基于混合金字塔吉布斯随机场模型的图像分割

最大后验 (Maximumaposterior ,MAP)估计已被广泛应用于基于吉布斯随机场 (GibbsRandomFields,GRF)的贝叶斯图像分割中。然而迄今为止 ,严格意义上的MAP估计仍无法实现 ,近似的MAP分割也遇到如 :计算量极大和GRF模型参数无监督估计难等问题。因此 ,针对这些困难 ,通过利用混合金字塔结构 ,扩展了传统单分辨率意义上GRF模型 ,提出一种多分辨率的混合金字塔吉布斯模型 ,从而圆满地解决这些难题。实验表明 :提出的模型算法有很好的鲁棒性 ,且易于实现对图像快速、精确分割。     

基于Gibbs随机场的有限混合模型改进与脑部MR图像的稳健分割

有限混合(FM)模型已经广泛地应用于图像分割，但是由于没有考虑空间信息，导致分割的结果对噪声很敏感，分割出的区域存在很多杂散的孤立点。本文Gibbs随机场理论的指导下，将空间信息引入FM模型，提出了改进的脑部MR图像分割算法。此外，由树形K平均聚类来估计初始参数，实现了全自动的图像分割。本研究进行了仿真MR图像和真实MR图像的分割实验，定量的数据分析表明，我们所提的改进算法对噪声不敏感，可以更精确地将脑部MR图像标记为灰质、白质与脑脊液三种组织类型。     

基于改进k均值与高斯混合模型的宫颈图像分割

针对宫颈癌智能化筛查系统需要从阴道镜图像中分割出宫颈区域的问题,提出一种改进的k均值与高斯混合模型相结合的图像分割方法。首先根据宫颈区域的代表性颜色和其距离图像中心点的距离,构造出待分类的数据集;其次通过对宫颈区域代表性颜色的重新计算,一种使待分类数据集可随着迭代的进行而动态调整的规则被加入到k均值算法中,使得k均值算法适用于多种光照环境下的目标图像分割;最后利用k均值的聚类结果,初始化高斯混合模型的参数,并得到最终的分割结果。75套来源于不同成像条件下的宫颈图像上的实验结果显示,该方法的平均分割精度达到65.1%,比采用基本k均值算法进行初始化的高斯混合模型算法高出5.5%,比模糊C均值聚类算法高出5.8%,比基本高斯混合模型算法高出8.5%;其均方差达到11.5%,与水平集算法相比降低5.6%。实验结果证明,该方法在阴道镜视野下的宫颈区域分割中是行之有效的。     

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SOM-FCM算法的脑MR多参数图像分割

目的:提出一种新的用于脑MR多参数图像的分割算法,并对算法性能进行评估.方法:应用自组织映射(SOM)神经网络将T1加权像和T2加权像的图像信息结合后进行粗分,粗分的结果作为模糊C均值聚类(FCM)算法的输入,并加入改进的聚类有效性函数作为最佳聚类数的判断依据.结果:对于组织类别数不同的图像,SOM-FCM算法能自动给...     

基于邻域信息和高斯加权卡方距离的脊椎MR图像分割

提出一种基于邻域信息和高斯加权卡方距离的脊椎MR图像椎体的自动分割方法.由于成像过程中存在噪声和各向异性的影响,单个像素的灰度值对噪声敏感,为此采用5像素×5像素窗口,提取每个像素点邻域内的空间-灰度特征,该特征对噪声具有较强的鲁棒性.利用高斯加权的卡方距离度量两个像素的相似性,构造一种全新的相似度矩阵;而单一的尺度参数存在一定局限性,所以引入一种自适应的局部收缩因子,完成脊椎MR图像椎体的自动分割.实验结果表明,新算法克服了传统方法中常见的过分割和欠分割现象,覆盖率均在96%以上;分割的正常和退行性改变椎体光滑且清晰,具有分割结果准确、鲁棒性强的优点.作为一种一般性的分割方法,该算法可以拓展到其他器官的分割中.     

一种结合FCM的Mumford-Shah混合模型MR图像分割方法

为了实现MR图像中多目标感兴趣区域的提取,提高MR分割精度。提出一种在Mumford-Shah混合模型中耦合模糊C均值聚类（FCM）的MR图像分割方法。首先,采用FCM对图像进行预分割,解决初始零水平集曲线的定位问题;其次,在Mumford-Shah混合模型的保真项中耦合感兴趣区域的FCM信息。所提取方法对脑白质、脑灰质、脑室平均重叠率分别为76.05%、72.61%和71.18%,而使用FCM方法分别为64.77%、62.38%和60.79%。实验结果表明：与FCM区域信息结合的Mumford-Shah模型在MR图像分割处理中有较高的分割精度与抗噪声能力。     

结合水平集和区域生长的脑MR图像分割

本文提出了结合改进的水平集和区域生长方法实现脑MR图像分割,并根据不同组织成像特征和组织结构特点采用不同算法分割进行了探索.主要步骤:首先用改进的水平集算法实现图像中骨组织和脑脊液(CSF)的提取;然后,依据直方图确定脑灰质(GM)、脑白质(WM)的近似灰度值,自动定位种子点后进行区域生长,实现脑灰质和脑白质的分离.实验结果表明,该方法充分利用了脑MR图像中的区域信息和边界信息,与传统单一算法分割脑MR图像相比,具有更强的鲁棒性和准确性.     

结合脑图谱和水平集的MR图像分割的研究

本文利用脑图谱的先验知识并结合水平集等算法实现对脑MR图像的初步分割。主要步骤：（1）选取数字脑图谱，对图谱进行预处理；（2）实现图谱与脑MR图像的配准；（3）利用图谱提供的轮廓信息对水平集算法进行初始化，完成颅骨和脑脊液的提取以及脑白质和脑灰质的分割。实验结果表明，利用脑图谱提供的信息可有效解决水平集算法初始化问题，缩小求解空间，减少迭代次数，该方法具有较好的鲁棒性。     

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。     

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.     

基于MR图像的脑组织分割方法研究进展

目的:探讨基于磁共振成像脑组织分割方法的研究进展。方法:对现有基于磁共振成像的脑组织分割方法进行分类,并对近年来国内外基于磁共振成像的脑组织分割方法的研究进展及其评价方法进行了比较详细的论述,最后对脑组织分割方法的发展趋势进行展望。结果:基于MRI的脑组织分割方法主要包括经典分割方法、统计学分割方法、形变模型分割方法、人工神经网络分割法,小波变换分割法和遗传算法等。结论:基于磁共振成像脑组织分割算法将趋向于自动化、快速化,并注重多种方法的有效结合,有望在新理论、新技术和新工具方面不断获得突破。     

点分布模型约束的主动轮廓及其在脑MR图像分割中的应用

针对脑部MR图像结构复杂，使用传统的主动轮廓进行分割时，对初始化位置敏感，且易受非目标轮廓干扰，陷入局部极值等问题，提出了利用点分布模型进行形状约束的梯度矢量流主动轮廓模型。该方法在训练样本集的基础上，建立反映待分割目标轮廓先验形状信息的点分布模型，以模型的均值作为参考初始化主动轮廓，并使用模型提供的参数限制主动轮廓运动过程中的形变范围，有效地解决了使用传统主动轮廓对复杂图像往往不能收敛到期望形状的问题。此方法成功运用于脑MR图像中胼胝体和大脑灰质的分割，取得了满意的效果，验证了此方法的有效性和鲁棒性。     

基于先验知识和MRF随机场模型的医学图像弹性配准方法

本研究提出了一种新的基于先验知识的弹性配准算法，首次把马尔可夫模型应用于图像的弹性配准方面。为了把关于变形场的先验知识融合到弹性配准过程中，本研究以马尔可夫随机场模型作为理论框架，以B样条为基函数来构造弹性变形模型，以弹性模型的B样条系数作为待估参数，以原图像和变形图像作为已知条件，把弹性变形模型和关于变形场的先验知识有机的融合到了马尔可夫随机场模型中，实现了一种基于变形场先验知识的弹性配准算法。这种新算法因为有变形场的先验知识，所以可以得到更好配准结果。本研究以变形场的平滑作为先验知识，可以有效改善局部极值的状况，提高算法的可靠性和鲁棒性。本研究分别对2D和3D图像进行了试验，试验结果证明了这种算法的有效性。     

基于形态学和高斯混合模型的3D T1-MRI大脑全自动分割算法

大脑的分割有重要的研究和临床应用,本文提出一种简单快速的全自动3 D T1-MRI大脑分割算法.该算法基于形态学运算和高斯混合模型,包括大脑分割初始化、断开连接和后处理三个步骤.第一次将大脑与头的体积比作为先验信息,大大提高了分割效率,在我们的机器上（内存256,1.5 GCPU）,用VC＋＋实现,算法平均执行时间仅需49秒.分割结果同IBSR提供的金标准进行了比较,相似度索引平均大于96.1%.     

基于模糊均值聚类算法的灰度不均匀脑MR图像的分割

磁共振图像经常被含有缓慢变化的灰度不均匀场所破坏,不均匀场会造成同一组织的灰度发生变化,从而影响计算机辅助诊断的准确性.传统的基于灰度信息的分割方法对具有不均匀场的磁共振图像分割效果往往并不理想.文章改进了基于灰度信息的模糊C均值(FCM)算法,将偏移场模型、代表图像空间信息的邻域控制信息和最小二乘曲面拟合方法有机结合,能同时实现图像的校正和聚类,适用于灰度不均匀脑部磁共振图像的分割,分割精度明显优于已有的基于FCM的分割方法.     

脑梗塞患者MR图像分割的研究

目的研究一种可实现脑梗塞患者MR图像脑组织分割的算法.方法根据脑梗塞患者MR图像中脑组织的区域和边缘的特性,对传统水平集算法进行改进,实现了对特定目标体分割的能力,降低了边界泄漏发生的可能性.结果通过体膜和大量脑梗塞患者MR图像实验和SPM5对比,实验证实了改进算法对MR图像分割的准确性和鲁棒性. 结论该算法为脑梗塞患者的脑图像分析和脑组织测量提供了一种有效的分割方法.     

基于贝叶斯分类的水平集MR图像分割方法

本文介绍一种结合贝叶斯分类的水平集方法用于人体MR图像分割.本方法首先通过贝叶斯分类模型计算出水平集曲线位于边界上的概率;其次,将与此概率相关联的区域决策影响因子添加在水平集函数方程中;最终,实现利用图像的区域信息提高水平集曲线识别边界能力的目的.分割实验结果表明,该方法较好地克服了传统水平集方法在MR图像分割中存在的边界泄露问题.与其他MR图像分割方法比较,本方法具有更优的分割结果.