医学超声图像分割技术

图像分割在医学超声图像的定量、定性分析中均扮演着重要的角色,它直接影响到后续的分析、处理工作.但因其本身所具有的复杂性,医学超声图像的分割实际上是一件非常困难的事情,至今仍是一个悬而未决的世界性难题.因此我们更为详细的了解医学超声图像的一些分割技术,才能对这些方法加以运用,使得这些技术相辅相成,在实际应用中才能根据需要结合起来,形成更好的分割效果.     

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     

基于射线距离误差的三维医学图像分割的新型评价方法

三维医学图像的分割是计算机辅助诊断与治疗中至关重要的技术。由于现有的三维医学图像分割算法种类繁多且性能各异,对各种分割算法性能公正直观的评价显得尤为重要。我们在对现有常用评价方法做出综合的比较后,提出了一种基于局域距离误差的综合、直观的三维图像分割的新型评价方法,并详细描述了该评价方法中局域误差和全局精确度的评价法。最后,利用这种新型的评价方法对三种常用的分割算法(Fast Marching,Morpholo-gical Reconstruction and Watershed)及一种笔者提出的新型Hybrid算法进行评价,此新型分割算法也在文中作了简要介绍。通过实验,可以验证新的评价方法能够更加科学、直观地对各种三维医学图像分割算法进行评价。     

医学图像分割技术

图像分割是制约医学图像在临床上广泛应用的关键性问题。医学图像分割则是图像分割的一个重要应用领域。本文讨论了医学图像分割的目的和意义，简述了医学图像分割技术的进展，对近年来医学图像分割技术进行了综述。     

一种新型的医学图像分割评价方法

通过分析几种常用的医学图像分割评价方法,提出了一种新型的评价方法.此方法不仅能有效地反映出分割结果相比目标轮廓线的偏差最.还能反映出轮廓线附近的波动状况.再者,此方法的结果不仅能横向比较(比较小同算法对同一目标的分割结果),还能纵向比较(比较同一算法对不同目标的分割结果).实验结果证明,本文提出的评价方法具有良好的临床价值.     

遗传算法在医学图像分割中的应用

图像分割（lmage Segmentation)是图像处理中的主要问题,同时也是一个学术难题,长期以来人们在努力寻找进行图像分割的算法,到目前为止还没有一个普遍认可的算法。1973年,美国教授J.Holland提出了遗传算法（Genetic Algorithm,GA)在很多领域获得进展,并在90年代被学引入图像分割领域。本简要介绍了图像分割及遗传算法的基本原理,着重探讨了近年来遗传算法在图像分割一个重要的应用领域－医学图像分割领域中的应用。     

医学图像处理中有关图像分割的新技术

图像分割是图像处理中最基本和最主要的技术.本文简要介绍了医学图像分割的常用分割方法,主要包括阈值分割、神经网络分割、模糊分割、遗传算法、统计方法和基于特定模型等方法的图像分割.并对其近年来的进展和应用进行了综述.     

医学显微图像分割方法研究进展

医学显微图像分割是医学图像处理中的一个经典难题.针对近年来出现的新方法、新理论,对各种分割方法进行了系统论述,主要包括基于数学形态学方法、神经网络分割、模糊分割、小波分析、遗传算法、统计方法和基于特定模型等方法的图像分割.由于显微图像的复杂性,采用单一方法很难准确分割,故对混合方法也作了一定论述.文中还简要讨论了各种方法的特点和局限性.同时对分割的评价体系也做了简要论述.     

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。     

基于中层特征的医学图像分割研究进展

图像的中层特征将图像中的全局信息和局部信息结合,同时具备代表性和特异性,能够更好地表达图像的信息。已有的研究工作成功地将中层特征用于医学图像的分割,主要的方法包括稀疏编码和空间金字塔匹配(spatial pyramid matching,SPM)算法,词典学习,以及神经网络等算法。中层特征的应用提高了算法性能。本文介绍了现有的基于中层特征的医学图像分割算法,并对今后的研究工作进行了展望。     

基于level sets的医学图像分割

医学图像分割是一个非常重要的研究领域.它主要应用于病人诊断、图像引导手术,以及医学数据可视化.解决这个问题的一个常用方法就是利用活动轮廓或"snake"来分割感兴趣的物体.文中给出两种活动轮廓模型,其中一种基于边缘停止函数,而另一种是一个能量最小化算法.两种方法都采用level-sets模型,利用一个Lipschitz函数φ来进行自动拓扑变化.实验表明第一种方法仅仅只能检测边缘梯度较大的物体,而第二种方法没有这样的限制.     

三维医学图像序列的自动连续分割

我们针对医学辅助诊断系统中从M R图像分割脑肿瘤的问题,改进了区域竞争算法,并利用它实现了医学图像序列间的连续自动分割,特别是脑肿瘤的分割和脑膜瘤的自动识别。模糊化区域竞争算法是为了更好的适应医学图像的模糊与不均匀的特点,而用区域增长做初始化可以给区域竞争提供用来竞争和合并的过分割区域。为了实现医学图像序列的自动连续分割,每一副切片的分割结果都会被用作初始化下一张切片;并且我们根据脑膜瘤的特点实现了它的自动识别。实验表明,我们的自动分割算法对仿真脑图像和真实脑图像均有较好的分割精度,并能满足系统对分割快速性的需要。     

卷积神经网络在医学图像分割中的研究进展

卷积神经网络（CNN）是目前计算机视觉和模式识别中效果最为突出的算法。CNN拥有强大的空间识别能力,可以从图像中提取高阶的空间特征,同时通过共用卷积核的方式大幅减少参数量,从而在提升网络性能的同时保持总参数量在一个合理的、可运算的范畴。部分采用无监督学习的CNN算法可以在没有先验知识的条件下实现一定程度的图像语义分割,大幅减少人工读图的负担。本研究就CNN在医学图像分割中的研究进展和使用CNN时的具体技巧及其效果进行综述。以使用CNN为核心的深度学习工具解决医学图像分割的课题为中心,展示了CNN在有监督学习、半监督学习及无监督学习中的巨大潜力,分析比较了现有方案的优点与不足,探讨了未来CNN在医学图像领域的前进方向。     

基于Snake模型的医学图像分割

基于Snake模型的图像分割技术是近年来图像处理领域的研究热点之一.Snake模型承载上层先验知识并融合了图像的底层特征,针对医学图像的特殊性,能有效地应用于医学图像的分割中.本文对各种基于Snake模型的改进算法和进化模型进行了研究,并重点梳理了最新的研究成果,以利于把握基于Snake模型的医学图像分割方法的脉络和发展方向.     

基于CUDA的快速三维医学图像分割

目的:三维分割是医学图像分析和可视化中的重要组成部分,也是医学图像分割中的一个难点。水平集方法在三维医学图像分割中有很广阔的应用前景,但是该算法的计算量大,不能达到实时处理的要求。针对这个问题,提出了一种基于CUDA的并行加速方法。方法:采用NVIDIA公司的GPGPU模型CUDA,利用图像像素的独立性和偏微分方程求解的并发性,提高C-V水平集算法的分割速度。给出了并行计算的流程图,并对C-V水平集算法在CUDA上的实现进行了详细介绍。结果:实现了C-V水平集并行加速算法,该方法在保证分割效果的前提下,具有更快的分割速度。结论:所提出的方法是切实可行的,实现了快速的三维医学图像分割。     

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。     

医学图像分割中的主动轮廓模型研究现状

主动轮廓模型具有强大的先验知识引入能力,非常适合解决复杂医学图像分割问题。本文介绍了两种主动轮廓模型的基本原理及其相互关系,详细综述了模型的几个重要改进措施,包括曲线的表示方式、基于梯度的ACM、基于区域的ACM,以及结合先验形状的ACM,并讨论了医学图像分割中的主要应用实例,最后展望了模型今后的研究方向。     

基于知识的人脑三维医学图像分割显示方法

本文从人工智能的角度出发，提出了 一种分割并显示了脑三维医学图像的方法，在归撮以人脑解剖结构知识基础上，以框架为主要知识表示手段，构造了与视点无关的人脑三维知识模型。在模型知识的指导下采用智能光线跟踪方法提取和显示脑内各主要解剖结构。     

基于人工生命的医学图像分割

医学图像中解剖结构和相关诊断信息的提取有着极为重要的意义，但目前的分割算法大都需要借助专家的干预和监控，寻求一种全自动分割的方法变得日益重要。人工生命的方法有助于人们了解生物学规律，并且在机器人、计算机图形学等方面得到了成功应用。主要介绍基于人工生命的方法在医学图像自动分割领域的初步应用。     

基于深度学习的医学图像分割研究进展

医学图像分割是医学图像定量分析的关键步骤之一,因此病灶分割对临床诊断有重要意义。针对传统分割方法中存在的过多依赖医学领域的先验知识和人为评估错误等问题,提出了基于深度学习的病灶分割方法。本文总结了卷积神经网络算法应用于医学图像病灶分割的研究进展。首先,论述卷积神经网络的基本结构及其常用架构;其次介绍深度学习在医学图像病灶分割中的应用,其中包括肺结节的检测和分类,脑肿瘤分割和乳腺病灶的分割;最后,分析了目前该研究中存在的优缺点并对深度学习的发展方向进行展望。