基于改进的CV-RSF模型的甲状腺结节超声图像自适应分割算法

目的甲状腺结节超声图像的精确分割对甲状腺结节的良恶性诊断尤为重要。目前,对于甲状腺结节超声图像的分割,有学者提出利用主动轮廓模型分割算法,但是由于活动轮廓分割算法需要手动设置迭代次数,未实现模型的自适应性。因此,本文提出了一种基于改进的无边缘主动轮廓-局部区域可控的拟合(Chan-Vese-region scalable fitting,CV-RSF)模型的甲状腺结节超声图像自适应分割算法。方法选取南京同仁医院12例患者的甲状腺结节超声图像用于实验。首先,在无边缘主动轮廓(Chan-Vese,CV)模型中,引入一个基于梯度的边缘引导函数,根据面积变化率,自适应地获取甲状腺结节的粗分割轮廓;然后,将粗分割轮廓作为局部区域可控的拟合(region-scalable fitting,RSF)模型的初始轮廓,并根据面积变化率,自适应地获取甲状腺结节最终分割结果。将改进模型分割的结果与CV模型、RSF模型分割的结果进行比较,并分析甲状腺结节边缘清晰度对分割结果的影响。结果本文模型算法分割结果的平均迭代次数、平均面积重叠率、平均Hausdorff分别达到了134、90.34%、9.77,均优于CV模型、RSF模型的分割算法。结论该算法有效地分割出边缘清晰和不清晰的甲状腺结节超声图像,并解决手动设置迭代次数的问题,从而实现甲状腺结节的有效、准确、自动分割。     

用于面诊的嘴巴定位算法研究

针对嘴巴区域特征的精确定位对于中医面诊客观化的研究具有重要意义,提出一种基于双肤色模型、椭圆拟合与改进C-V水平集模型相结合的分割嘴巴的方法。考虑到肤色在像素空间邻域与灰度值域的平滑相似性,首先给出一种二维伽马函数的自适应光照补偿法,提升非均匀光照下肤色聚类的稳定性,进而利用根据实验确定的双肤色模型,进行肤色检测,并采用数学形态学方法去除噪声等影响,Sobel方法提取轮廓;然后根据所得的边缘和初步轮廓利用直接最小二乘椭圆拟合法提取人脸区域;最后采用改进C-V水平集模型对嘴部区域进行分割。实验结果表明,采用该算法能够得到更好的分割效果,满足中医面诊图像分割要求,为面部五官的进一步分割和检测奠定基础。     

启发式牙颌CT影像自动分割

准确快速地分割CT切片特征轮廓是医学图像三维重建的重要环节。现有的轮廓分割方法必须通过手动层层交互操作,不仅耗时而且分割精度不高。针对这种局限性,提出一种基于启发式牙颌CT影像自动分割方法。首先用拉普拉斯算子对CT图像序列进行边缘增强,其次用轮廓匹配映射技术实现轮廓启发式传递,最后基于收缩包围算法自动分割牙颌序列。以14例完整牙（每例28～32颗牙数据样本）锥束CT断层扫描图像序列进行实验,在相同条件下分别用所提出的轮廓自动提取方法和其他提取方法,对实验样本进行轮廓提取,得到单颗牙轮廓提取的平均用时和提取轮廓与真实轮廓之间的距离差平均值。实验结果显示,轮廓自动分割算法提取单颗牙轮廓的用时约为其他手工分割法提取单颗牙轮廓用时的23%,同时提取的轮廓质量和用传统方法提取的轮廓质量相当。该方法为CT数据特征区自动化分割提供一种可行且高效的方法,为进一步改进现有的CT影像分割和三维重建算法提供了新的思路。     

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.     

基于改进C-V模型的肿瘤CT图像分割

针对传统C-V模型演化速度慢和不能很好分割灰度不均匀图像的缺点,从两个方面进行了改进。首先采用一个新颖的基于局部梯度的模型,使C-V模型初始轮廓曲线快速移到目标边界附近,大大缩短了演化时间;其次,结合GVF模型从两个方向指向目标边界的特点,为C-V模型的速度方程添加一个自适应速度调节项,使模型收敛于真实边界。通过肝脏肿瘤CT图像的分割,验证该方法是有效的。     

结合细胞散点图和改进Snake模型的重叠细胞分割修复的方法

针对医学显微图像中常出现细胞重叠的现象,提出一种组合细胞散点图和改进Snake模型的分割方法:先使用可变腐蚀元的迭代腐蚀方法,获取细胞散点和分离细胞;再利用原始边缘信息,初始化活动轮廓;最后结合细胞散点信息,利用加入约束能量的改进Snake算法,获取细胞的完整边界。在获取边界重叠掩膜图像的基础上,针对因重叠导致重叠区域图像信息变化的情况,采用一种自适应迭代卷积的快速图像修复方法。实验表明,该方法能有效地分离重叠细胞,并能准确快速地获取细胞的完整边界,并在重叠掩膜图像的基础上快速修复重叠部分。     

肝癌图像感兴趣目标的准确分割

背景:Snake模型为医学图像分割提供了一个全新的分割方式,可以克服传统图像分割方法在医学图像分割中的缺点。目的:针对肝癌CT图像特点,提出了一种改进的B样条曲线的Snake模型图像分割算法。方法:对腹部CT图像进行预处理,获得肝脏癌变部分的初始轮廓,再构造闭合B样条Snake模型,最后使用MMSE最小化外力变形模型以实现图像的准确分割。结果与结论:改进的B-Snake分割算法不仅减少了噪声的影响,而且使Snake曲线较好地收敛于目标轮廓边缘,对于肝癌CT图像该方法取得了感兴趣目标的良好分割效果。     

基于混合水平集的脑胶质瘤分割方法

全面考虑脑胶质瘤分割图像的边界信息和区域信息,在水平集的基础上,将基于边缘检测的活动轮廓模型(GAC模型)和局部图像拟合模型(LIF模型)相结合,提出一种混合水平集的分割方法。首先,对脑胶质瘤MR图像进行预处理,采用C-V模型提取脑组织;然后,创建混合水平集模型,对脑组织图像中的脑胶质瘤进行分割。实验证明,本研究的分割方法可以简化水平集符号距离函数的正则化过程,并且可有效克服GAC模型在弱边缘或离散边缘处产生的边界泄漏的问题,从而取得较好的分割结果。     

基于改进GVF-测地线模型的颈动脉斑块的分割算法

为了在超声波图像中提取颈动脉斑块边缘,我们提出了一种基于GVF-测地线模型的图像分割算法.由于超声波图像含有大量噪声,首先使用加权均值空间平滑滤波器对图像进行预处理;再人工画出初始轮廓,分别采用GVF-Snake模型、GVF-测地线模型和改进后的GVF-测地线模型对图像进行分割,比较其结果.实验结果表明,改进后的方法分割精度很高,能够在颈动脉斑块边缘提取中取得非常好的效果.     

改进的遗传模糊聚类算法及其在MR脑组织分割中的应用

为提高MR图像中脑组织分割的精度,针对目前遗传模糊聚类算法存在的问题,提出了改进的遗传模糊聚类算法。首先,通过完全改变遗传算法的编码方式、变异方式和交叉方式,对现有遗传算法进行改进,从而使遗传算法能获得最小的适应度函数值;然后,结合模糊聚类算法,最终得到改进的遗传模糊聚类算法。将改进的遗传模糊聚类算法应用于MR脑图像的分割,结果表明,改进的遗传模糊聚类算法的分割质量高于现有的遗传模糊聚类算法和快速模糊聚类算法。改进的遗传模糊聚类算法可以做为一种快速、全自动的MR脑图像分割工具。     

基于改进空间模糊聚类的DTI图像分割算法

针对模糊C均值(FCM)聚类算法初始聚类中心选择的随机性和噪声的敏感性等问题,提出一种基于改进空间模糊聚类的图像分割算法来分割人脑DTI图像。使用局部密度核函数和中心距离函数精确选取初始聚类中心,不仅可以解决因聚类中心随机选取造成的聚类效果不稳定的问题,而且还可以使目标函数迅速收敛,提高分割效率;通过将正态分布空间信息融入模糊隶属度函数,能减小图像噪声以及人为因素对分割结果的影响。用该方法与FCM、SFCM方法对人脑DTI数据进行分割,以评价算法的聚类效果。实验对美国明尼苏达大学生物医学功能成像与神经工程实验室提供的58例DTI数据、3例FA参数图像以及6例迭加过噪声的人脑DTI图像进行分割,结果表明:该算法分割系数最高,可达到0.984 1;在同一图像中,该算法在划分系数上比FCM最高提升20.2%,并且在划分熵上比SFCM最高下降19.8%;该算法目标函数平均迭代次数为32,较FCM的52次与空间FCM的76次有明显降低。实验证明,该算法能够准确、快速地分割出重要目标,且对图像噪声不敏感。     

基于单水平集函数的细胞分割算法

目的：由于细胞图像十分复杂,传统的基于像素或者边界的图像分割方法难以精确的实现细胞分割。因此,需要设计一种可以实现细胞图像精确分割的方法。方法：结合大津分割算法和主动轮廓模型的优点,设计出一种基于单水平集函数的细胞分割算法,首先对细胞图像大津分割,其结果作为水平集函数的初始值,然后使用迭代法对水平集函数演化。采用MATLAB对显微镜下获取的细胞图像进行试验,将本文改进后的算法与常规的算法进行了对比。结果：与传统的水平集分割算法相比,本文方法对细胞图像分割结果更加准确,迭代次数减少一半左右,因此分割时间也减少了一半左右。结论：结合细胞图像的结构特点,利用大津分割结果作为主动轮廓模型的初始值,可有效解决主动轮廓模型因为初始值设置不当导致的分割缺陷问题,水平集函数能够跟踪拓扑结构变化,具有计算精度高、算法稳定、优化边界清晰光滑等优点,在本文中得到了充分的应用。因此本文所提出的算法能够高效地实现细胞图像的分割。     

A novel segmentation method using multiresolution analysis with 3D visualization for X-ray coronary angiogram images

Coronary angiography is a widely used tool in the diagnosis and treatment of cardiac diseases. The main cause of coronary artery disease is atherosclerosis, which leads to the narrowing of artery lumen, resulting in decreased blood supply to heart muscles. Determination of narrowing of the lumens mainly depends upon the quality of the segmented image; with improved segmentation technique there is better accuracy in identification of blocks. The main purpose of the paper is to develop an automatic, accurate segmentation technique with 3D visualization for the segmented images. 3D visualization provides clearer information regarding the shape and severity of the lesion. The thresholding technique is one of the oldest and simplest techniques used for segmentation. This paper proposes a multithresholding approach using the entropy measure and multiresolution analysis to ensure automatic and accurate segmentation by overcoming some of the problems encountered in other techniques. Also, segmentation performance analysis was conducted for various segmentation methods. This method is tested with different real coronary angiographic images and was found to perform better than the other techniques.     

A novel segmentation method using multiresolution analysis with 3D visualization for X-ray coronary angiogram images

Coronary angiography is a widely used tool in the diagnosis and treatment of cardiac diseases. The main cause of coronary artery disease is atherosclerosis, which leads to the narrowing of artery lumen, resulting in decreased blood supply to heart muscles. Determination of narrowing of the lumens mainly depends upon the quality of the segmented image; with improved segmentation technique there is better accuracy in identification of blocks. The main purpose of the paper is to develop an automatic, accurate segmentation technique with 3D visualization for the segmented images. 3D visualization provides clearer information regarding the shape and severity of the lesion. The thresholding technique is one of the oldest and simplest techniques used for segmentation. This paper proposes a multithresholding approach using the entropy measure and multiresolution analysis to ensure automatic and accurate segmentation by overcoming some of the problems encountered in other techniques. Also, segmentation performance analysis was conducted for various segmentation methods. This method is tested with different real coronary angiographic images and was found to perform better than the other techniques.     

新型乳腺磁共振增强图像肿瘤区域的自动分割模型

乳腺磁共振增强图像上,乳腺癌主要有肿块型和非肿块型两种强化方式。由于乳腺肿瘤区域相对较小,肿块型和非肿块型之间形态学差异大,非肿块型自身差异性复杂,因而很难精确分割出乳腺肿瘤区域。针对这些问题,提出一套新颖的粗检测细分割的深度学习模型(YOLOv2+SegNet)。该模型在精准分割之前,首先运用YOLOv2网络在乳腺可能的肿瘤区域进行粗检测,从而得到大致可能的肿瘤区域;接下来在粗检测的基础上,针对检测到可能的肿瘤区域,运用SegNet网络进行精细分割,从而实现算法最优的性能。为了验证YOLOv2+SegNet模型的有效性,从医院采集的数据集中选取560张乳腺MRI增强图像作为训练和测试(其中训练和测试集分别为415张和145张乳腺MRI数据)。在实验的过程中,运用YOLOv2+SegNet模型,分别对乳腺肿块型、非肿块型、肿块和非肿块混合型3类MRI数据进行肿瘤区域自动分割的实验。实验结果表明:YOLOv2+SegNet模型和SegNet网络分割结果的Dice系数相比有约10%的提升,与传统的C-V模型、模糊C均值聚类、光谱映射主动轮廓模型以及深度模型U-net、DeepLab相比有更为明显的提升。     

一种分割冠状动脉X射线造影图像的有效方法

目的 提出一种简单有效的方法进行冠状动脉X射线造影图像的分割。方法 基于Hessian矩阵的多尺度滤波和区域增长等算法,其中多尺度滤波用来增强造影图像中的血管,然后利用多种子点区域增长算法从增强后的图像中提取冠状动脉树。结果 该方法对于造影图像中血管状结构非常敏感,能够清晰提取出冠状动脉树中较细小的末梢,并能有效抑制噪声。结论 该方法适合于分割冠状动脉造影,适用于冠状动脉造影的精确量化分析。     

Vessel segmentation and catheter detection in X-ray angiograms using superpixels

Coronary artery disease (CAD) is the leading cause of death around the world. One of the most common imaging methods for diagnosing CAD is the X-ray angiography (XRA). Diagnosing using XRA images is usually challenging due to some reasons such as, non-uniform illumination, low contrast, presence of other body tissues, and presence of catheter. These challenges make the diagnosis task hard and more prone to misdiagnosis. In this paper, we propose a new method for coronary artery segmentation, catheter detection, and centerline extraction in X-ray angiography images. For the segmentation, initially, three different superpixel scales are exploited, and a measure for vesselness probability of each superpixel is determined. A voting mechanism is used for obtaining an initial segmentation map from the three superpixel scales. The initial segmentation is refined by finding the orthogonal line on each ridge pixel of vessel region. The catheter is detected in the first frame of the angiography sequence and is tracked in other frames by fitting a second order polynomial on it. Also, we use the image ridges for extracting the coronary artery centerlines. We evaluated and compared our method with one of the previous well-known coronary artery segmentation methods on two challenging datasets. The results show that our method can segment the vessels and also detect and track the catheter in the XRA sequences. In general, the results assessed by a cardiologist show that 83% of the images processed by our proposed segmentation method were labeled as good or excellent, while this score for the compared method is 48%. Also, the evaluation results show that our method performs 67% faster than the compared method.

Open image in new window

Graphical abstract Proposed framework for coronary artery detection

     

冠状动脉追踪冻结技术对高心率儿童冠状动脉成像质量的改善

目的:探索第二代冠状动脉追踪冻结（SSF2）技术是否可以提升高心率儿童冠状动脉的形态分辨能力。方法:对53例心率≥75次/min患儿行冠状动脉CT血管成像,年龄平均（17.5±18.7）个月,平均体质量（10.68±5.13） kg,扫描电压80、100 kV,采用智能心电门控技术自动选择曝光期相。将原始数据分别重建为3组图像:A组为常规图像;B组为采用SSF1技术的重建图像;C组为采用SSF2技术的重建图像。对3组冠状动脉图像的质量评分及可诊断率进行评估。结果:53例共评价534个冠状动脉节段。B组与C组右冠状动脉、左前降支、冠状动脉起源和冠状动脉评分及可诊断率差异均有统计学意义（P均<0.05）,左回旋支（LCX）评分差异有统计学意义（P<0.05）,LCX可诊断率无统计学意义（P=0.05）。A组与B组左前降支、LCX和冠状动脉起源评分差异均无统计学意义（P=0.07、0.14、0.43）。结论:采用SSF2技术可进一步改善高心率患儿冠状动脉CT血管成像质量。     

双源 CT 冠状动脉三维分割算法的研究

本研究旨在从心脏双源 CT 数据中自动精确分割出冠状动脉。采用一种基于多尺度滤波和概率决策的血管自动分割算法。先基于多尺度 Hessian 矩阵增强图像中的管状结构,再利用最大后验概率基于灰度将体素分为目标和背景2类,最后用26邻域区域生长法分割出左冠状动脉。实验结果表明,可精确分割出冠状动脉并提取血管中心线。该算法避免了血管泄露问题,无伪血管,无需人工交互,是一种有效的双源 CT 冠状动脉自动提取方法。     

基于小波分解与马尔可夫随机场的医学图像矢量量化分割

本文通过离散小波变换分解图像提取图像分割特征,利用矢量量化聚类和马尔可夫随机场建立分割模型,运用迭代条件模式法进行优化分割,同时,利用小波分解层之间的相似性关系,以上一层的优化分割结果作为当前空间内的初始条件进行逐层分割。实验证明,本方法能有效地对医学图像进行分割。