序列颅脑CT图像颅腔内结构自动化提取及分割

目的自动化提取和分割序列颅脑CT图像颅腔内结构。方法本研究首先利用颅脑CT的解剖学结构,基于区域生长法和形态学方法提取出序列颅脑CT颅腔内结构。然后针对应用EM（期望最大化）算法分割图像时,初始值选取难点,提出了一种改进的基于参数受限高斯混合模型的EM分割算法,实现了对颅内结构的有效分割。结果实验结果表明,该算法能够实现从颅底到颅顶的所有CT图像颅腔内结构的计算机自动化提取和分割,结果准确。结论本文算法在绝大多数情况下是有效的。     

基于非齐次Markov随机场的无监督图像分割新算法

提出了一种基于非齐次Markov随机场(MRF)的图像分割算法,并运用模糊空间元素的模糊相似度模型,估计非齐次MRF的参数,改进了传统的基于齐次MRF的图像分割算法.通过对模拟脑部MR图像和临床脑部MR图像分割实验,表明该算法比传统的基于齐次MRF的图像分割算法和模糊C-均值等图像分割算法具有更精确的图像分割能力,并且运算简单、运算速度快、稳健性好.     

测地线主动轮廓模型的改进及其医学应用

测地线主动轮廓模型（geodesic active contour）是医学图像分割方法中的最重要内容之一。传统的测地线主动轮廓模型通过高斯平滑的图像预处理使得图像边缘信息模糊甚至消失,以致初始曲线轮廓沿着目标边界逼近的演化过程不稳定,收敛速度慢,分割效果不好。提出基于贝叶斯收缩阈值的小波去噪方法的新测地线模型,由于该去噪方法能在去除噪声的同时,结合噪声与图像信号在频率上的分布特性,增强图像信号细节,从而使能初始轮廓曲线更精确的停止于图像边缘,收敛速度也得到一定程度的提高。     

血管内超声斑点的概率模型建立及应用

超声斑点是由人体组织中散射体的反射信号相干作用所形成的,其概率分布与生物组织的结构信息密切相关,即不同的组织结构所产生斑点的概率分布形式不同.根据血管内超声(IVUS)斑点的概率分布特性,本文提出用斑点的伽马混合模型和高斯混合模型分别描述血管内超声组织中的钙化斑块、软斑块和正常血管区域.通过KS检验,KL散度和相关系数等指标分析,发现钙化斑块和正常血管区域的斑点概率分布符合高斯混合模型,而软斑块更接近伽马混合模型.在此研究基础上,本文提出一种结合邻域信息的概率混合模型,用于IVUS图像斑块分割,与现有的概率混合模型比较,分割精度大大地提高,且受噪声影响减少.     

利用Gibbs距离图Snake模型分割医学图像

目的 提出利用Gibbs距离图Snake模型分割医学图像的算法.该方法能克服医学图像周有的噪声和伪边缘干扰,收敛到正确的目标轮廓.方法 首先推导Gibbs形态学梯度,然后提出基于Gibbs形态学梯度的距离图Snake模型的医学图像分割方法.结果 本文所提出的算法克服了传统距离图Snake模型的上述缺点.结论 本文所提出的方法分割结果鲁棒性好,分割过程无须人工干预,适合应用于临床医学图像分割.     

一种基于高斯混合模型的快速水平集图像分割方法

水平集方法(LSM)图像分割的本质是求解一个随时间变化的偏微分方程,而使用变分法求解此水平集方程(LSE)往往要耗费过多的计算时间。为了减少算法的运行时间,提出了一种快速水平集图像分割算法。该算法在模糊聚类水平集方法(FCM-LSM)的基础上使用高斯混合模型(GMM)改造其隶属度损失函数,并利用离散网格Boltzmann方法(LBM)求解水平集方程。实验结果表明:本文提出的算法无论是在执行效率上还是在分割效果上都优于传统方法,证明了算法的可行性。     

基于贝叶斯网络高斯混合模型医学图像检索的研究

结合医学影像诊断的实际情况,提出一种基于贝叶斯网络高斯混合模型的医学图像检索方法。算法首先引入条件高斯模型,将连续变量模糊离散化,再利用贝叶斯网络对医学图像进行语义建模,并最终完成基于内容的图像检索。实验采用医学图像库中的CT和MRI影像样本进行仿真,仿真结果显示,这种方法是有效的,可以满足医生的一般需要。     

改进FCM算法在颅脑磁共振图像分割中的应用

模糊C均值（FCM）聚类算法广泛应用于医学图像分割中,但该算法在分割低信噪比图像时,会产生较大的偏差。为解决这一问题,本文提出一种改进的FCM算法,充分考虑相邻像素之间的影响,对FCM的目标函数做一定的修改。实验表明,该算法与FCM算法相比,既能有效分割图像,又对低信噪比图像具有很好的分割效果。     

基于多层图和紧凑性的显著性检测算法

针对传统的自底向上的显著性检测模型突出背景、前景区域不均匀以及显著目标位于图像边缘致使检测效果差等问题,提出了一种基于多层图和紧凑性的显著性检测模型。首先,将图像过分割为超像素,在超像素基础上结合图像块层和聚类层构建多层图模型,能够有效检测不同尺度的图像并获得均匀的显著区域。然后,基于紧凑性假设建立紧凑性模型,并采用元胞自动机优化。根据超像素的紧凑性筛选出可靠的前景种子点和背景种子点,基于多层图模型利用流行排序算法分别计算基于前景种子点和背景种子点的排序分数,从目标和背景的角度结合两种排序分数得到显著图。最后,对显著图进行滤波获得光滑的前景和背景区域,得到最终显著图。在常用的数据集MSRA-1000和ECSSD上与9种流行算法进行比较,实验结果表明该算法具有较高的准确率和召回率。     

基于模糊核聚类的MR图像分割新算法

在传统的模糊聚类算法中引入了核函数,同时引入了控制邻域作用的约束项,提出了改进的基于模糊核聚类的MR图像分割新算法.通过对模拟图和仿真的脑部MR图像的分割实验,证明本算法可以有效地分割含有噪声的图像.     

应用蠕虫模型自动分割医学图像的研究

目的将人工生命的原理应用于图像自动分割,提高图像分割的准确性。方法构造了一种具有初步生命特征的可变形模型——蠕虫模型。该模型由4种参数进行约束,是由若干节点组成的中线结构。结果该蠕虫模型可以将胼胝体从二维MR矢状位图像中自动地完整地分割出来。结论该模型能综合利用多种信息进行图像分割,具有常规图像分割方法不具备的能力。对于边界有间断的较复杂的图像,本模型的优势更加明显。     

改进的KNN算法及其在医学图像处理中的应用

目的利用最近邻KNN算法对MR图像分割时，要靠人的经验从图像中选出部分像素作为训练样本，本文就是为了减少人的劳动并且使算法自动进行。方法用速度快的k-均值聚类算法得到的聚类中心作为参考，将与之相近的部分像素作为训练样本。此外，在应用KNN方法前，还利用边界跟踪法剔除人脑MR图像中颅骨和肌肉等非脑组织，避免非脑组织对大脑结构分割的干扰。结果能较好地将MR图像分割出脑白质、灰质、脊髓三部分图像。结论实验表明，改进的KNN方法减少了对人工的参与，并且取得了很好的分割效果。     

Brain MR Image Segmentation with Spatial Constrained K-mean Algorithm and Dual-Tree Complex Wavelet Transform

In brain MR images, the noise and low-contrast significantly deteriorate the segmentation results. In this paper, we propose an automatic unsupervised segmentation method integrating dual-tree complex wavelet transform (DT-CWT) with K-mean algorithm for brain MR image. Firstly, a multi-dimensional feature vector is constructed based on the intensity, the low-frequency subband of DT-CWT and spatial position information. Then, a spatial constrained K-mean algorithm is presented as the segmentation system. The proposed method is validated by extensive experiments using both simulated and real T1-weighted MR images, and compared with the state-of-the-art algorithms.     

Improved Fuzzy Clustering Algorithms in Segmentation of DC-enhanced breast MRI

Segmentation of medical images is a difficult and challenging problem due to poor image contrast and artifacts that result in missing or diffuse organ/tissue boundaries. Many researchers have applied various techniques however fuzzy c-means (FCM) based algorithms is more effective compared to other methods. The objective of this work is to develop some robust fuzzy clustering segmentation systems for effective segmentation of DCE - breast MRI. This paper obtains the robust fuzzy clustering algorithms by incorporating kernel methods, penalty terms, tolerance of the neighborhood attraction, additional entropy term and fuzzy parameters. The initial centers are obtained using initialization algorithm to reduce the computation complexity and running time of proposed algorithms. Experimental works on breast images show that the proposed algorithms are effective to improve the similarity measurement, to handle large amount of noise, to have better results in dealing the data corrupted by noise, and other artifacts. The clustering results of proposed methods are validated using Silhouette Method.     

颅脑MRI图像模糊聚类分割算法中模糊聚类数的讨论

目的探讨颅脑MRI图像模糊聚类分割算法中最佳模糊聚类数。方法利用VC 编程读取DICOM格式的MRI图像,然后运用模糊聚类分割技术对50幅图像在不同的模糊聚类数参数下进行处理,进行对比分析。结果当模糊聚类数为5～6时,模糊聚类有效性函数最小,图像处理的效果达到最佳水平。结论进行颅脑MRI图像模糊聚类分割时,模糊聚类数应取5或者6。     

基于非线性各向异性散布滤波器的磁共振颅脑图像的分割方法

目的：介绍一种有效的分割磁共振颅脑图像中的大脑结构的方法,方法它是一个多步处理过程,首先,粗略地勾画出磁共振颅脑图像中的大脑结构作为感兴趣区;其次,对感兴趣区进行各向异性散布滤波处理;然后,对滤波图像进行二值化处理作为图像模板;最后,利用该模板模原始图像中提取出大脑结构。结果该方法能有效地分磁共振颅脑图像中的大脑结构。结论利用 基于非线性各向异性散布滤波器的图像育很好从磁共振颅脑图像中分割出大脑结构,该算法具有很强的鲁棒性稳定性。     

MRI Brain Images Classification: A Multi-Level Threshold Based Region Optimization Technique

Medical image processing is the most challenging and emerging field nowadays. Magnetic Resonance Images (MRI) act as the source for the development of classification system. The extraction, identification and segmentation of infected region from Magnetic Resonance (MR) brain image is significant concern but a dreary and time-consuming task performed by radiologists or clinical experts, and the final classification accuracy depends on their experience only. To overcome these limitations, it is necessary to use computer-aided techniques. To improve the efficiency of classification accuracy and reduce the recognition complexity involves in the medical image segmentation process, we have proposed Threshold Based Region Optimization (TBRO) based brain tumor segmentation. The experimental results of proposed technique have been evaluated and validated for classification performance on magnetic resonance brain images, based on accuracy, sensitivity, and specificity. The experimental results achieved 96.57% accuracy, 94.6% specificity, and 97.76% sensitivity, shows the improvement in classifying normal and abnormal tissues among given images. Detection, extraction and classification of tumor from MRI scan images of the brain is done by using MATLAB software.     

基于非线性各向异性散布滤波器的磁共振颅脑图像的分割方法

目的介绍一种有效的分割磁共振颅脑图像中的大脑结构的方法。方法它是一个多步处理过程,首先,粗略地勾画出磁共振颅脑图像中的大脑结构作为感兴趣区;其次,对感兴趣区进行各向异性散布滤波处理;然后,对滤波图像进行二值化处理作为图像模板;最后,利用该模板从原始图像中提取出大脑结构。结果该方法能有效地分割出磁共振颅脑图像中的大脑结构。结论利用基于非线性各向异性散布滤波器的图像处理技术能很好地从磁共振颅脑图像中分割出大脑结构。该算法具有很强的鲁棒性和稳定性。