基于数学形态学人脑MR图像感兴趣区域的提取

背景:在人脑MRI图像中感兴趣区域提取中,应用数学形态学方法取得了较好的效果,但是在抗噪性能和结构元素选取时存在一些不足之处,使得提取效果有缺陷。目的:在数学形态学的基础上,采用一系列改进的数学形态学方法,以期清晰完整地提取人脑MR图像中的感兴趣区域如脑脊液部位,为医学诊断提供准确信息。方法:首先采用复合形态学滤波去除脉冲和高斯噪声,用高低帽变换进行图像增强,然后用形态分水岭阈值分割提取脑部各成分,对分割出的脑脊液图像进行形态开闭滤波、边缘跟踪和灰度填充后,运用抗噪型边缘检测算子检测出清晰完整的脑脊液区域边缘,最后在原图像中用彩色标定,突出感兴趣区域。结果与结论:综合应用多种数学形态学算法,清晰完整地提取了人脑MRI图像中的感兴趣区域——脑脊液部位。经验证,该方法具有简单、快速、精度高、适用性强等特点。     

一种结合FCM的Mumford-Shah混合模型MR图像分割方法

为了实现MR图像中多目标感兴趣区域的提取,提高MR分割精度。提出一种在Mumford-Shah混合模型中耦合模糊C均值聚类（FCM）的MR图像分割方法。首先,采用FCM对图像进行预分割,解决初始零水平集曲线的定位问题;其次,在Mumford-Shah混合模型的保真项中耦合感兴趣区域的FCM信息。所提取方法对脑白质、脑灰质、脑室平均重叠率分别为76.05%、72.61%和71.18%,而使用FCM方法分别为64.77%、62.38%和60.79%。实验结果表明：与FCM区域信息结合的Mumford-Shah模型在MR图像分割处理中有较高的分割精度与抗噪声能力。     

基于支持向量回归的PET/CT图像衰减校正方法

目的在电子发射及计算机断层扫描系统(positron emission computed tomography/X-ray computed tomography,PET/CT)图像衰减校正的能量转换过程中,为了改进双线性转换法用线性关系来拟合非线性关系的不足,本文以支持向量回归为基础,提出了一种新的能量转换法即支持向量回归的PET/CT图像衰减校正方法来进行衰减校正,以寻找CT值和511 keV能量下线性衰减系数值之间的最佳转换关系。方法使用仿真软件GATE(Geant4 Application Tomographic Emission)模拟了11组不同材质的圆柱体体模。然后根据GATE仿真的不同材质圆柱体体模,求出其CT值和511 keV能量下线性衰减系数值并代入SVR模型中进行训练,建立CT值和511 keV能量下线性衰减系数值之间的SVR模型。最后与目前PET/CT衰减校正能量转换中常用的双线性能量转换法进行对比分析,并分别应用于GATE仿真的NCAT(NURBs Cardiac Torso)像素体模图像中,评估两种方法准确性的差异。结果支持向量回归的PET/CT图像衰减校正方法得到的511 keV能量下对应物质的线性衰减系数值的相对百分误差值较小(肺的相对百分误差值3.1%和肝脏的相对百分误差值1.08%),且经过支持向量回归法衰减校正的PET图像,其MSE评价值都是最小的(176.9230),其PSNR和AG的评价值都是最大的(31.8621和7.9083)。这说明经过支持向量回归法衰减校正的PET图像相比于双线性转换法衰减校正的PET图像,更接近于静态的图像。结论支持向量回归的PET/CT图像衰减校正方法在PET/CT图像的衰减校正应用中有更好的表现,可以更好地吻合CT值与511 keV能量下线性衰减系数之间的转换关系,从而提高了PET/CT图像的衰减校正效果,改善了PET/CT图像定量的准确性,便于医生做出更精确的临床诊断。     

乳腺肿瘤超声图像中感兴趣区域的自动检测

由于斑点噪声、伪影以及病灶形状多变的影响,乳腺肿瘤超声图像中肿瘤区域的自动检测以及病灶的边缘提取比较困难,已有的方法主要是由医生先手工提取感兴趣区域(ROI)。本研究提出一种乳腺肿瘤超声图像中感兴趣区域自动检测的方法,选用超声图像的局部纹理、局部灰度共生矩阵以及位置信息作为特征,采用自组织映射神经网络进行分类,自动识别乳腺肿瘤区域。对包含168幅乳腺肿瘤超声图像的数据库进行识别的结果表明:该方法自动识别ROI的准确率达到86.9%,可辅助医生提取肿瘤的实际边缘以及进一步诊断。     

结合水平集和区域生长的脑MR图像分割

本文提出了结合改进的水平集和区域生长方法实现脑MR图像分割,并根据不同组织成像特征和组织结构特点采用不同算法分割进行了探索.主要步骤:首先用改进的水平集算法实现图像中骨组织和脑脊液(CSF)的提取;然后,依据直方图确定脑灰质(GM)、脑白质(WM)的近似灰度值,自动定位种子点后进行区域生长,实现脑灰质和脑白质的分离.实验结果表明,该方法充分利用了脑MR图像中的区域信息和边界信息,与传统单一算法分割脑MR图像相比,具有更强的鲁棒性和准确性.     

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NSST变换和PCNN的医学图像融合方法

目的:融合PET/CT/MRI医学图像,使结果图像尽可能包含更多边缘和纹理特征等信息,以更好地区分病变、肿瘤与正常组织器官,为疾病诊断提供更多的有用信息。方法:提出一种基于非下采样剪切波变换(NSST)和脉冲耦合神经网络(PCNN)模型的融合方法。首先,根据图像局部区域能量和,对图像NSST低频系数进行加权融合;然后,根据PCNN神经元的点火次数,选择图像NSST高频方向系数;最后,通过逆NSST变换,得到融合后的图像。结果:分别对7组MRI/PET和CT/PET图像进行融合实验,其结果图像具有很好的视觉效果,且在互信息、边缘相似性、梯度相似性及空间频率4个指标综合评价中较其它算法更优。结论:本方法可以自适应捕获边缘和纹理信息,具有良好的融合效果。     

交互式GACV模型的肿瘤图像分割

目的:提取医学图像中肿瘤区域,用以测量肿瘤体积问题。方法:提出一种基于GACV(Geodesic-Aided C-Vmethod)的交互式模型。该模型首先人工选取感兴趣区域,并在区域内设定初始水平集与肿瘤内部种子点,然后在感兴趣区域上应用将图像梯度边缘信息与图像区域灰度特性统一到同一分割中的GACV模型,得到肿瘤的粗分割结果。最后为去除目标内外孔洞,提出一种无损边缘的膨胀搜索算法,作为细分割。结果:将该模型应用于不同形状的肿瘤图像中,能成功检测肿瘤轮廓。通过实验与其它活动轮廓分割方法结果对比,结果显示该模型在准确分割肿瘤边界与分割算法耗时方面均具有良好表现。结论:本文提出的分割方法能高效率、准确识别肿瘤区域。     

基于PET/CT图像纹理参数的肺结节诊断模型

目的基于PET/CT融合图像纹理参数建立肺结节良恶性诊断模型,提高肺癌的识别率。方法选取宣武医院核医学科经PET/CT检查的52例肺结节患者,收集其PET/CT影像图像及人口学、影像学信息。以Contourlet变换和灰度共生矩阵相结合的方式,对PET/CT图像的感兴趣区域提取纹理参数。基于所提取的纹理参数建立支持向量机模型,得到每个肺结节良恶性判别结果。为了提高模型的诊断效果,将结节边缘、最大摄取值、有晕征等影像学信息也纳入模型,重新建立支持向量机模型。通过灵敏度、特异度、正确率等指标对模型诊断效果进行评价。结果纹理参数肺结节诊断模型的灵敏度、特异度分别为90.7%、93.5%,纹理参数结合影像学信息的肺结节诊断模型的灵敏度、特异度分别为95.7%、100.0%。结论基于PET/CT图像纹理参数建立的支持向量机模型对良恶性肺结节具有较好的鉴别诊断效果。     

基于PET/CT探测环真光子数呼吸运动门控的研究

呼吸运动是导致PET/CT胸腹部成像质量下降的主要原因,探寻一种行之有效的方法来降低呼吸运动对PET/CT成像质量的影响,在临床上对疾病的诊疗显得尤其重要。提出一种基于探测环真光子数的呼吸运动门控方法来提高PET/CT胸腹部诊断图像质量,利用PET探测环真光子数分布会随着体模的运动而发生相应变化的特征来对原始数据进行呼吸运动门控处理。采用GATE软件仿真PET/CT成像的过程,分别使用几何体模和像素体模(NCAT)仿真肺部在PET/CT扫描过程中的运动。然后,使用提出的方法门控仿真扫描数据,并重建出三维图像。相对于运动模糊图像,门控图像目标区域的形状、大小和位置等方面更接近于静态图像。在冠状面上,门控图像质量优于运动模糊图像,其图像结构相似度(SSIM)分别提升5%、3%、9%;对于矢状面的line profiles,门控图像与静态图像接近,优于运动模糊图像。结果表明,所提出的方法能有效减少PET/CT图像的呼吸运动伪影,使肺部肿瘤的形状、大小和位置接近静态图像,并且有效地克服目前一些校正方法的局限性。     

基于MR图像的脑转移瘤计算机辅助检测

根据脑转移瘤在早期诊断过程中存在的问题,提出基于3D模板匹配的脑转移瘤计算机辅助检测方法.首先,建立合适的脑转移瘤模板;然后,在MR序列图像数据中寻找与模板相似的区域,相似度较高的区域很可能就是脑转移瘤.选取脑转移瘤为8 mm以下的12个病例(共有27个脑转移瘤)对本方法进行测试,其总体检测正确率达到81.5%,假阳性率为每层图像0.037 8个.实验结果表明,所提出的方法能为脑转移瘤的早期诊断奠定良好的基础.     

一种基于多尺度分析的CT图像边缘检测方法

为了准确提取CT图像中解剖组织几何形态特征,提出了一种基于多尺度分析的CT图像边缘检测方法。本文应用多尺度分析中含有尺度因子的平滑函数的负导数作为小波,对CT图像实施小波变换,并检测小波变换的模局部极大值,完成基于模局部极大值的解剖组织轮廓特征表达。本文还讨论了一种模局部极大值点的简单筛选方法,针对CT图像噪声较大的特点,以模局部极大值的均方根乘以一个与尺度有关的因子作为模局部极大值的阈值,在不同尺度上获得了清晰的边缘信息。阈值处理后的模局部极大值图表明,不同尺度下的边缘检测能给出大小不同的物体的边缘信息。本方法能在有效抑制噪声的基础上,准确提取感兴趣解剖组织的几何轮廓特征。     

脑梗塞患者MR图像分割的研究

目的研究一种可实现脑梗塞患者MR图像脑组织分割的算法.方法根据脑梗塞患者MR图像中脑组织的区域和边缘的特性,对传统水平集算法进行改进,实现了对特定目标体分割的能力,降低了边界泄漏发生的可能性.结果通过体膜和大量脑梗塞患者MR图像实验和SPM5对比,实验证实了改进算法对MR图像分割的准确性和鲁棒性. 结论该算法为脑梗塞患者的脑图像分析和脑组织测量提供了一种有效的分割方法.     

基于非下采样轮廓波变换的多模态医学图像融合

由于基于小波变换的图像融合方法仅在水平、垂直、对角线三个方向对图像的高频信息进行分解,易造成图像轮廓的不连续性,而基于非下采样轮廓波变换(NSCT)的融合方法能够对图像中的高频信息进行多方向分解。本文基于NSCT对多模态医学图像进行融合,以区域能量平均加权法作为NSCT变换后低频子带的融合规则,区域能量中心加权作为高频内层带通子带的系数融合规则,外层带通子带则采用区域能量最大的系数融合规则。通过对精确配准的头部PET、CT、MR图像的融合实验,借助清晰度、信息熵、联合熵等指标进行客观评价,‘prewitt’算子提取融合图像的边缘信息进行主观评价,验证该算法在视觉效果、信息含量、实时性和长轮廓表达上的优势。相较于其他文献中提出的算法,本文算法得到的融合结果信息丰富程度提升约7%、清晰度提升约31.7%、程序运行时间缩短一半,应用前景可观。     

基于解剖自适应的非局部先验贝叶斯PET图像重建

将配准的解剖图像作为先验信息指导PET图像重建已有广泛的研究.基于非局部均值(nonlocal means)滤波和解剖图像的区域信息,提出一种解剖自适应的非局部先验(anatomically adaptive nonlocal prior,AANLP)模型.新模型中的信息来自一个较大的非局部邻域内灰度值的加权差,其权值通过计算两个像素的相似性获得.权值参数通过利用解剖图像的区域信息进行自适应迭代估计.在PET图像的重建过程中,AANLP模型自适应地用于每一个解剖区域.构建两步式重建策略,用于图像重建和参数估计.仿真数据重建结果表明,AANLP具有很好的保持边缘效果,并且能鲁棒地产生最高的病灶对比度.     

基于非线性反锐化掩膜的DR图像边缘增强

目的:对数字化X线摄影图像(DR)进行边缘增强处理能为临床医生提供更丰富的诊断信息,对帮助临床医生诊断疾病,特别是发现早期病灶具有重要的意义。为此,本文提出了一种基于非线性反锐化掩膜的DR图像边缘增强算法。方法:首先,应用S型曲线调整图像的对比度和亮度,扩展图像的有用信息,提高图像对比度,以突出感兴趣区域;然后,使用非线形反锐化掩模进行边缘增强,根据图像的灰度特性来调节具有增强作用的加权因数,可非线性地增强影像的边缘细节。结论:本文利用非线形反锐化掩模对DR图像进行了边缘增强,突出了图像的边缘细节,为临床诊断提供了实用的边缘增强效果。     

基于小波变换的多分辨率医学图像融合

多模医学图像融合在医学图像分析和诊断上具有极为重要的应用价值。本文采用了基于小波变换的多分辨率分析对人脑MRI PET图像进行了融合。结果表明此方法能够充分有效地将解剖信息与功能信息集成在一起 ,并保留原始图像的边缘和纹理特征 ,具有广阔的应用前景     

基于混合水平集的脑胶质瘤分割方法

全面考虑脑胶质瘤分割图像的边界信息和区域信息,在水平集的基础上,将基于边缘检测的活动轮廓模型(GAC模型)和局部图像拟合模型(LIF模型)相结合,提出一种混合水平集的分割方法。首先,对脑胶质瘤MR图像进行预处理,采用C-V模型提取脑组织;然后,创建混合水平集模型,对脑组织图像中的脑胶质瘤进行分割。实验证明,本研究的分割方法可以简化水平集符号距离函数的正则化过程,并且可有效克服GAC模型在弱边缘或离散边缘处产生的边界泄漏的问题,从而取得较好的分割结果。     

基于最佳截断嵌入码块编码和离散小波变换的医学图像复合压缩算法

根据医学图像信息相对集中的特点,提出了一种基于最佳截断嵌入码块编码和离散小波变换的医学图像任意形状感兴趣区域复合压缩方法,通过对图像感兴趣区域和背景区采用不同的编码方式,提高了医学图像压缩比,并确保了医学图像感兴趣区域的高质量重建。实验表明:该方法在重建图像质量和压缩比方面均达到了较好的性能。     

基于MR图像的三维容积测量评价胎儿颅脑发育

目的探讨基于正常胎儿和脑室增宽胎儿MRI三维脑容积测量来评估孕期胎儿脑发育情况的价值。方法回顾性分析我院2015～2019年临床超声检查怀疑侧脑室增宽的胎儿及因各种原因脑部显示不清的胎儿脑MR图像共165例,根据侧脑室宽度分为正常组83例和侧脑室增宽组82例,人工分割图像后,对胎儿颅内组织包括大脑实质、脑室、小脑、脑干及脑脊液进行三维重建,计算不同孕周胎儿脑各解剖结构的容积变化,建立胎儿脑容积孕期正常值范围。结果两组中,妊娠期间所有脑容积均随孕周增加。与正常组相比,脑室增宽组所有结构的脑容积均没有显著性差异。正常组大脑实质、小脑、脑干、脑室及脑脊液容积同孕周的Pearson相关系数分别为ρ=0.931,0.942,0.859,0.625,0.855。除脑室外,其余脑结构的容积与孕周和双顶径均高度相关。结论正常胎儿脑容积的MR评价可以为产科医生评估胎儿脑部发育情况提供更多的参考数据,避免误诊及漏诊情况发生,可在临床进行推广应用。未来需要更多的研究来评估与长期预后相关的放射学指标。