基于全局和局部相关熵活动轮廓模型的超声图像分割算法

局部相关熵K均值(LCK)模型在非高斯噪声和图像灰度不均匀时具有较好的图像分割效果,但是其计算复杂度较高,收敛较慢。针对该问题,本研究将局部相关熵能量项和全局相关熵能量项结合,提出了全局与局部相关熵K均值(GLCK)图像分割算法。其中局部相关熵力在目标边界附近起主导作用,用来吸引水平集函数曲线到达目标边界,而全局相关熵力在远离目标边界处起主导作用。对超声医学图像和人工合成图像进行了图像分割实验,并同LCK等模型进行了对比,结果表明提出的GLCK模型具有更好的鲁棒性和图像分割精度,并且计算时间也显著减少。另一方面GLCK模型对于噪声和模糊边界影响严重的超声医学图像,具有好的分割效果。     

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。     

一种改进局部二元拟合的灰度非均匀图像分割

针对局部二元拟合(local binary fitting,LBF)能量模型对活动轮廓曲线初始位置较为敏感的缺点,本文提出一种改进局部二元拟合的灰度非均匀图像分割模型。首先把水平集函数初始化为一个常数,然后在迭代过程中引入一个扰动项,从而引导目标区域的水平集函数值发生符号变化。实验结果表明,上述模型能够有效地应用于灰度非均匀图像的分割。与LBF模型相比,本文模型无需人工选择活动轮廓曲线的初始位置,且避免了由于初始位置选择不当造成的分割错误。     

基于相对模糊连接度的联合主动轮廓模型及其在医学图像分割中的应用

针对医学图像背景复杂、边界模糊、局部不均匀等特点,提出了一种基于相对模糊连接度的联合主动轮廓模型,并将其应用于医学图像分割。首先介绍主动轮廓模型的曲线演化方程和模糊连接度的相关理论,然后将相对模糊连接度作为曲线演化驱动力引入曲线演化方程,最后用实验证明该方法对多目标医学图像和复杂医学图像的有效性。由于模糊连接度方法综合了局部信息和全局信息,因此可以克服Li方法容易陷入局部最优的问题和Chan-Vese方法不能越过局部伪边界的问题,从而使联合主动轮廓模型的演化曲线最终收敛于全局最优边界。     

一种新的舌癌图像快速自动分割方法

目的:研究一种新的舌癌图像自动分割算法以实现对舌癌肿瘤的快速准确分割。方法:通过引入一种基于局部均方差的自适应尺度算子实现演化曲线在演化过程中的自动调整,从而更高效率地向真实目标边界运动,并且克服舌癌肿瘤图像中目标边界不清和图像灰度不均匀等不良因素带来的影响。此外,为加快曲线的收敛速度,本文提出了一种新的能量项评估演化曲线轮廓内部和轮廓外部区域灰度的分布差异,以此引导曲线自适应地调整演化速度,减少完成分割任务所需的迭代次数。结果:使用本方法对22幅舌癌肿瘤MRI图像进行分割,分割结果与真实结果之间的重叠率Dice值为0.82,豪斯多夫距离HD值为1.732 mm。结论:将本文算法与其它现有的几种活动轮廓模型进行定性和定量对比分析,实验结果表明本文算法在对细节及弱边缘灰度的处理上表现更加优异,可用于舌癌肿瘤的精确分割,为临床分析提供辅助信息。     

RSF模型的优化及其在MRI脑肿瘤分割中的应用

磁共振成像(MRI)具有图像模糊,灰度不均等特点,其分割问题一直都是研究的热点和难点。可变区域拟合(RSF)能量模型是一种较新的区域活动轮廓模型,可用于灰度不均匀图像的分割。然而,RSF模型设定的水平集函数(LSF)不适合初始轮廓内外灰度分布不同的环境,应用于整体灰度环境复杂的脑肿瘤MRI图像时,通常得不到理想的分割结果。构建新的LSF,并辅以mean shift平滑算法可使其更适用于肿瘤图像的分割,使新模型具有更好的收敛性和目标指向性。利用优化后的模型进行一系列实验,其结果表明:该算法鲁棒性强,可以快速、准确地分割出MRI图像中的脑肿瘤,具有显著的临床意义。     

交互式GACV模型的肿瘤图像分割

目的:提取医学图像中肿瘤区域,用以测量肿瘤体积问题。方法:提出一种基于GACV(Geodesic-Aided C-Vmethod)的交互式模型。该模型首先人工选取感兴趣区域,并在区域内设定初始水平集与肿瘤内部种子点,然后在感兴趣区域上应用将图像梯度边缘信息与图像区域灰度特性统一到同一分割中的GACV模型,得到肿瘤的粗分割结果。最后为去除目标内外孔洞,提出一种无损边缘的膨胀搜索算法,作为细分割。结果:将该模型应用于不同形状的肿瘤图像中,能成功检测肿瘤轮廓。通过实验与其它活动轮廓分割方法结果对比,结果显示该模型在准确分割肿瘤边界与分割算法耗时方面均具有良好表现。结论:本文提出的分割方法能高效率、准确识别肿瘤区域。     

基于纹理分析和双边滤波方法对加标记心脏核磁共振图像分割

背景:加标记心脏核磁共振成像方式提供了左心室内外心膜的边缘信息,该边缘信息可由分割图像得到。但是,所引入的标记线加大了这类图像边界分割的困难。目的:针对目前在加标记心脏核磁共振图像中对左心室分割困难的问题,提出了一种新的自动分割的方法。方法:首先,使用全局直方图规定化方法增强标记和非标记区域的对比度;然后,利用一种简单的纹理分析方法区分血流充盈的心腔(非纹理)区域和加标记心肌(纹理)区域;再应用双边滤波在保持边界的同时滤掉图像的伪影;最后,用GVF-snake模型自动提取左心室图像的边界。结果与结论:提出了一种简单的纹理分析方法来移除标记线:用局部窗口中的最大灰度值与最小灰度值之差来代替原象素点灰度值,再运用双边滤波滤除图像伪影并保持边界,最后应用GVF-snake模型实现了左心室边界的有效提取。实验结果显示,该方法能够较好地提取部分加标记心脏核磁共振图像中血流充盈区的边界。     

基于特征学习框架的前列腺超声图像分割方法研究

目的从临床经直肠超声(TRUS)图像中自动地分割出前列腺边界。方法选择四川大学华西医院TRUS前列腺图像218幅,其中60幅图像作测试集样本,剩余158幅图像为训练集样本。基于特征学习框架的前列腺超声图像分割方法,首先利用图像的致密尺度不变特征学习框架,快速地从图像中定位前列腺边界,然后从训练得到的多个先验平均形状中,选择与特征分割结果最接近的平均形状作为初始化轮廓,构建离散形变模型能量函数及局部高斯分布内外能量函数,优化能量函数从而实现前列腺的分割。结果根据其图像的Dense尺度不变特征变换(SIFT)特征,利用训练好的支持向量机(SVM)分类器,得到基于特征框架的分割结果,再根据建立的多个平均模型中拟合出最优的于该图像的形状模型进行分割,利用构建的轮廓内外能量函数最小化实现分割。分割结果与手动分割的"金标准"轮廓间的Dice相似性系数(DSC)为96.06%±1.11%,平均绝对距离误差(MAD)为(1.74±0.49)像素。结论采用多分辨率的分割方式,以提高鲁棒性和分割的效率,通过形状模型能够估计出前列腺伪影区缺失的边界信息,实验结果也表明了该方法的有效性。     

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。     

基于最小方差Snake模型的医学图像分割

传统的参数活动轮廓模型（Snake模型）难于处理自动分割医学图像的弱边界。我们在分析参数活动轮廓和几何活动轮廓模型的基础上，提出最小方差参数活动轮廓模型，并成功应用于医学图像自动分割。该方法将气球力Snake模型中的恒定气球力修改为包含区域信息的变力，以目标和背景两区域具有最小方差为准则，引导轮廓线演化。实验结果表明，该模型对初始轮廓位置不敏感，能实现自动分割。对于带噪声的医学图像，先进行保边界特性的曲率流滤波，然后应用该模型也能取得满意的分割效果。     

基于Group-Depth U-Net的电子显微图像中神经元结构分割

针对电子显微（EM）成像存在边界有损、模糊不均匀以及神经元结构本身轮廓纹理复杂难以定位的问题，提出一种深层卷积神经网络模型Group-Depth U-Net，以实现EM图像中神经元结构的自动分割。该模型采用更加深层的U-Net架构作为骨架网络，以获取更加丰富的图像特征信息；同时采用分组卷积网络结构，使模型更加高效、防止过拟合，从而提高分割的准确性与效率。公开的数据集实验表明该模型相比U-Net达到了更好的分割准确率。     

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。     

基于交叉熵和GVF-Snake的子宫肌瘤高强度聚焦超声图像自动分割算法

目的:高强度聚焦超声(HIFU)广泛应用于肿瘤无创治疗,目前手术中多用超声成像技术进行导航,但由于HIFU图像对比度低,信噪比低以及目标边界模糊等缺点,HIFU图像的目标识别与分割是重点也是难点,所以需要提出能够自动快速获得HIFU图像肿瘤轮廓的分割方法。方法:GVF-Snake模型算法能够有效地利用超声图像的局部与整体信息实现边界的准确定位,非常适用于HIFU图像分割,但是作为参数活动轮廓模型,GVF-Snake对初始轮廓的依赖性较强,而且通常采用手画初始轮廓,增加了人为因素对试验结果的干预。针对GVF-Snake的相关特性,本文提出用二维最小交叉熵阈值分割法来提取初始轮廓。交叉熵是度量两个统计概率分布之间信息量差异的物理量,分别表征分割前后图像中像素特征向量的概率分布,当原始图像和分割图像之间的信息量差异最小时,便得到最优阈值。使用二维最小交叉熵算法求得初始轮廓后,进而使用GVF-Snake模型收敛,得到最终结果。结果:该算法对HIFU图像中子宫肌瘤的识别与分割具有较为理想的效果,统计结果显示灵敏度平均值达到87.56%,标准化的Hausdorff距离指数平均值达到4.95%,整体算法的运行时间平均值达到2.16 s。结论:该分割算法通过GVF-Snake自动生成初始轮廓,避免了人为干预,整体分割算法快速精准,取得了较好的实验结果,为其在HIFU设备的应用奠定了基础。     

基于对比学习和轮廓引导U-Net的细胞核分割

针对细胞核分割中遇到的细胞核边缘模糊和重叠问题，提出一种基于对比学习和轮廓引导U-Net的细胞核分割方法。首先，为解决已标记数据不足的问题，提出全局和局部特征对比学习，利用未标记病理图像的全局特征和局部特征进行对比学习。然后，为提高U-Net的分割性能，提出轮廓引导的U-Net对每层编码器的轮廓特征进行融合，并利用融合后的轮廓特征和Jeffreys散度驱动的主动轮廓方法引导和辅助细胞核分割。最后，利用全局和局部特征对比学习与轮廓引导的U-Net进行交替训练，将置信度较高的未标记数据作为伪标签，混入到已标记数据中，再使用轮廓引导的U-Net进行分割训练。实验结果表明，该分割方法能够有效提高细胞核分割的准确性，具有较为稳定的分割性能。     

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。     

基于CV-RSF模型的甲状腺结节超声图像分割算法

结合CV模型和RSF模型,建立CV-RSF模型,实现甲状腺结节超声图像半自动分割算法。基于CV模型的全局信息对图像粗分割,并以粗分割结果作为RSF模型的初始轮廓,然后再利用RSF模型的局部信息对病灶实现最终的分割。根据设定的两组不同初始轮廓,分别利用RSF模型和CV-RSF模型对病灶分割。结果表明,CV-RSF模型解决了RSF模型对初始轮廓敏感的问题,而且通过重叠率的对比,CV-RSF模型分割更准确。对比RSF模型,CV-RSF模型实现的甲状腺结节超声图像半自动分割算法,更加有效、准确。     

基于轮廓匹配和多项式拟合的虹膜分割算法

虹膜图像在采集过程中由于个体差异、采集环境等因素的影响,存在遮挡、偏角等噪声。针对该问题,提出一种基于轮廓匹配和多项式拟合的虹膜分割方法。首先将虹膜图像分为理想型虹膜图像与非理想型虹膜图像;其次针对理想型虹膜图像,根据圆的标准方程检测虹膜边界实现虹膜分割,针对非理想型虹膜图像,通过轮廓匹配算法获得带遮挡部分的虹膜后,采用多项式拟合的方法去除眼睑等遮挡部分,实现虹膜的准确分割。本文算法实现虹膜分割的错误率nice1为1.5%,nice2为1.9%,且F1值达到93.65%。结果表明,该方法能够有效地去除虹膜图像中的遮挡噪声,具有较高的虹膜分割准确率。     

基于先验概率和统计形状的前列腺超声图像自动分割方法

从经直肠超声图像中自动精确地提取前列腺边界。采用基于先验概率和统计形状的前列腺超声图像自动分割新方法。首先,利用致密尺度不变特征变换,从超声图像中快速定位前列腺;其次,从多个统计形状模型中选择最优模型,在分割过程中,前列腺伪影区域缺失的边界信息可通过形状模型估计;最后,在最优形状模型指导下,采用多分辨率分割方式,利用局部灰度模型和局部高斯分布函数能量的最小化,实现前列腺的自动分割。用30幅超声图像测试得到平均Dice相似系数(DSC)为0.9552,平均绝对距离(MAD)的均值为0.5016 mm。该方法相比传统的形状模型的分割精度有较大提高。     

基于活动轮廓模型的彩色白细胞图像自动分割方法研究

为解决血液白细胞显微图像自动识别中的图像分割问题,提出了一种基于活动轮廓的彩色白细胞图像自动分割方法,首先在Hue,Saturation,Intensitv（HSI）彩色空间中运用聚类分割得到细胞核,从而得到细胞所在的位置,然后用流域算法得到细胞大致的轮廓,最后将此轮廓作为初始轮廓,用梯度矢量流（GVF）外力及来自全局信息的区域力驱动,结合彩色信息,使得轮廓收敛于真实的细胞边界。实验结果表明,此方法能精确、有效地分割出单个以及部分重叠白细胞区域。