基于几何活动轮廓的神经元干细胞序列图像的自动分割

一个快速稳定的分割系统是研究神经元干细胞变化的基础，为完善此系统，针对多连接边缘模糊的细胞分割提取问题，根据曲线进化原理，我们提出了一种基于水平集方法的改进的几何活动轮廓算法。此算法能自动解决图像的拓扑变化，并能获得更加真实的细胞轮廓边缘。将此方法应用于神经元干细胞的序列图像分割，实验结果证明了此算法的有效性与准确性。     

基于自适应标记分水岭算法的肝脏CT图像自动分割

目的为减少人工交互提出了基于自适应标记分水岭的CT系列图像肝脏区域自动分割算法。方法首先对图像进行形态学重构运算以平滑图像,然后计算多尺度形态学梯度,同时提出利用梯度图像非零的局部极小值点的均值进行自适应标记提取,以避免分水岭的过分割和欠分割,再结合肝脏为最大的实质性脏器和相邻图像的相似性实现CT系列图像的肝区自动分割。结果该算法能自动、快速地提取CT系列图像中的肝脏区域。结论分水岭算法能准确定位区域的边缘,通过选择合适的阈值对梯度图像进行标记以抑制分水岭的过分割,实现医学图像中感兴趣区域的自动分割。     

神经元干细胞序列图像中分裂子细胞的精确分割算法

针对神经元干细胞序列图像中存在的细胞分裂现象,为了实现对于分裂子细胞的特征提取、识别和跟踪,对于分裂出的微小目标--子细胞,提出了一种能够精确保留其形状特征的分割算法.采用了基于最大熵的模糊阅值分割方法,应用遗传算法确定最大模糊熵准则下的最优参数.利用加权距离变换、区域标注和形态学运算,实现了对分割结果中的干扰区域的吞没,以及对于分割图中欠分割目标的分离.仿真结果通过与硬分割比较,表明该算法在序列图像的追踪处理中对于需要特征提取的特定目标,能够实现最大限度保留该目标形状特征的精确分割.     

基于改进的k-均值聚类和数学形态学的彩色眼科图像病灶分割

病灶面积的定量化研究在眼科临床上具有重要的意义 ,为此首先需要把病灶从眼科图像中分割出来。已有的分割算法未充分利用眼科图像的整体信息 ,不适用于角膜病灶的分割。因此 ,本文提出了一种新算法 :首先利用改进的k 均值算法 ,对色度和亮度进行聚类 ,再通过数学形态学运算分割角膜病灶。实验结果表明 ,该算法能有效地分割出彩色眼科图像中的病灶     

一种快速的全自动超声子宫图像分割算法

使用超声成像进行子宫节育环检查工作已在我国广泛地开展,利用图像识别技术进行计算机辅助诊断对于减轻检查人员工作负担意义十分明显,其中图像分割部分的主要目标则是快速地全自动分割开图中的几个主要器官及节育环。本研究提出了一种快速的全自动子宫图像分割算法。该算法包括以下三个主要步骤:首先运用BP神经网络处理图像整体灰度分布获取基准分割阈值;其后使用超声图像斑点噪声统计特征进行同质区域判别,并根据局部灰度分布自适应调整分割阈值;最后使用数学形态学算子对分割效果做进一步的改善。基于由1200幅超声子宫图像组成的图像库,对所提算法与最大类别方差法、SNAKE活动轮廓模型等数种常用分割算法进行了性能比较,实验结果表明所提算法在速度与准确程度两方面均表现良好,平均耗时为0.93s/幅,准确程度达到了94%。本算法无需人工干预,分割速度快,分割准确程度能够被临床医生所接受,可以用作超声子宫图像辅助诊断系统的图像分割部分,具有很好的应用前景。     

基于形态学的骨髓基质干细胞溶液图像分割研究

采用现在研究比较多的骨髓基质干细胞的培养液图像作为研究对象,实现骨髓基质干细胞分割。首先采用灰度形态学中的高低帽算法组合应用对图像进行预处理,结构函数取半径为30的球;预处理完成后,采用两次取阈值法将前景(骨髓基质干细胞)和背景(溶液)粗略地区分出来;然后采用二值形态学方法对所得到图像进行去噪处理,去噪后所得到的图像能将前景和背景较好区分出来。在此基础上求取细胞的个数和面积。     

基于单水平集函数的细胞分割算法

目的：由于细胞图像十分复杂,传统的基于像素或者边界的图像分割方法难以精确的实现细胞分割。因此,需要设计一种可以实现细胞图像精确分割的方法。方法：结合大津分割算法和主动轮廓模型的优点,设计出一种基于单水平集函数的细胞分割算法,首先对细胞图像大津分割,其结果作为水平集函数的初始值,然后使用迭代法对水平集函数演化。采用MATLAB对显微镜下获取的细胞图像进行试验,将本文改进后的算法与常规的算法进行了对比。结果：与传统的水平集分割算法相比,本文方法对细胞图像分割结果更加准确,迭代次数减少一半左右,因此分割时间也减少了一半左右。结论：结合细胞图像的结构特点,利用大津分割结果作为主动轮廓模型的初始值,可有效解决主动轮廓模型因为初始值设置不当导致的分割缺陷问题,水平集函数能够跟踪拓扑结构变化,具有计算精度高、算法稳定、优化边界清晰光滑等优点,在本文中得到了充分的应用。因此本文所提出的算法能够高效地实现细胞图像的分割。     

改进的K-均值聚类算法及其在脑组织分割中的应用

目的：鉴于K-均值聚类算法易受初始聚类中心的影响,初始聚类中心不仅影响聚类速度。还可能使算法陷入局部极小值,得到错误的聚类结果,基于SOM神经网络,提出了一种改进的K．均值聚类算法并将其应用于脑实质分割。方法：首先,由SOM神经网络对图像进行初始聚类,得到＆个聚类中心值;然后,以SOM神经网络获得的k个聚类中心值作为K_均值聚类算法的初始聚类中心对图像进行％．均值聚类,最终获得图像的聚类分割结果。结果：基于SOM神经网络的K-means聚类算法的分割精度为O．9274,K-means聚类算法的分割精度为0．8649。结论：利用改进的K-均值聚类算法对磁共振脑部图像进行了分割实验,结果表明该算法有效改善了K-means聚类算法初始聚类中心选取的盲目性,使聚类结果更为准确、稳定,取得了比单一方法更好的分割结果。     

多信息融合的彩色细胞图像分割方法

本文就从病理切片的彩色图像中提取细胞核的有关方法作了研究,提出了有效的分割方法的策略。该方法以数学形态学为主要工具,可以利用细胞的多个特征,较好地解决了病理显微图像背景杂,光照不均及粘连团聚现象等因素给分割带来的困难。     

基于数据融合的脑组织图像分割

随着医学影像技术的发展,我们可以用不同的成像方法对同一个脑断层得到多模态的核磁共振图像,针对脑组织分割的需要,文中介绍了一种基于数据融合的多模分割方法.算法首先用基于模糊C均值聚类(Fuzzy C-Means,FCM)的方法分别对单一模态的图像聚类进行分割,然后采用数据融合的方法得出最终的分割结果.实验结果表明,此方法能有效地分割出白质、灰质和脑脊液,并且分割精度要明显高于对单一模态图像的分割结果.     

一种基于肝分段和肝癌轮廓融合的放疗靶区数据库建立方法

提出一种基于肝分段和肝癌轮廓融合的放疗靶区数据库建立和全过程数据质量管理方法,为后续人工智能靶区勾画或评估当前手工勾画提供数据支持。从肝癌数据库中取出原始图像,分别对其做带有肝脏放疗靶区勾画和分区分段轮廓标注工作,并通过图像融合技术使肝癌的放射治疗精确到肝段,最后使用深度学习的方法训练Unet网络以得到精准肝分割的神经网络模型,以实现针对肝癌的精准放疗。     

Marker-Controlled Watershed for Lesion Segmentation in Mammograms

Lesion segmentation, which is a critical step in computer-aided diagnosis system, is a challenging task as lesion boundaries are usually obscured, irregular, and low contrast. In this paper, an accurate and robust algorithm for the automatic segmentation of breast lesions in mammograms is proposed. The traditional watershed transformation is applied to the smoothed (by the morphological reconstruction) morphological gradient image to obtain the lesion boundary in the belt between the internal and external markers. To automatically determine the internal and external markers, the rough region of the lesion is identified by a template matching and a thresholding method. Then, the internal marker is determined by performing a distance transform and the external marker by morphological dilation. The proposed algorithm is quantitatively compared to the dynamic programming boundary tracing method and the plane fitting and dynamic programming method on a set of 363 lesions (size range, 5–42 mm in diameter; mean, 15 mm), using the area overlap metric (AOM), Hausdorff distance (HD), and average minimum Euclidean distance (AMED). The mean ± SD of the values of AOM, HD, and AMED for our method were respectively 0.72 ± 0.13, 5.69 ± 2.85 mm, and 1.76 ± 1.04 mm, which is a better performance than two other proposed segmentation methods. The results also confirm the potential of the proposed algorithm to allow reliable segmentation and quantification of breast lesion in mammograms.     

A comparison between two robust techniques for segmentation of blood vessels

Image segmentation plays an important role in image analysis. According to several authors, segmentation terminates when the observer's goal is satisfied. For this reason, a unique method that can be applied to all possible cases does not yet exist. In this paper, we have carried out a comparison between two current segmentation techniques, namely the mean shift method, for which we propose a new algorithm, and the so-called spectral method. In this investigation the important information to be extracted from an image is the number of blood vessels (BV) present in the image. The results obtained by both strategies were compared with the results provided by manual segmentation. We have found that using the mean shift segmentation an error less than 20% for false positives (FP) and 0% for false negatives (FN) was observed, while for the spectral method more than 45% for FP and 0% for FN were obtained. We discuss the advantages and disadvantages of both methods.     

医学超声图像分割的一种新方法

有效地实现超声图像的分割依然是临床疾病诊断亟待解决的一个难题。本研究将图像树型框架小波变换、尺度共生矩阵、KL变换主分量分析和自组织神经网络聚类相结合应用于医学超声图像，提出一种分割新方法。实验表明，对于不同的医学超声图像，应用本研究方法均可得到比较清晰的分割结果，且显著地提高了分割图像的对比度，这对于固有对比度较低的医学超声图像来说不啻一种很有效的图像分割新方法，为临床诊断提供新的借鉴。     

基于滑动块的深度卷积神经网络乳腺X线摄影图像肿块分割算法

目的:提出一种基于滑动块的深度卷积神经网络局部分类、整图乳腺肿块分割的算法,为临床诊断提供有效的肿块形态特征。方法:首先通过区域生长算法和膨胀算法提取患者乳腺区域,并进行数据归一化操作。为了得到每一个像素位置上的诊断信息,在图像的对应位置中滑动提取肿块类及非肿块类图像块,根据卷积神经网络提取其中的纹理信息并对图像块进行分类。通过整合图像块的预测分类结果,进行由粗到细的肿块分割,获得乳腺整图中像素级别的肿块分割。结果:通过比较先进的深度卷积神经网络模型,本文算法滑动块分类结果DenseNet模型下准确率达到96.71%,乳腺X线摄影图像全图肿块分割结果F1-score最优为83.49%。结论:本算法可以分割出乳腺X线摄影图像中的肿块,为后续的乳腺病灶诊断提供可靠的基础。     

拓扑约束结合匈牙利算法在高密度神经干细胞追踪中的研究

神经干细胞(NSCs)的运动分析是细胞学和生物学研究中重要的组成部分之一,而对大量NSCs同时进行追踪是细胞运动研究的主要难点。为了进一步提高高密度NSCs追踪算法的准确性,本文提出了一种新的基于分割、结合拓扑约束和数据关联的细胞追踪方法。首先针对实验所用的两组细胞图像序列的特点,分别采用了不同的分割方法。然后利用拓扑约束完成相邻两帧中所有细胞的数据关联并建立系数矩阵,最后对该系数矩阵利用匈牙利算法实现细胞的最优匹配,以此模式从序列的前两帧到最后一帧完成细胞追踪。实验结果表明,本文算法与单独利用拓扑约束进行细胞追踪的方法相比,有更好的追踪效果,准确性更高,序列I和序列Ⅱ的最终追踪准确率分别提高了10.17%和4%。     

基于B P神经网络的脑肿瘤MRI图像分割

利用BP神经网络技术对MR脑肿瘤图像中的肿瘤区域与正常组织区域进行分割,以辅助医疗诊断与治疗。首先,人工分割出部分影像中的肿瘤组织与正常组织作为已知样本;其次,在BP神经网络模型中输入已知样本中进行训练;最后,用训练好的BP神经网络处理其他脑肿瘤图像。BP神经网络能够有效分割MR脑肿瘤图像,辨别出肿瘤与周围正常组织的差异,但模糊区域也常被误判为肿瘤。因此,本研究提出进一步对模糊区域样本进行针对性训练与特殊的滤波处理,所得结果有较大改进。BP神经网络能有效地进行脑肿瘤MRI图像分割,但在使用时仍需正确选择输入样本的区域和范围并结合特殊的滤波处理。     

基于自适应能量偏移场无边缘主动轮廓模型的乳腺肿块分割与分类方法研究

目的:为提高乳腺癌检测的精准度和效率,提出了一种基于自适应能量偏移场无边缘主动轮廓模型（AEOF-CV）的乳腺肿块分割与分类方法。方法:首先采用中值滤波、阈值分割及区域连通进行图像预处理,去除图像噪声;然后使用伽马变换及形态学运算相结合的方法进行图像增强;其次,采用AEOF-CV对弱对比度图像提高分割精度,用于乳腺肿块分割,得到感兴趣区域;最后使用不同提取特征方法,结合支持向量机识别感兴趣区域是否有肿块,并对存在肿块的图像判别肿块的良、恶性。结果:实验利用DDSM数据库中350个图像进行测试,实验结果证明,基于AEOF-CV乳腺肿块分割方法可以得到肿块清晰外部轮廓,具有较好的鲁棒性,误分率可达到0.212 0。无肿块样本识别率达到94.57%,恶性肿块识别率为97.91%,良性肿块识别率为96.96%,总识别率达94.00%。结论:基于AEOF-CV的乳腺肿块分割效果较好,误分率相对CV方法降低19.17%,查准率和查全率达到了0.851 9和0.836 5,全局分析性能较好,是乳腺肿块分割的有效方法,可为后续模式识别提供可靠依据。     

基于卷积神经网络和图像显著性的心脏CT图像分割

目的心脏医学影像中,感兴趣部分的提取与分割是诊断心脏病变部位的关键。由于心脏舒张、收缩以及血液的流动,心脏CT图像易出现弱边界、伪影,传统分割算法易产生过度分割的情况。为此,提出一种基于卷积神经网络和图像显著性的心脏CT图像分割方法。方法采用卷积神经网络对目标区域进行定位,滤除肋骨、肌肉等造影对比不明显部分,截取出感兴趣区域,结合感兴趣区域的对比度计算并提高感兴趣区域的心脏组织的显著值。通过获得的显著值图像截取心脏图像,并与区域生长算法的分割结果进行对比。最后使用泰州人民医院11例患者的影像数据对算法模型进行训练和测试,随机选择9例用于训练,剩余2例用于测试。结果所提算法模型在心底、心中、心尖3个心脏分段的分割正确率分别达到了92.79%、92.79%、94.11%,均优于基于区域生长的分割方法。结论基于卷积神经网络和图像显著性的分割方法能够准确获取心脏的外围轮廓,轮廓边缘更加平滑,完全能够满足CT图像序列的心脏全自动分割任务需求,分割后的图像更有利于医生对患者心脏健康状况和病变部位的观察。