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.     

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.     

用于腹部CT肝脏分割的边界监督模型

针对肝脏分割影像中模糊的肝脏边界,提出了一种新颖的用于腹部CT肝脏分割的边界监督模型.该模型包括肝脏区域分割模块和边界分割模块,其中边界分割模块使用肝脏边界进行监督训练,输出精准的肝脏边界.模型将肝脏区域分割输出与边界分割输出融合在一起,得到最终的肝脏分割预测.肝脏区域分割模块与边界分割模块分别设置了相应的损失函数进行监督训练.模型使用腹部器官分割挑战提供的数据集进行了消融实验并与先进模型进行了评估.结果证明该方法的有效性和优异性,提出的边界分割模块有助于保留肝脏的边缘信息,提高了肝脏分割的性能.     

基于改进的nnU-Net胰腺分割模型

CT扫描是腹部器官疾病的常规检查手段,准确地对腹部器官进行自动分割能够给医生提供辅助诊疗信息。但腹部CT影像中器官类型多、背景复杂等情况给腹部器官分割带来挑战,尤其是胰腺在CT影像中存在边界模糊的特点,导致现有器官分割模型难以准确分割胰腺。为此,该文针对胰腺分割存在分割边界不准确的问题,基于nnU-Net医学影像分割自适应框架,设计了一种具有边界感知机制的胰腺器官分割模型。该模型在分割网络中嵌入边界感知模块来引导分割网络关注目标边界特征的有效提取;此外,模型将传统分割网络模块提取的语义特征和边界感知模块提取的边界特征进行融合,以有效缓解胰腺器官边界特征提取不完整的问题,从而实现更精准的胰腺器官分割。所提模型在NIH胰腺分割公开数据集上分割准确率达到0.879,分割效果优于现有器官分割模型。     

基于Mimics平台的CT图像三维重建算法研究

为充分挖掘CT图像中的医学诊断信息, 提高CT图像的三维重建效果与可视化程度, 研究了基于Mimics平台的CT图像三维重建算法。将腹部16排螺旋CT图像导入Mimics系统, 利用系统图像分割、 蒙版编辑和区域增长等功能模块, 将脾脏器官由腹部CT切片图像中完整分离出来, 并可进行任意角度的放大, 缩小等操作。与传统方法相比, 其实现的对人体器官、 骨骼和组织的CT图像的三维重建与可视化处理结果, 更加接近于真实器官的生理解剖结构。     

基于连续最大流的三维肺实质快速分割算法

肺结节是肺癌的表征形式,形状结构多样且易与正常组织产生粘连,使分割存在困难.提出了一种基于空间约束的三维肺实质分割算法,实现对肺实质组织的分割及目标区域的获取.首先使用SLIC方法将二维CT序列图像构建成超像素图像矩阵,并对矩阵进行稀疏化处理,降低矩阵维度.然后连接相邻切片间的超像素构造肺实质组织的三维结构.最后采用连续最大流方法对构造的三维肺部结构进行分割.实验结果表明,所提算法能够快速准确地分割三维肺实质组织,对不同类型肺结节的分割均取得较好结果,具有一定的临床应用价值.     

低对比度医学图像全自动分割算法

由于医学图像的对比度较低以及各种组织器官的边缘往往较为模糊,医学图像的分割是医学图像处理中的一个经典难题。如果能将各种分割对象的先验信息加入到分割算法中,将会改善分割效果。针对CT图像中的前列腺器官分割问题,利用水平集函数获得初始分割轮廓,结合从手工分割图像中获得的形状和纹理先验信息,采用遗传算法来演化分割轮廓。仿真实验结果证明该方法能有效地分割出低对比度的医学器官。     

序列颅脑CT图像的颅腔内结构自动化分割

为实现颅腔内结构的自动化分割,利用颅脑CT的解剖学和影像学等先验知识,提出了一种基于图像形态学和颅腔内结构连续性等先验知识的序列颅脑CT颅腔内结构的自动化分割算法.通过对连续100个颅脑CT检查病例的自动化分割,结果表明,该算法能够实现所有具有完整颅骨环的颅腔内结构的计算机自动化分割(97/100),分割结果准确.     

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。     

基于概率图谱和Random Walker的肝脏三维分割算法

针对腹部CT图像内部结构复杂和相邻脏器灰度相近而导致分割精度较低的问题,提出了一种新的基于概率图谱和Random Walker的三维肝脏分割算法.首先利用大量的由医生分割的肝脏区域图像建立肝脏存在位置的概率图谱,表示肝脏解剖位置信息;然后提出了改进的全自动的Random Walker算法,并建立由Random Walker优化的灰度概率图谱;最后基于该灰度概率图谱从腹部CT图像进行肝脏三维分割.实验结果表明,提出的算法能够有效地进行肝脏区域的分割并具有较好的鲁棒性,与传统算法相比,分割精度得到了明显的提高.