很小等特性,一般的图像分割算法很难对其进行精准地分割。针对该问题,提出一种全局隶属度和小波能量相结合的活动轮廓模型。首先,利用全局隶属度函数调整初始活动轮廓曲线,使之与目标边界的距离更接近,且形状更相似;同时,基于全局隶属度的边界停止函数能快速收敛于目标边界,使得预测曲线更加贴合待分割目标;其次,基于小波能量的局部活动轮廓模型数据项增强了目标与背景之间的对比度,进而能更精准地分割在低对比度和亮度非均匀场景中的目标轮廓。将该模型应用于全实质及部分实质磨玻璃型肺结节的CT图像中,实验证明了本文算法的优越性。     

融合KFCM与改进DRLSE模型的甲状腺结节图像分割

针对超声甲状腺结节图像分割问题,提出一种融合模糊核(KFCM)聚类算法与改进距离正则化水平集演化(DRLSE)模型的分割算法,解决了DRLSE模型对初始轮廓敏感、演化参数需要人工设定及分割弱边缘能力较差的问题.该算法先利用KFCM聚类算法粗分割出结节区域并二值化作为水平集初始演化轮廓,然后利用初始演化轮廓围成的区域自动计算出水平集演化参数,最后采用高斯正则化规则演化水平集分割出甲状腺结节区域.对比实验结果表明,该算法提高了甲状腺结节的分割精度,在噪声干扰下也能准确地分割出结节区域.     

基于SegNet的非结构道路可行驶区域语义分割

为了增强自动驾驶车辆对非结构化道路中可行驶区域的场景理解能力,基于SegNet深度学习网络结构,提出了一种针对非结构道路的可行驶区域语义分割方法。在传统的卷积神经网络基础上,构建编码-解码深度卷积神经网络,用于自动习得图片中非结构化道路的特征,通过在数据集上进行训练和学习,得到图像语义分割模型,可直接用该模型预测非结构道路中的可行驶区域,实现自动驾驶车辆在非结构道路中行驶时的环境感知。实验结果表明,研究方法分割效果和精确度提升明显,Dice相似度和Jaccard相似系数均可达80%以上。     

参数化水平集活动轮廓模型的快速图像分割算法

为了提高图像分割的速度,提出一种参数化水平集活动轮廓模型的快速图像分割算法.该算法中的水平集函数由参数向量确定,而非带符号距离函数,降低了水平集函数的维度.将参数化的水平集函数嵌入到经典的LGDF(local Gaussian distribution fitting)模型中进行图像分割,不需要重新初始化和额外的正则项,同时可选择较大迭代步长.实验结果表明:所提方法能够有效地分割超声、CT和核磁等医学图像,与带有正则项的分割算法LGDF和最近提出的快速分割算法MSLCV相比,在保证分割精度的同时,计算速度得到了明显提高.