基于核图割算法的冠脉光学相干断层图像斑块区域分割

冠脉光学相干断层成像(OCT)图像斑块区域分割是冠脉斑块识别的前提和基础,对后续斑块特征分析及易损斑块识别,进而实现冠脉疾病的辅助诊断分析具有十分重要的意义。本文提出了一种新的算法,使用K-means算法与图割算法结合,实现了冠脉OCT图像斑块准确的多区域分割——纤维化斑块、钙化斑块和脂质池,并较好地保留了斑块的边界特征信息。本文实验中对20组具有典型斑块特征的冠脉OCT图像进行了分割,通过与医生手动分割结果比较,证明本文方法能准确地分割出斑块区域,且算法具有较好的稳定性。研究结果证明了本文工作能够极大减少医生分割斑块所消耗的时间,避免不同医生之间的主观差异性,或可辅助临床医生对冠心病的诊断与治疗。     

基于K-means聚类与改进随机游走算法的冠脉光学相干断层图像斑块分割

光学相干断层成像技术(OCT)现已发展成为国内外较热门的冠状动脉内影像技术,其中冠脉OCT图像的斑块区域分割对易损斑块的识别和研究有着重大意义。本文提出了一种基于K-means聚类与改进随机游走的新算法,实现了对冠脉钙化、纤维化斑块和脂质池的半自动化分割。本文主要创新点为改进了随机游走算法的权函数,将图像中像素间的边与种子点之间的距离加入到了权函数定义中,增加了弱边界的权值,防止了过分割现象的发生。本文基于以上方法对9名冠状动脉粥样硬化患者的OCT图像进行了斑块区域分割。通过对比医生手动分割结果,证明了本文方法具有良好的精度和鲁棒性,以期本文方法可对冠心病的临床诊断起到一定的辅助作用。     

基于先验边界条件的冠脉光学相干断层影像血管内膜轮廓序列提取

光学相干断层影像(OCT)是一种应用于血管的影像新技术,其高分辨率和可量化分析等特点,使其能够检测血管内膜和斑块表面的特殊结构并发现微小病变。特别是随着其在识别冠状动脉粥样硬化斑块、优化经皮冠状动脉介入(PCI)治疗、辅助医生制定相关诊断和治疗策略以及支架术后评估等方面的应用相继展开,OCT已经成为心血管疾病诊断的有效工具。本文提出了一种基于先验边界条件的冠脉OCT内膜轮廓序列提取算法,在Chan-Vese模型基础上通过改进演化权函数把轮廓曲线的局部信息引入模型,控制曲线边界演化速度,并在模型中加入梯度能量项和基于先验边界条件的内膜轮廓形状限制项,进一步约束曲线演化轮廓的形状,最终实现冠脉血管内膜轮廓的序列提取。与作为金标准的专业医生手动分割结果进行实验对比,结果表明本算法在冠脉OCT内膜轮廓模糊、失真、有导丝阴影及有斑块干扰等情况下均能准确提取冠脉血管内膜轮廓,提示本研究成果或可应用于临床辅助诊断和精确诊疗之中。     

基于区域生长法的冠状动脉三维分割

根据图像序列,对患者冠状动脉进行三维重建,有利于医生对冠脉病变部位做出准确诊断。首先利用光线透射法（ray casting method）并结合ITK和VTK函数库对CT扫描图像序列进行三维重建,得到胸腔三维模型,之后利用区域生长法（region growing method）进行冠状动脉三维分割,实现冠脉模型的重建任务。实验结果表明,本文算法可以成功的提取出冠状动脉的主要分支。结合VTK和ITK函数库,计算机可以有效地实现胸腔三维模型的重建以及冠状动脉的分割工作,对医生直观的了解冠状动脉的解剖结构及冠心病的临床诊断有重要意义。     

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。     

免疫组化彩色细胞图像自动分割的研究

目的：免疫组化彩色细胞图像中阳性细胞的自动分割提取有着重要的临床意义。本文结合三种分割算法的特点，研究实现免疫组化彩色细胞图像的自动分割，提取图像中的阳性细胞。方法：（1）采用OTSU方法在灰度的基础上对免疫组化彩色细胞进行预分割，去除无关背景。（2）使用K-聚类算法，对彩色细胞图像进行彩色分类筛选出阳性细胞和阴性细胞，并对所得阳性细胞图像进行腐蚀，以获取阳性细胞图像的种子。（3）使用区域生长算法对阳性细胞种子进行区域增长。获取完整的阳性细胞图。结果：准确分割出图像中的阳性细胞。结论：该自动分割方法可用于后续的阳性细胞自动计数，辅助医生诊断疾病。     

冠状动脉血管造影图像三维分割方法

冠状动脉计算机断层扫描血管造影技术已广泛应用于心血管疾病的诊断,冠状动脉的有效分割在冠心病诊断中起着重要的作用。本文提出一种冠状动脉血管造影图像三维分割方法,首先进行数据预处理;然后,利用分水岭算法得到子区域;最后,利用区域生长方法将分水岭子区域合并,实现冠状动脉的三维分割。本文以放射科医生手动标注结果作为标准,验证提出算法的可行性和有效性。实验结果表明,本文提出的分割方法能够有效克服冠状动脉周围组织的干扰,从而取得精确的分割结果。     

基于改进图割的超声瞳孔图像分割与直径测量

传统的瞳孔直径测量是通过医生手工标定,对于眼外伤和丧失意识的患者测量不方便。针对瞳孔直径测量的人工交互量大且测量鲁棒性不强的问题,采用图割算法分割瞳孔超声图像并测量瞳孔直径。对传统图割算法进行两个方面的改进,采用自适应阈值的区域生长代替人为种子点选取,在保证分割效果的基础上减少了图割的交互量;在能量函数的数据项部分增加图像的梯度信息,减少了原始算法分割结果中出现的小区域,增强了对弱边缘的分割。最后,对采集到的超声瞳孔图像进行自动分割、自动测量瞳孔直径,可以得到患者瞳孔的直径动态变化,给临床诊断提供依据。为了验证算法的有效性,对10位患者的动态瞳孔超声图像进行基于改进图割的瞳孔直径测量,并与医生的手动测量结果对比。结果表明,本方法的结果与医生手动测量结果的绝对误差小于0.2 mm,相关系数不小于0.83。通过改进图割算法,改善了分割效果,实现了超声瞳孔动态图像的自动直径测量,并可有效代替瞳孔直径的人工测量,减少人工交互量。     

基于主动轮廓的三维气管树自动分割方法

在计算机辅助手术领域,对CT图像中肺部区域的气管和支气管进行准确分割和提取具有重要意义。气管和支气管的分割提取有助于手术的导航参考,准确的提取结果有助于避免手术中对支气管的损伤。本文设计了一种全自动的三维肺气管分割算法:首先,将基于主动轮廓的GCS方法引入到肺气管分割当中,在三维图像中得到粗分割结果;然后,利用灰度重建的方法将粗分割结果中分离的部分变得连通;最后利用三维区域生长提取支气管树。实验结果表明,本文方法能够稳定地分割出不同病例的支气管树,与自动阈值区域生长分割结果相比较,本文结果在支气管分叉数上有很大的提升,最少提升有28%,最多达86%。     

基于胸部CT图像的肺结节分割

目的提出一种从胸部CT图像中分割提取多种类型肺结节的算法,辅助肺癌诊断和疗效评估。方法首先由放射科医生确定种子点和目标容积区域,再根据初分割结果自动识别非肺壁粘连结节和肺壁粘连结节。然后采用多阈值结合距离变换的方法分割非肺壁粘连结节,光线投射和直线拟合分割肺壁粘连结节。最后,将算法应用于85组患者数据（232个肺结节）,并由高年资放射科医生评价分割结果的准确性。结果本文算法鲁棒性强,能准确判别肺壁粘连和非肺壁粘连结节,从而适用于孤立、血管粘连、毛玻璃和肺壁粘连结节的提取。测试的232个结节中无异常发生,且分割速度较快。经放射医生评价,平均准确率达90％。结论本文算法可以从胸部CT图像中分割提取4种类型肺结节,鲁棒性、准确性和速度均可满足实际临床需求,对肺癌筛查、诊断和疗效评估具有重要价值。     

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。     

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。     

基于冠脉造影图像血管树分割的血管狭窄自动识别方法

针对冠状动脉造影图像中的血管狭窄位置进行自动识别,并且定量评估其狭窄程度,为临床医生提供一种计算机辅助诊断方法,从而提高对冠状动脉狭窄的诊断准确率,同时减轻医生的劳动强度。所提出的基于冠脉造影图像的血管狭窄自动识别方法包括血管树分割以及血管狭窄识别两部分。在血管树分割部分,首先通过基于Frangi Hessian的改进模型进行图像增强,随后利用基于统计学区域融合方法对血管区域进行分割。在血管狭窄识别部分,首先利用水平集算法对分割结果进行细化获得血管骨架,随后提取血管边缘进行血管直径测量,最后采用局部最小点法计算整幅图像血管段狭窄的百分比,对狭窄段进行定位并分级。实验在153例患者的血管造影图像中检测出狭窄共计208段,其中轻度84段,中度42段,重度82段。统计分析结果显示,血管狭窄识别平均准确率为93.59%,敏感性为88.76%,特异性为95.58%,阳性预测值为90.51%,表明该方法能够有效地检测和定量评价动脉血管的狭窄程度,有助于心血管疾病的临床诊断。     

基于眼肌语义分割和特征提取的甲状腺相关眼病诊断算法研究

目的 甲状腺相关眼病(thyroid-associated ophthalmopathy, TAO)是常见的眼病之一，通过CT图像进行诊断和筛查对治疗有着重要意义，但传统方法依赖有经验的医生对CT进行分析和诊断，尚无有效的自动化方法。为此本文提出一种可以从CT图像中自动提取特征进行TAO诊断的方法，辅助医生进行诊断。方法 设计了Unet-Orbit分割网络对CT中的眼肌进行图像分割，随后采用影像组学工具(PyRadiomics)从分割结果中的眼肌区域提取数值化特征。为了更好地利用影像组学的特征，设计了一个特征提取网络，采用自动编码器框架。将不同的眼肌提取到的特征，通过特征合并和变换进一步得到一组新特征。最后采用来自上海交通大学医学院附属第九人民医院的1 912个CT图像数据集，对使用原始影像组学特征的分类器与使用特征提取网络后的特征的分类器进行了比较。结果 在医院数据集上，该模型的诊断准确率、灵敏度和特异性分别为87.34%、84.73%和89.96%。结论 语义分割网络可以高效分割眼肌区域，特征提取网络得到的新特征可以提升多种不同分类器在TAO诊断的准确率，可能为TAO的诊断提供一个...     

冠脉数字造影图像血管分割方法研究

为了从冠脉数字造影图中提取具有复杂形态结构的血管 ,以便于血管临床心血管疾病的定量分析与诊断 ,我们对造影图像设计了一种有效的血管分割算法 ,然而为了获得更加准确的血管形态 ,我们对造影图像和掩膜图像进行匹配减影 ,然后再从减影图像中分割血管 ,实验结果表明这样分割得到的血管较直接从造影图像分割得到的血管更加准确     

基于灰度积分投影与模糊C均值聚类的肺实质分割

提出一种基于灰度积分投影与模糊C均值聚类的肺实质分割算法,用于CT图像的快速自动分割。首先,对原始肺部CT图像分别在水平和垂直方向上进行灰度积分投影;然后,选用平滑样条曲线拟合平滑原始图像的积分投影曲线,并提取拟合平滑前后曲线的极大值点,确定肺实质初始边界;最后,利用模糊C均值聚类算法对边界内区域进行分割,结合滚动小球法修复边界区域,获得肺实质区域。选取LIDC (肺部图像数据库联盟)数据库中20组图像（平均每组图像包含120幅CT图像）进行实验,平均分割精度为95.66%,平均每幅图像花费时间为0.77 s。实验结果表明,该方法可以用于CT图像肺实质分割,具有全自动、高精度、鲁棒性等特点。     

冠脉数字造影图像血管分割方法研究

为了从冠脉数字造影图中提取具有复杂形态结构的血管，以便于血管临床心血管疾病的定量分析与诊断，我们对造影图像设计了一种有效的血管分割算法，然而为了获得更加准确的血管形态，我们对造影图像和掩膜图像进行匹配减影，然后再从减影图像中分割血管，实验结果表明这样分割得到的血管较直接从造影图像分割得到的血管更加准确。     

基于支持向量机的颈动脉超声图像内中膜厚度测量

为解决人工标定的繁琐、非客观等问题,本文提出一种基于支持向量机的全自动分割算法。该算法采用K-means对图像像素进行聚类,根据聚类结果和聚类中心对图像进行标准化处理,并进行图像分割提取感兴趣区域。根据训练样本训练支持向量得出分类模型,将感兴趣区域的像素分为边界点和非边界点。然后将边界点再次分类为管腔-内膜边界点和中膜-外膜边界点。最后采用启发式搜索对分类结果进行甄别,去除错分类的像素点。本文采用80幅颈动脉超声图像进行实验,比较实验结果与金标准,内中膜厚度平均绝对误差为(46.08±23.50)μm,平均每幅图像处理时间为0.88 s。实验结果表明全自动分割算法具有快速、全自动等特点,测量结果与金标准具有较高的一致性,能满足临床应用的实际要求。     

基于活动轮廓模型的B超乳腺肿瘤图像分割

乳腺良、恶性肿瘤在形态上存在较大差异,其形态学变化可以作为临床医生判断的重要依据.目前临床广泛使用的超声成像系统采用的是基于阈值的分割方法 或医生手动的分割方法,这对大多数灰度差异不显著的B超图像分割效果不好.本文采用基于形变模型的图像分割算法来分割肿瘤区域,并对自动snake算法做了一些改进,实验结果 表明该算法适用性好,分割结果 接近自然边界,且对B超图像固有的斑点噪声不是很敏感,较好实现了乳腺肿瘤区域的交互式半自动提取.     

基于痧象的脏腑功能失调预警方法

目的 在痧象临床研究中,医生可以通过观察背部脏腑穴位区域的痧象进行脏腑功能失调预警.传统的脏腑功能失调预警主要基于医生对背部脏腑穴位区域模糊定位来实现,面对较多的区域,无论是定位还是识别都需要花费很多时间,影响工作效率.利用相机采集的图像有一些杂乱的背景,影响痧象图像在电子病历中的规范化存储.针对此问题,本文提出一种基于图像处理与模式识别技术的痧象分析方法,进行脏腑功能失调预警,辅助医生进行诊断以及规范化存储痧象图像.方法 采用基于两点的Grabcut算法进行背部图像的校正、分割、脏腑穴位区域定位,分别用支持向量机(support vector machine,SVM)、Alexnet、Alexnet算法基础上修改的卷积神经网络(convolutional neural networks,CNN)对脏腑穴位区域进行痧象识别.结果 基于两点的Grabcut算法可以实现背部图像的校正、分割以及脏腑穴位区域定位.相比于SVM、Alexnet,在Alexnet算法基础上修改后的CNN对痧象识别率最高,达到了99.83％,可进行痧象识别,从而快速进行脏腑功能失调预警.结论 该方法对进行脏腑功能失调预警具有一定的实际应用价值.