基于密集特征匹配的胸片肺野自动分割

目的X线胸片中肺野的准确分割是胸片图像自动分析的必要步骤。本文采用局部特征的密集匹配和标号融合进行胸片
肺野的自动分割。方法对于输入的待分割胸片,基于每个像素点提取密集SIFT描述子和图像块作为局部特征,采用密集匹配
直接在整个参考图像特征集合中快速搜索近邻;密集匹配分为受限的随机初始化、近邻场传播和受限的随机搜索三步,并数次
迭代后两步。利用匹配得到的近邻场,提取标号图像块并进行加权,权重为匹配的相似度,最后重组为肺野的概率图,经阈值化
处理即可得到肺野的分割。结果在公开的JSRT胸片图像数据集上进行测试,本文方法的Jaccard指标可达95.5%。结论利用
局部特征的密集匹配和标号融合能取得准确性高且稳定的胸片肺野分割效果,并且优于当前最好的胸片肺野分割方法。
     

基于多权重概率图谱的脑部图像分割

目的探讨有效地利用图谱的先验信息和待分割图像的灰度与结构信息,得到光滑、准确的分割结果的脑部图像分割方
法。方法利用配准的局部相似性测度、标号图像的距离场、待分割图像的自相似性计算多权重概率图谱,然后对多权重概率图
谱进行阈值处理得到最终的分割结果。通过配准的相似性测度加权,保证概率图谱计算的准确性;利用标号图像的距离场加
权,引入图谱标号图像提供的位置先验信息;经过待分割图像的自相似性加权,引入了待分割图像提供的灰度与结构信息。结
果对大量脑部MR图像中的海马进行分割实验,并与国际上主流的分割算法进行了比较,对左海马的分割精度提高到87%,对
右海马的分割精度提高到87.5%。结论基于多权重概率图谱的脑部图像分割能有效的提高分割精度。
     

一种快速去除CT环形伪影的方法

目的为快速有效去除CT图像中的环形伪影,本文提出一种基于图像重建后处理的CT环形伪影去除改进方法。方法首
先对CT图像从直角坐标系转换成极坐标系,其后对极坐标系下的图像进行滤波,设计一维滤波器,计算每个像素滤波后均值以
及方差,通过对计算的方差与方差阈值比较以及该像素点的像素值与像素值阈值比较双重精确确定伪影点位置,并对伪影点进
行合理的修正。最后将校正完毕的极坐标图像转换为直接坐标图像。结果仿真和实际CT图像实验表明,本方法在伪影去除、
图像保真和计算时间等方面均取得了很好的效果。结论本文提出的方法能够准确识别伪影点位置并有效去除伪影信息,其处
理速度能够满足临床要求。
     

一种改进的自适应谱聚类图像分割算法

摘要：目的提出一种改进的自适应谱聚类图像分割算法,该算法能自动选择出最优尺度参数从而提高谱聚类算法分割的准确
率。方法利用约束条件优化相关准则函数,对相似度量函数自动学习迭代并得到最优尺度参数,再运用基于Nyström 估计的
谱聚类算法得到最后的图像分割结果。选择对不同性质的纹理图像采用适合的相似度量函数并应用本文的算法进行图像分
割,最后与k-均值算法和预分割后再使用人工调整到最优参数的谱聚类算法的分割结果进行了比较。结果这种改进的自动选
择最优尺度参数的谱聚类算法在分割效果上较其它两种聚类算法能得到更好的分割结果。结论本文提出的改进方法,能使谱
聚类算法的图像分割效果更理想。
     

基于引导滤波的多图谱医学图像分割

目的为了有效的利用图谱的先验信息和待分割图像的灰度信息,并在融合标号图像的过程中校正配准引起的误差,得到
光滑、准确的分割结果,提出了一种新的基于引导滤波的多图谱医学图像分割方法。方法本文将多图谱配准与引导滤波相结
合。该方法包含4个部分：第一部分为多图谱配准,通过配准将图谱中存储的形状先验信息映射到待分割图像;第二部为标号融
合,利用配准的相似性作为权重,将形变后的标号图像融合在一起;第三部分为引导滤波,利用引导滤波引入待分割图像的灰度
信息,可以校正配准引起的误差;最后通过阈值处理,得到最终的分割结果。结果对15例脑部MR图像数据中的海马体进行分
割实验,左、右海马体分别达到了86%及87.4%的分割精度,与传统的标号融合算法相比,平均分割精度提升了2.4%。结论本
文方法结合多配谱配准与引导滤波的优势,提高了海马的分割精度,并得到光滑有效的分割精度。
     

快速非局部均值的CT图像去噪算法

针对CT图像的单一色彩性,利用已有的医疗档案图像,提出一种快速非局部均值的图像去噪算法。算法分预处理阶段和
实际处理阶段。预处理阶段采用位置敏感性哈希的数据结构建立图像的样本邻域数据库。在实际处理阶段,利用位置敏感性
的快速检索结果,采用NLM算法进行图像去噪。实验表明,与NLM相比,提出的算法能大大节约计算时间,而且能够有效保存
图像边缘和细节。
     

基于超声粒子图像测速技术的大鼠动脉二维血流速度测量

目的动脉粥样硬化及血栓的形成与动脉管腔内的血流动力学参数变化密切相关。然而,目前普遍应用的超声多普勒成
像技术不能精确测量复杂血流流场信息。二维的动脉血流速度场能为心血管疾病提供重要的临床信息。方法应用超声粒子
图像测速技术,通过B型超声记录超声造影剂粒子图像,获得二维血管全流场的信息。本研究使用5组大鼠数据,计算其左侧颈
动脉的全场血流速度分布,统计3个心动周期的血流速度并与超声多普勒测速方法的结果对比。结果和结论实验结果表明,超
声粒子成像技术测速结果与超声多普勒测速结果相似。超声粒子图像测速方法的结果较超声多普勒的方法结果偏小,平均血
流速度、峰值速度误差为2%~8%和5%~10%。两种测速方法经t检验（P>0.05）无显著的统计学差异。超声粒子图像测速技术
能够无创、实时评估全流场血流动力学变化情况,通过测速可区分不同分组的大鼠。它为进一步探讨狭窄血管中复杂多变的血
流场提供新的影像学方法。
     

扩充型动态楔形板楔形因子的校正方法及跳数计算

目的研究瓦里安扩充型动态楔形板楔形因子计算修正方法,比较楔形野中心点处手工和治疗计划系统计算结果相对测
量结果的剂量/跳数差异。方法对于瓦里安直线加速器的6 MV、10 MV 光子线,使用指形电离室测量水下10 cm处不同动态楔
形野的楔形因子及射野中心点的剂量,采用治疗计划系统计算相应射野的剂量/跳数。使用加速器输出分割模型手工计算射野
的楔形因子,并采用常数因子修正手工计算结果。对手工计算、治疗计划系统计算和测量结果进行比较,分析三种方法下常规
二维治疗计划下动态楔形野的楔形因子和射野中心点跳数的误差。结果以测量结果为标准,校正后,手工计算的楔形因子误
差明显减小。其中,6 MV光子线下,60°楔形角下对称野最大相对误差由4.2%减小到1.3%,非对称野最大相对误差由-4.7%减
小到-1.8%。10 MV所有楔形野相对误差由最大-3.0%降低到1.1%。手工计算跳数与测量结果对比,对称野相应射野跳数计算
相对误差在2%以内,但部分非对称野最大相对误差超过5%。比较治疗计划系统计算结果与测量结果,其最大相对误差小于
1.5%。结论使用常数因子可以有效减小输出分割模型计算楔形因子的误差。对于常规二维治疗计划楔形野的跳数计算来说,
校正后对称野射野中心点的计算结果符合临床治疗要求,但对于射野边缘与等中心最短距离小于4 cm的非对称野来说,需要
使用相应的非对称射野处方剂量计算方法,或者采用测量方法或利用治疗计划系统计算相应的射野跳数。
     

基于加权水平集演变算法的医学图像分割研究

目的本研究提出一种基于局部边缘特征的加权水平集演变算法,并应用于医学图像分割。方法首先,计算演变轮廓内外邻域的图像局部边缘特征;接着,计算演变轮廓邻近轮廓的平均边缘强度和图像梯度向量流场,构造加权函数项;然后,由此构建新的水平集算法能量函数的长度项和区域项,借助偏微分方程求得最小值获得图像目标理想边界。实验图像选用人工合成图像和临床实例图像,不同水平集算法分割性能采用Dice相似性系数。结果视觉分析显示,基于本研究算法获得的图像目标轮廓与真实图像目标区域边界吻合度最高。定量分析显示,基于本研究算法所得分割图像能获得更高的Dice相似性系数。此外,迭代次数较少时,本研究算法即可获得最佳目标轮廓,且增加迭代次数,本研究算法Dice相似性系数变化微弱不溢出。最后,初始轮廓位置不同,其他三种算法所得Dice相似性系数变化较大且低于本研究算法。结论本研究算法较其他水平集算法收敛速度快,对初始轮廓位置敏感度低,稳定性强,是一种可行的医学图像分割算法。     

一种基于图割的交互式脑膜瘤核磁共振图像分割方法

摘要：为实现脑膜瘤核磁共振（MR）图像的精确分割,本文提出了一种新的基于图割的交互式图像分割算法。该方法首先
提取高维图像特征,然后利用加权KNN（K-Nearest Neighbor）分类器估计待分类像素属于肿瘤与背景区域的概率,并构造
新的能量函数;最后采用图割优化方法对能量函数优化求解。对脑膜瘤MR图像的分割实验表明,本方法较基于灰度信
息的图割方法在精度上有明显提高。     

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。     

IFCM Based Segmentation Method for Liver Ultrasound Images

In this paper we have proposed an iterative Fuzzy C-Mean (IFCM) method which divides the pixels present in the image into a set of clusters. This set of clusters is then used to segment a focal liver lesion from a liver ultrasound image. Advantage of IFCM methods is that n-clusters FCM method may lead to non-uniform distribution of centroids, whereas in IFCM method centroids will always be uniformly distributed. Proposed method is compared with the edge based Active contour Chan-Vese (CV) method, and MAP-MRF method by implementing the methods on MATLAB. Proposed method is also compared with region based active contour region-scalable fitting energy (RSFE) method whose MATLAB code is available in author’s website. Since no comparison is available on a common database, the performance of three methods and the proposed method have been compared on liver ultrasound (US) images available with us. Proposed method gives the best accuracy of 99.8 % as compared to accuracy of 99.46 %, 95.81 % and 90.08 % given by CV, MAP-MRF and RSFE methods respectively. Computation time taken by the proposed segmentation method for segmentation is 14.25 s as compared to 44.71, 41.27 and 49.02 s taken by CV, MAP-MRF and RSFE methods respectively.     

基于主动轮廓模型的中耳图像分割

目的使用主动轮廓模型进行中耳图像分割,探讨适合中耳图像分割的方法。方法将传统的梯度外力、梯度加压力及梯度矢量流外力应用于主动轮廓模型,分别对砧骨、锤骨、砧骨和锤骨间的共享狭窄面及鼓膜等图像进行图像分割,比较图像分割的结果,选择收敛速度快、分割结果准确的方法。结果当初始化模型非常贴近边缘时,应用梯度或梯度矢量流外力均获得了较好的分割结果;当初始化模型距离边缘较远时,应用梯度外力分割失败,而应用梯度矢量流外力得到了快速而准确的收敛结果;对于鼓膜图像的分割,应用梯度外力和梯度矢量流外力均易越界,应用梯度加压力得到了较好的分割结果。结论对于简单的图像,梯度外力和梯度矢量流外力均能得到较好的分割结果;对于较复杂及边界凹陷的图像,梯度矢量流外力的分割效果明显好于其他外力;对于纤细图像应用梯度加压力的外力更容易控制模型越界的现象。     

改进的随机游走算法在困难肺结节分割中的应用

目的：为了提高计算机辅助诊断对肺结节良、恶性判断的精度,提出一种新的基于随机游走的肺结节分割方法。方法：首先,采用自适应中值滤波对图像进行平滑处理,消除困难肺结节内部灰度分布不均匀而导致的误分割;然后,将拉普拉斯零交叉点引入到随机游走算法权函数定义中,并根据图像中节点与种子点的距离来对图像进行边缘增强,消除弱边缘的干扰,获得外部特征清晰的肺结节分割结果。结果：与传统图像分割方法相比,该方法实现了三种困难肺结节的精确分割,对肺结节定量、定性分析提供更加准确的客观依据。结论：改进的随机游走图像分割可以有效地对困难肺结节进行精确分割。     

Wavelet-based Multi-resolution Deformation for Medical Endoscopic Image Segmentation

Image segmentation is an essential technique in image analysis. In spite of issues in contour initialization, boundary concavities and high-level computation, active contour models (snakes) are popular and successful method for segmentation among researchers. Segmentation process in snakes consists of calculation of energy and deformation of contour. In this paper, we present a new deformation method for active contour model, multi-resolution deformation based on wavelet ensuring powerful time reduction, high accuracy supported by stable results in convergence of an initial contour to target boundary in medical image segmentation.     

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。     

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。     

基于分水岭及区域增长算法建立一种测量自发性脑出血血肿体积的分割方法

  目的   基于分水岭及区域增长算法建立一种CT图像脑血肿分割方法,以快速准确测量血肿体积,探讨其与临床金标准手动分割结果的一致性,并与临床常用的两种多田公式计算进行比较。   方法   回顾性收集2018年1月–2019年6月由于自发性脑出血于四川大学华西医院神经外科就诊的患者术前152例CT图像,通过随机数字表将其随机分为训练集、测试集和验证集,分别为100例、22例、30例。算法训练及测试采用训练集与测试集的标记结果,验证集采用4种方式——人工手动分割、算法分割（基于分水岭及区域增长算法的分割计算）、多田公式（传统多田公式计算）与精准多田公式（基于3D-slicer的精准多田公式计算）——对出血病灶体积进行测量。将符合研究对象标准的医学数字成像和通信（Digital Imaging and Communications in Medicine, DICOM）资料通过两名高年资神经外科医生进行手动分割脑出血病灶。基于分水岭算法及区域增长算法搭建血肿分割模型以神经外科医生选取的种子点作为增长起点,采用区域灰度差异准则,结合手动分割验证,最终确定符合颅内血肿分割精度要求的区域生长阈值。以人工手动分割为金标准,采用Bland-Altman一致性分析验证其余3种测量血肿体积的方式的一致性。   结果   以人工手动分割为金标准,3种测量血肿体积的方式中,算法分割百分误差最小,差值范围最窄,组内相关系数最高（0.987）,一致性较好,且95%一致性界限（limits of agreement, LoA）最窄。其分割的百分误差在不同血肿体积比较中差异无统计学意义。   结论   基于分水岭及区域增长算法的自发性脑出血血肿分割方法的测量稳定,与临床金标准一致性好,具有一定临床意义,但仍需更多的临床样本予以验证。