智能肝肿瘤CT图像分割

提出了一种智能肝肿瘤CT图像分割的新方法.该方法将医学专家的高层知识融合到图像分割算法中,使算法具有智能性,能够更加准确、快速地实现分割.根据医学图像分割不同阶段的特点以及不同算法的适用性,结合了多尺度分水岭变换与模糊聚类方法,从总体上达到最佳效果.将图像空间信息引入传统的基于灰度的模糊C均值聚类算法中,对传统的模糊C均值聚类算法的目标函数进行修正,推导出修正后算法的迭代公式,并证明了迭代的收敛性.对实际CT肝肿瘤图像的分割实验结果验证了所提方法的有效性.     

一种非规则三维实体重建算法及其在医学骨图像分析中的应用

本研究提出了一种由断层面切片进行三维实体表面重建的改进方法 ,它将划分曲面、立体建模与传统的划分三角形法和局部特征匹配相结合。该方法通过在划分三角形系统中加入曲线匹配过程 ,以生成物体的垂直轮廓线 ,从而改善了Tagare等人[1] 提出的三角平面建模技术。三维物体的立体建模是通过轮廓网格产生的。实验结果表明 ,我们的建模系统比传统的划分三角形方法可以生成更精确、细致的图像 ,同时能以精细的分辨率观察三维几何特征和进行更方便、准确的三维测量     

一种基于三维约束的医学图像序列分割新方法

基于三维图像具有三维平滑、连续变化等特性,提出一种新的医学图像序列分割方法.该方法在计算过程中,只需手动设置第一幅图中主动形变模型的关键点位置.在其他图像中,首先采用预测和视频运动估计中常用的块匹配法优化主动轮廓模型的初始化位置,然后采用偏三维约束和梯度矢量流(GVF),从初始化位置开始在图像中进一步迭代收敛得到每幅图像中的最终轮廓位置.在一般的二维平滑基础上.达到三维平滑、三维分割的作用.与光流法、一般预测法等方法的实验结果相比,本方法可以显著提高分割的准确性及速度.     

MR脑肿瘤图像分割与矩特征研究

目的 对MR脑肿瘤图像进行分割,并对分割的结果进行矩描述.方法 在分析当前常用的医学图像分割方法的基础上,提出一种基于形变模型的医学图像分割方法,并给出了相应的理论算法模型和实现步骤,最后用Visual C 6.0编程,并对MR脑肿瘤图像进行分割实验.结果 本文分割方法分割边界清晰,总体不确定性较小.结论 本文分割方法切实可行,分割效果较好,为进一步的MR脑肿瘤图像分析和研究提供了一种有效工具.     

一种断层图像间复杂轮廓的三维重建方法

提出了一种新的断层图像间复杂轮廓的三维重建方法。该方法基于空间距离、几何相似性和重建三维表面平滑性的准则,较好地解决了一对一和一对多分叉轮廓的匹配问题。在单轮廓匹配过程中,结合几何距离最近和双向最近邻相似准则,避免了其它算法中对阈值敏感的问题,提高了匹配的准确性和自动化程度。在一对多的分叉轮廓匹配中,区分不同的情况以进行不同的处理,得到了较满意的三维重建结果。