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。
     

基于互信息的医学图像精细分割

本文提出一种基于互信息的医学图像精细分割算法。该方法在图像直方图基础上,模拟形态学流域概念,提出一种水面下降法,对直方图进行划分,并将原图像与分割后图像的互信息作为分割测度,寻求最优直方图划分,完成图像分割。医学图像分割实验证明,该方法可完成复杂图像的精细分割,对噪声不敏感,具有较好的分割效果,可应用于TPS系统中重要器官及病变组织分割。     

医学图像分割进展

图像分割是解决医学图像在临床上广泛应用的关键性问题.本文简述了医学图像分割技术的进展,综述医学图像分割技术、发展趋势,展望了医学图像分割的前景和面临的挑战.     

基于形态学滤波的寄生虫卵图像混合分割算法

寄生虫卵的自动识别是当今寄生虫医学图像处理的一个重要课题,目前已有算法一般都要求寄生虫标本杂质含量较少。提出一种基于形态学滤波的混合分割算法,首先采用B颜色信号提取有用信息,接着利用改进的形态学操作进行滤波,除去大量杂质及虫卵边缘粘合物,最后结合凸包运算并定义两个图像特征参数,即边界光滑度和区域填充度,做进一步选择。实验结果表明,该算法明显优于当前的一些虫卵分割算法,能充分利用虫卵的有用信息,有效剔除杂质,大大降低虚假目标。虫卵边界保留完整清晰,为寄生虫卵的自动识别打下了良好基础。     

医学图像分割技术及其进展

医学图像分割是医学图像处理中的一个经典难题。图像分割技术的发展不仅影响到医学图像处理中其它相关技术的发展，如可视化、3D重建、不同模式医学图像的配准和融合等，而且在生物医学图像的分析中也占有极其重要的地位。近年来，由于一些新兴学科在医学图像处理中的应用，医学图像分割技术取得了显著的进展。本文对近年来的医学图像分割技术、发展趋势、研究热点及其医学图像分割的评价等问题进行了综述和讨论。     

医学图像的分割技术及其新进展

近几年，计算机断层成像（Computed Tomography，CT），核磁共振成像（MagneticResonance Image，MRI），超声成像（ultrasoundimage，USI）等医学成像技术已经广泛应用在医疗的诊断、术前计划、术后监测等各个环节中，其目的是全面而精确地获得病人的各种数据，为诊断、治疗计划、手术和术后评估提供正确的数字信息。只有把感兴趣的目标从图像的复杂景物中提取出来，才有可能进一步对它们进行定量分析或者识别。目前，医学图像分割主要以各种细胞、组织与器官的图像来作为处理的对象或内容。图像分割是根据某种均匀性或一致性原则将图像分成若干个有意义的部分，使得每一部分都符合某种一致性的要求。     

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。     

基于密度聚类的医学图像分割及其局部特征提取

本文分析了一种实用于医学图像聚类分析的改进DENCLUE算法,用此算法先聚类出有器官语义意义的区域,再在聚类出的区域上,分别提取基于灰度直方图统计特征的均值、方差、倾斜度和峰度4个局部特征,这些局部特征能够更好地表示图像信息.     

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。     

一种融合图像滤波的FCM图像分割算法及其应用

数据关联是信息融合研究领域中最为关键的步骤之一,关联性能的好坏直接影响最终的融合效果。分析并指出了目前常用评估指标的不足之处,同时提出了一种基于不确定度的数据关联敏感指标。该指标将状态向量及其误差协方差视为一种概率分布,在位置均方根误差基础上,引入不确定度的概念,完成了对状态估计无偏性和稳定性的综合评价。实验仿真结果表明：针对不同的数据关联算法,由于考虑了估计状态的不确定性,该指标可以更加敏感地反映出各个关联算法之间的优劣。     

一种基于分水岭和模糊聚类的多级图像分割算法

分水岭算法是一种广泛应用的图像分割工具,它能够自动生成单像素宽度的封闭轮廓。分水岭算法的不足在于它的过分割结果,即生成大量小的封闭区域,使目标物体淹没其中。本文提出一种对分水岭算法过分割结果的模糊聚类方案,首先为每个分水岭区域定义特征量,然后根据这些特征量以及相邻区域之间的分水岭显著性计算两个相邻区域之间的近似程度,进而计算所有分水岭区域的模糊等价矩形,最终形成图像的多级分割结果。本文对多种类型的图像进行了实验。     

一种基于分水岭和模糊聚类的多级图像分割算法

分水岭算法是一种广泛应用的图像分割工具，它能够自动生成单像素宽度的封闭轮廓。分水岭算法的不足在于它的过分割结果，即生成大量小的封闭区域，使目标物体淹没其中。本文提出一种对分水岭算法过分割结果的模糊聚类方案，首先为每个分水岭区域定义特征量，然后根据这些特征量以及相邻区域之间的分水岭显著性计算两个相邻区域之间的近似程度，进而计算所有分水岭区域的模糊等价矩形，最终形成图像的多级分割结果。本文对多种类型的图像进行了实验．     

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.     

基于深度学习的脑肿瘤图像分割

人工智能技术在计算机视觉与深度学习领域的应用逐渐增多,自动驾驶、无人机、医学临床诊疗等行业都需要基于深度学习的图像分割技术做支撑。本文对近年来脑肿瘤图像分割方法进行综述：首先介绍了图像分割的传统方法和基于深度学习的方法,然后概述了目前几种典型的针对脑肿瘤图像分割方法,描述其主要进展与可借鉴之处,总结了我们在基于深度学习的脑肿瘤图像分割方面的研究结果,并与典型方法的性能进行对比,最后讨论未来研究方向及面临的挑战。     

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。     

基于灰度形态学的牙齿图像分割方法

目的: 针对口腔内窥镜拍摄的口腔牙齿图像特点,提出了一种简单有效的分割方法?方法:首先利用灰度形态学中的开启操作除去牙齿图像中的“亮片”背景;再通过中值滤波除去图像中的噪声;最后根据图像灰度设置的阈值对图像进行分割,并检测出图像的边缘和特征点?结果:该方法能够有效地把牙齿从图像中分割出来,利用边缘获取的特征点能够为后期牙齿的三维重建提供有效的参数?结论:基于灰度形态学的牙齿图像分割法可以有效地把牙齿从图像中分割出来?     

基于广义模糊吉波斯随机场的噪声图象分割

基于吉波斯随机场分割模型的图象分割方法是一种常用的重要方法。本文结合广义模糊集理论,针对噪声大的模糊图象分割问题,重新定义了吉波斯场的集团势函数,将广义模糊隶属度引入势函数,建立了新的分割模型。在此基础上用条件迭代模式（ICM）法对图象进行了优化分割。实验表明,该方法能有效地分割退化的模糊图象。     

基于图像分割的MRI、CT脑图像自动配准的探讨

图像配准是图像融合等医学图像处理过程的关键技术,本文探讨的CT与MRI脑图像配准方法,采用自动分割两种图像的颅骨区域及用数学形态学方法修正,以此区域进行匹配.研究结果表明,该方法对原始图像的质量要求较低,其预处理过程可有效地提高搜索效率.     

基于视觉注意和支持向量机的舌体自动分割方法的探讨

目的探讨基于视觉注意机制和支持向量机(support vector machine,SVM)相结合的舌体自动提取方法,为模式识别方法应用到舌体图像分割提供新思路。方法将舌图像经过视觉特征提取、高斯金字塔多尺度变换,依据多特征图合并策略生成显著图并进行二值化;在不需要人工干预的情况下,从显著区和非显著区分别随机选取正类训练样本和负类训练样本;机器自动学习样本创建SVM分类器,最后用训练好的SVM分类器对完整舌图像进行分割。结果获得的正常舌、裂纹舌、齿痕舌等多种舌象的分割效果良好,没有特征信息丢失的情况,并具有一定的抗噪能力。结论基于视觉注意和SVM舌体自动分割方法在无需任何先验知识的条件下,具有较稳定的分割效果,为模式识别应用到舌体图像分割中作了初步探索。