分水岭算法在CT图像分割中的应用

目的：分水岭算法在图像分割领域得到了广泛的应用,但单独使用分水岭进行图像分割因为对噪声的抑制能力弱以及对大多数图像易产生过分割现象而变得困难。本文针对分水岭算法存在的过分割问题,提出了一种改进的分水岭算法应用于CT图像,能有效的抑制过分割现象。方法：首先对输入图像进行高斯滤波处理,然后通过Sobel算子求图像的梯度幅值,再求出多尺度灰度图,最后进行阈值分割和多尺度变换而达到对图像进行分割的目的,并将其转化成伪彩色图像显示来优化分割结果,在有效处理过分割问题的同时让图像分割后的效果更加明显。结果：仿真结果表明,与传统的分水岭分割算法比较,缓解了过分割问题,得到的分割效果要好很多。结论：本文实验可以有效地将传统的分水岭算法加以改进,将之应用于医学CT图像分割中,从而使图像各个不同的组织轮廓均得到了很好的区分,减少了图像的过分割点数,使图像的各个区域更易判断。     

基于数学形态学的CT图像肝脏肿瘤提取研究

目的 肝脏肿瘤的提取是肝脏三维可视化、手术规划和模拟的基础,而当前肿瘤分割存在干预过多和分割效果不佳的问题.方法 本文通过对腹部CT图像进行高斯平滑以去除图像噪声和细密纹理,计算出图像的形态学梯度并用高、低帽变换进行增强,再根据用户选择点计算内部和外部标记符,然后基于控制标记符的分水岭算法分割图像,提取出腹部CT图像中的病变组织.结果 实验结果表明,该算法能够在较少的人工干预下快速分割出肝脏病变组织.结论 该算法实现了腹部CT图像中肝脏病变组织的提取.     

基于分水岭算法的交互式三维分割方法

背景：在临床中准确对人体组织进行三维分割能提高临床诊断的准确性,但传统的分水岭算法存在过度分割问题,难以实现人体组织的三维分割。 目的：为准确三维分割人体组织,减少图像中伪极小值点对图像分割的影响,提出了一种基于控制标记符分水岭的交互式三维分割方法。 方法：提取CT序列图像的内部和外部标记符,以此修正梯度图像并进行分割;在此基础上,根据序列图像上下层的相似性,利用人机交互进行组织结构的三维分割。首先在第一张序列图像上手工选取感兴趣区域上的一个点,借助同一组织在连续CT序列图像上面积的重叠关系即可从三维序列图上提取出感兴趣区域。 结果与结论：基于控制标记符的分水岭算法解决了直接应用梯度图像进行分割的过度分割问题,便于进一步分割图像。利用基于分水岭算法的交互式三维分割方法得到的三维分割结果经过三维可视化后可清晰、准确地反映组织的三维特征。     

基于改进分水岭算法的组织细胞图像分析

组织细胞图像分割算法的研究是组织学图像检测技术的关键和难点所在。本文提出的细胞分割算法首先运用基于数学形态学的预处理把图像灰度间距拉开,然后模拟梯田灌溉的方式,通过先过分割再合并的改进分水岭算法来分割组织细胞图像,以得到最终结果。针对骨髓和软骨细胞进行实验,实验结果表明该算法的有效性。     

一种结合小波分析的新型分水岭算法的研究

分水岭算法用于图像分割时通常由于噪声的存在和梯度的不规则造成过度分割。我们提出了一种新型的分水岭算法，结合了小波分析和数学形态学的一些概念，有效地减少了过度分割现象的产生。实验表明：本算法实现了预期的分割目标，取得了良好的效果。     

一种基于水平集的前列腺超声图像自动分割算法

由于超声图像存在着斑点噪声和较低的信噪比,使得传统的分割算法很难应用于超声图像的自动分割,而手工分割方法非常耗时且重复性差.因此提出了一种基于水平集和改进径向浅浮槽算法(RBR,radical bas-relief)的前列腺直肠超声(TRUS)图像全自动分割算法.首先使用Sticks滤波器来去除斑点噪声,并且增强图像的对比度.然后使用径向浅浮槽算法来对图像进一步增强,通过使用形态学算法和边界填充得到前列腺的初始轮廓,使用该轮廓来初始化水平集算法,从而实现全自动分割.实验结果表明,该方法能有效地去除斑点噪声的影响,并且能够对前列腺超声图像实现较好的分割效果.     

一种用于尿沉渣图像的自适应阈值分割新方法

我们针对复杂散焦的尿沉渣图像的精细分割,首先使用小波变换和形态学处理消除散焦影响并进行图像的粗分割,然后对粗分割得到的小波变换子图像进行自适应阈值处理,结合形态学处理完成细分割,最后再采用剥离算法处理粘连重叠成分。该方法不受散焦影响,充分利用了图像的多种信息,实验结果表明,该方法对尿沉渣图像的分割有效且令人满意。     

基于生成对抗网络的肝脏CT图像分割

目的 从腹部计算机断层扫描(computed tomography,CT)图像中分割出肝脏区域,对于肝脏疾病早期诊断、肝脏大小估计以及3D重建十分重要,精准快速地分割出肝脏边缘成为研究要点.方法 采用公开发表的肝脏肿瘤数据集为研究对象,融合生成对抗网络和Unet网络对CT图像实现肝脏的自动分割.首先将腹部CT图像输入到Unet网络进行分割预测,然后通过生成对抗网络(generative adversarial networks,GAN)进行对抗训练,使得预测结果更加接近于真实结果,同时在进行对抗训练的过程中探索了不同的距离约束函数对于分割结果的影响;预测的分割结果通过Dice分数(dice similarity coefficient,Dice)、IoU分数(intersection over union,IoU)、像素精确度(pixel accuracy,PA)、相对体积误差(relative volume difference,RVD)以及相对表面积误差(relative surface area error,RSSD)在CT-核磁健康腹部器官分割挑战数据集[combined(CT-MR)healthy abdominal organ segmentation challenge data,CHAOS]数据集上进行评价.结果 L2距离约束的Gan-Unet网络可以很好地对肝脏进行分割,其Dice、IoU和PA分别达到了94.9％、91.3％、99.4％,相比于Unet的Dice、IoU和PA为92.3％、86.7％、95.8％有明确的提升.在三维指标中,本文的方法在RVD、RSSD为0.026、0.079,相比于Unet的0.042、0.191有明显下降.结论 通过对Unet网络进行生产对抗训练以及在训练过程中引入距离约束函数可以提高肝脏分割的性能,肝脏分割结果可以应用于计算机辅助诊断系统中.     

基于Prewitt算法的颅内CT图像病灶分割算法

针对颅内CT图像病灶周围存在大量噪声,分割结果欠佳的问题,本研究提出基于Prewitt算法的颅内CT图像病灶分割算法。首先采用改进型中值小波去噪算法,去除颅内CT图像中的噪声点,优化图像质量;然后使用基于Prewitt算法的图像分割法,完成去噪后CT图像的病灶分割。结果表明,本研究算法在分割颅内CT图像病灶时,错分率为对比算法的1/10,并可将颅内CT图像的噪声点全部去除。说明该算法对颅内CT图像病灶的分割可行性,可用于颅内CT图像病灶分割。     

基于骨髓细胞图像的流域分割新算法

为克服重叠骨髓细胞对图像分析造成的困难,需将重叠细胞群分离成单个细胞。为此,提出了一种基于流域分割的骨髓细胞二值显微图像的分割方法。首先,用迭代腐蚀方法从重叠细胞中检测出种子数。然后,以极限腐蚀集合作为种子点进行区域生长,直到原图的所有像素均被重新吸收。为了提高运算速度,在种子点选取和区域生长方面进行了控制处理。本研究在Matlab环境下运用此算法对多幅细胞图像进行了分割,实验结果表明,该算法能够得到较好的分割结果。     

一种基于CT图像的肝肿瘤组合分割法

目的研究如何对医学CT图像中的肝肿瘤进行分割。方法采用一种结合二值化处理、区域生长法、边界分割法的组合分割方法,对CT图像进行降噪和边缘锐化。对26张不同的CT图像上的肝肿瘤作了分割操作,验证该方法的可行性。结果该方法能将所研究的肝肿瘤从CT图像中准确地分割出来,同时对于轮廓清晰、与周围组织粘连少的肝部CT肿瘤图像分割较好。大部分能够实现理想分割,但仍有少数的分割效果与实际相差较远。结论该方法对一般的肝肿瘤的分割具有一定的有效性,但对其他肿瘤,特别是与周围粘连较多的肿瘤的分割还具有一定的局限性。     

基于MATLAB的CT肝脏肿瘤图像分割

目的 将CT图像中的肝脏肿瘤部分进行准确分割.方法 利用MATLAB平台对CT肝脏肿瘤图像进行预处理,并结合灰度转换、二值化处理、反色处理、形态学处理、区域生长法对病灶区域进行分割.结果 组合分割法能够发挥简单、快速、适合小病灶区域的分割特点,实现了肝脏肿瘤组织的分割,分割效果理想.结论 该方法用于肝部肿瘤的分割具有一定的有效性,但对于与周围粘连较多的肿瘤的分割还有局限性.     

放射治疗中医学图像自动分割的研究进展

回顾放射治疗中传统（非深度学习）自动分割算法和新近出现的深度学习（卷积神经网络和全卷积网络）算法的临床 应用和研究进展情况。对以强度阈值算法为代表的第一代自动分割技术,以聚类算法为代表的第二代自动分割技术,以基 于图谱库分割算法为代表的第三代自动分割技术进行了简要概述。指出基于深度学习的第四代自动分割技术已在鲁棒性、 一致性、效率等方面取得了较大提升,但仍存在一些偏差原因无法辨识、影像采集协议不一致、高质量数据集缺乏等局限性, 这些不足需要在日后的工作中不断加以完善。最后探讨了如何针对自动分割软件进行临床调试和质量保证的问题。     

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。     

基于特征点的人体红外图像自动分割技术

目的医学红外人体图像区域分割是大规模医学红外图像处理的关键步骤。为快速有效地获取医学红外图像中的人体信息,本文提出一种在医学红外图像中自动提取并划分人体区域的方法。方法由红外热像仪在静室中采集人的裸体红外图像,然后通过对红外人体图像灰度分布特征分析而取得的阈值来获取人体区域,以人体横向距离(宽度)函数结合人体红外图像中的特殊方向亮带的识别,提取人体的特征点,并通过特征点对人体区域进行分割。结果对来自8人的72幅图像进行验证,其中64幅可以正确分割,证明该方法可以对直立姿势的红外人体图像进行自动区域分割与提取。结论该红外人体图像区域自动分割算法可为基于红外图像的疾病筛查及计算机辅助诊断提供技术基础。     

全局与局部注意力机制的胃部肿瘤分割算法

通过CT实现术前胃部肿瘤诊断是一种潜在高效的技术方法,而准确的肿瘤影像分割是实现该方法的关键。为了能够精确地提取到肿瘤区域,提出一种基于注意力机制的2D分割网络GLat-Net对上腹部CT影像中的胃部肿瘤区域进行分割,通过增加对肿瘤周围区域的关注,从全局和局部两个角度提取有效的上下文信息;同时在解码模块中引入权重模块突出具有代表性的特征。通过实验结果证明,相比较于其他前沿分割方法,该算法在胃部肿瘤分割上有更高的准确度。     

结合蚁群算法的Snake模型的医学图像分割方法

图像分割是医学图像处理中一个网难而又极其重要的课题.本文提出一种新的结合Snake模型和蚁群算法的图像分割算法.Snake模型是一种将目标的轮廓模型与图像特征相匹配的分割方法,而蚁群算法可以帮助人们理解生物系统的原理以及在机器人技术、计算机图形学等领域已经得到广泛应用.本文在结合已有Snake模型和蚁群算法优点的基础上,提出了新的图像蚁群分割模型.实验结果表明,本文提出的分割方法能够比较好的保留图像的细节信息,并具有一定的抗噪声能力.     

基于卷积神经网络和Transformer的肝脏CT图像分割方法

针对现有的卷积神经网络在肝脏图像分割上精度较低的问题,提出了一种以U-Net网络模型为基础的分割算法。将多头自注意力机制引入到U-Net网络的跳跃连接中,在编码器部分使用空洞卷积,采用混合损失函数从而提高分割精度。在LITS数据集上通过实验结果表明,利用本文方法进行肝脏分割与传统U-Net方法相比Dice系数提升3.3%,平均交并比提升了2.4%,平均像素准确率提升了3.66%。     

基于重采样的胸部CT图像肺实质自动分割

目的胸部CT图像的肺实质自动分割是肺部疾病计算机辅助检测的重要基础。为提高分割速度,本文提出并实现了一种基于重采样的分割算法。方法首先对数据重采样,提取部分（1／8）体数据。再基于重采样体数据,通过阈值分割、胸腔提取、气管剔除、血管填充、左右肺分离和肺壁结节填充等步骤,得到初步分割结果。然后将该结果还原到完整数据体上,形态学平滑后即完成最终分割。最后将算法应用于20例患者数据（2556个断层）,并与放射科医生手动分割结果进行比较。结果本文算法对20例患者数据均能取得优异结果,与放射科医生手动分割的平均面积重叠率达99．02％,且适用于左右肺相连、肺壁存在结节、视野不完整等异常情况。通过数据重采样极大缩短分割时间,一般可缩短50％,一帧图像平均耗时小于0．25s。结论本文算法能够实现胸部cT图像肺实质的自动分割,结果准确可靠,鲁棒性好,速度快,基本满足实际临床需求。