基于模糊增强的医学超声图像分割

医学超声图像因对比度较低、形成过程产生的独有的斑点噪声等影响了手动与计算机辅助分析的效果,尤其是影响了计算机定量测量的效果.为了改进超声图像的分割效果,首先要增强超声图像的对比度,本文提出了一种模糊增强算法对超声图像进行显著增强,然后利用马尔可夫随机场与最大后验概率理论对增强后的图像进行分割,得到了比较满意的分割效果.     

超声医学图像滤波和对比度增强新方法

较低的对比度和独有的speckle噪声是影响超声医学图像质量的主要原因,本研究利用各向异性扩散滤波,在去除图像中大量噪声的同时,计算滤波过程中图像信息的丢失,从而得到对比度增强模型中的对比度函数,并利用对比度增强模型达到图像对比度增强的目的。实验结果表明,与滤波后的直方图均衡化后结果相比,不仅能够有效地去除图像中的噪声,也能明显提高图像对比度。因此,本文方法是提高超声医学图像质量的一种有效途径。     

基于双边滤波-距离正则化水平集演化算法的甲状腺超声图像分割

超声图像有斑点噪声,且对比度低、边界模糊,所以甲状腺超声图像分割较为困难。针对此问题,本研究提出一种结合双边滤波(bilateral filters,BF)和改进边缘指示函数的距离正则化水平集演化(distance regularized level set evolution,DRLSE)模型的分割算法。先对甲状腺超声图像进行双边滤波,然后采用改进的DRLSE模型对甲状腺进行分割。通过与采用另外两种边缘指示函数的DRLSE模型对比,本研究提出的BF-DRLSE模型能减少斑点噪声对分割过程的影响,并在明显减少曲线演化运行时间和迭代次数的情况下有效分割甲状腺。     

超声医学图像非线性滤波算法研究进展

超声医学成像方法具有实时、无创、方便等优点，在临床上得到了广泛的应用。但由于超声医学成像机制的限制，超声医学图像质量不高。对图像进行滤波就是为了提高人眼和计算机对图像细节的识别能力。本研究讨论了应用于去除超声医学图像斑点噪声的非线性滤波算法的研究现状及其特点，重点介绍了基于中值滤波、小波变换、扩散方程的滤波方法，并把相关算法应用于超声医学图像的处理，直观地比较了各种滤波器的性能。最后展望了超声医学图像非线性滤波算法的发展方向。     

基于Contourlet变换和非线性扩散的IVUS图像去噪

血管内超声(IVUS)图像的分割对于动脉粥样硬化疾病的研究和介入治疗具有重要的意义,但由于其自身存在斑点噪声,从而严重影响图像自动分割的准确性和速度.提出一种基于Contourlet变换和非线性扩散的斑点去除算法(CTND);利用自适应的对比度因子,在Contourlet域直接对IVUS图像各方向子带进行非线性扩散滤波,而不需要同态处理.实验结果表明,这种算法在保持IVUS图像强、弱边缘的同时,能有效地去除斑点噪声,并为图像外膜的提取奠定良好的基础.     

基于对称区域生长算法的超声医学图像分割方法

提出了一种基于对称区域生长算法的超声医学图像的分割方法。该方法分为三步。首先,通过采用自适应加权中值滤波抑制超声医学图像本身固有的Speckle噪声,然后从图像的第一行开始扫描整个图像,并应用生长准则进行区域的生长与合并,生长完成之后应用种子准则标定感兴趣区域,从而得到最后的分割结果。通过图像的分割实验确定了一套对于超声医学图像适用的生长和合并准则。对心脏B型超声医学图像分割的实验结果显示,该方法具有良好的性能。     

医学超声图像分割技术的研究及发展趋势

图像分割在医学超声图像的定量分析和定性分析中均扮演着十分重要的角色 ,它直接影响到后续分析和处理工作。目前 ,虽然文献中记载着大量的图像分割方法 ,但对于具有复杂特性的医学超声图像 ,这些方法往往显得无能为力。本文拟在分析医学超声图像特性的基础上 ,对医学超声图像分割方法作一综述和评价 ,并对其发展趋势进行了展望     

超像素有偏观测模糊聚类的乳腺超声图像分割

图像分割在医学超声图像的定量、定性分析中均扮演着十分重要的作用,并直接影响到后续的分析、处理工作。乳腺组织的特殊性导致了其超声图像纹理复杂、噪声明显、对比度较低,临床应用难以准确自动分割,诊断较依赖于人工观测。针对此问题提出一种基于超像素和模糊聚类技术相结合的图像分割算法。采用紧密度自适应的简单线性迭代聚类产生超像素,实现初步划分,减小计算量;计算各超像素的特征向量组成集合;采用聚类有效性分析和有偏观测模糊C均值聚类将特征向量分类,实现目标区域的有效分割。采用此方法对20帧乳腺超声图像进行图像分割实验,采用基于区域的评价准则对分割结果进行量化评估,评估结果表明真阳性为92.87%±2.98%,假阳性为11.05%±2.75%,相似性为83.39%±3.64%,取得了较好的分割结果。对乳腺肿块超声诊断的辅助方法研究具有探索意义。     

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。     

胎儿超声图像分割及自动径线测量

为从超声图像中准确估计胎儿股骨长度、头围、双顶径和枕额径,提出一种新的胎儿超声图像分割和径线自动测量方法。首先使用结合空间邻域信息的二维模糊聚类,在抑制斑点噪声的同时提取胎儿超声图像中的骨骼部分;接着将骨骼提取的结果细化作为霍夫变换的输入;然后根据股骨和头部不同的形态特征,分别设计了直线霍夫变换加二次曲线拟合的股骨参数提取方法,以及椭圆二次迭代霍夫变换的头部参数提取方法。本研究对60组胎儿超声图像自动计算所得的股骨长度和头围与手动测量间的差异分别为(0.069±0.066)cm和(-0.508±0.458)cm。结果显示本方法所得结果基本与手动测量的结果吻合,可以提高测量的客观性,有望应用于临床的产前监护。     

用神经网络进行超声医学图像分割

分割问题是超声心脏图像多维重建中的一大难题，本文研究超声心脏图像分割的自组织神经网络方法，这是一种无监督的分割方法，通过自组织神经网络的自动聚类分割，实验证明，本文方法优于传统的Ｋ－ｍｅａｎｓ方法。     

基于Mean Shift的三维医学图像交互式分割方法

目的：提出一种新的三维医学图像交互式分割方法,利用Mean Shift算法将空间域与特征域相结合的高维计算优势,直接对图像的三维空间分布信息进行处理,同时采用人工与计算机相结合的交互式分割方法在医学图像序列上分割出感兴趣区域。方法：通常将Mean Shift方法用于图像分割都需要对整幅图像中的所有像素点进行大量的迭代计算,这样使得分割效率很低。而本文基于交互式分割算法原理,通过在感兴趣区域人工设定一个或少数几个初始点,利用人工给出的先验信息只需对感兴趣区域进行Mean Shift的自适应迭代计算和处理,不仅可以克服上述缺陷,还能得到较为精确的分割结果。结果：本文根据该方法进行了实验,从肺部图像序列中准确地分割出了三维的肺结节区域,从时间上和准确度上均能满足临床需求。结论：实验结果证明该交互式分割方法是一种非常有效的三维医学图像分割方法。本文的方法可以同时联合灰度域和空间域特征实现分割,而且它基于所选择的分割特征还具有任意多维空间联合分割的潜力,不失为一种深有发展前景的三维交互式分割方法。     

MR脑图像组织分割的方法

图像分割是一个经典难题,至今没有一个通用的有效分割方法,也不存在一个分割的评价标准。应用MRI图像进行脑组织自动和有效的分割对诊断、病理研究、放疗和外科手术计划的制定、手术导航、计算机辅助诊断等各方面均有着极其重要的意义。磁共振脑图像比普通图像要复杂,组织边界不清晰,用通用方法无法实现良好的分割。对目前应用于脑组织分割并取得良好效果的分割方法给予综合论述,并分析了脑组织分割的发展。     

MR脑图像组织分割的方法

图像分割是一个经典难题,至今没有一个通用的有效分割方法,也不存在一个分割的评价标准.应用MRI图像进行脑组织自动和有效的分割对诊断、病理研究、放疗和外科手术计划的制定、手术导航、计算机辅助诊断等各方面均有着极其重要的意义.磁共振脑图像比普通图像要复杂,组织边界不清晰,用通用方法无法实现良好的分割.对目前应用于脑组织分割并取得良好效果的分割方法给予综合论述,并分析了脑组织分割的发展.     

基于快速推进法的血管内超声图像序列的三维分割

目的血管内超声（intravascular ultrasound,IVUS）是近年来临床诊断血管病变的一项新技术。对IVUS图像进行分割,提取出图像中血管壁的内膜和中-外膜轮廓,是IVUS图像序列定量分析和三维重建的重要步骤。方法本文提出一种基于快速推进法的IVUS图像序列三维并行分割方法。在完成对原始图像的滤波去噪、抑制导管伪影等预处理后,获取IVUS序列纵向视图,并从中提取出血管壁的内膜和中-外膜轮廓,然后将该轮廓映射到每帧IVUS横向视图中,得到各IVUS帧中血管壁的内膜和中-外膜轮廓,最后采用快速推进法对初始轮廓进行演化变形,最终提取出目标轮廓。结果对临床IVUS图像数据进行实验,与逐帧处理的串行分割方法相比,本文方法明显提高了处理效率,克服了传统串行处理方法运算效率低的缺点。结论该方法对血管疾病的临床诊治具有重要意义。     

基于自适应能量偏移场无边缘主动轮廓模型的乳腺肿块分割与分类方法研究

目的:为提高乳腺癌检测的精准度和效率,提出了一种基于自适应能量偏移场无边缘主动轮廓模型（AEOF-CV）的乳腺肿块分割与分类方法。方法:首先采用中值滤波、阈值分割及区域连通进行图像预处理,去除图像噪声;然后使用伽马变换及形态学运算相结合的方法进行图像增强;其次,采用AEOF-CV对弱对比度图像提高分割精度,用于乳腺肿块分割,得到感兴趣区域;最后使用不同提取特征方法,结合支持向量机识别感兴趣区域是否有肿块,并对存在肿块的图像判别肿块的良、恶性。结果:实验利用DDSM数据库中350个图像进行测试,实验结果证明,基于AEOF-CV乳腺肿块分割方法可以得到肿块清晰外部轮廓,具有较好的鲁棒性,误分率可达到0.212 0。无肿块样本识别率达到94.57%,恶性肿块识别率为97.91%,良性肿块识别率为96.96%,总识别率达94.00%。结论:基于AEOF-CV的乳腺肿块分割效果较好,误分率相对CV方法降低19.17%,查准率和查全率达到了0.851 9和0.836 5,全局分析性能较好,是乳腺肿块分割的有效方法,可为后续模式识别提供可靠依据。     

A New Method for Automated Identification and Morphometry of Myelinated Fibers Through Light Microscopy Image Analysis

Nerve morphometry is known to produce relevant information for the evaluation of several phenomena, such as nerve repair, regeneration, implant, transplant, aging, and different human neuropathies. Manual morphometry is laborious, tedious, time consuming, and subject to many sources of error. Therefore, in this paper, we propose a new method for the automated morphometry of myelinated fibers in cross-section light microscopy images. Images from the recurrent laryngeal nerve of adult rats and the vestibulocochlear nerve of adult guinea pigs were used herein. The proposed pipeline for fiber segmentation is based on the techniques of competitive clustering and concavity analysis. The evaluation of the proposed method for segmentation of images was done by comparing the automatic segmentation with the manual segmentation. To further evaluate the proposed method considering morphometric features extracted from the segmented images, the distributions of these features were tested for statistical significant difference. The method achieved a high overall sensitivity and very low false-positive rates per image. We detect no statistical difference between the distribution of the features extracted from the manual and the pipeline segmentations. The method presented a good overall performance, showing widespread potential in experimental and clinical settings allowing large-scale image analysis and, thus, leading to more reliable results.     

Study on Spot Addressing and Segmentation Method for Microarray Image

This paper presents a novel method of spot addressing and segmentation about the foreground segmentation of microarray image. In this paper,a spot addressing method based on particle swarm optimization(PSO),algorithm is proposed to have a further search for the center coordinate and radius of the spot whose region is determined by the projection method. Then,a foreground segmentation method is put forward to make the spot foreground segmentation based on the center coordinate and radius of the spot. The spot addressing and segmentation experiments on synthetic and real microarray images show that the proposed method is effective and feasible for the foreground segmentation of microarray image.     

A novel method of estimating structure model index from gray-level images

According to the standard approach, estimation of the structure model index (SMI) of a trabecular bone sample has to be preceded by segmentation of the bone image and then triangulation of the trabecular surface. However, when analyzing clinical data, image segmentation should be avoided whenever possible, due to difficulties in controlling binarization artifacts. The aim of the present study is to develop a method to estimate SMI directly from gray-level images, without prior segmentation. It is shown that the standard definition of SMI can be formulated in terms of integrals of the gray-level intensity and the magnitude of the gray-level intensity gradient, computed for the analyzed image and the image eroded by an infinitesimal ball structuring element. Because in a real application the size of an eroding element is always finite, a procedure is proposed to reduce the finite size errors. The performance of the proposed method is tested for structures with known SMI. Next, based on a set of μCT images of trabecular bone from the distal radius, the proposed and the standard methods are compared. It is shown that the proposed novel approach is statistically equivalent to the standard one, if applied to high-resolution μCT data. The influence of clinically relevant factors like limited resolution and noise on the estimation of SMI is tested. It is shown that the gray-level approach is more robust against image degradation factors than the standard one.