用改进的耦合水平集方法从MSCT中分割左心室

新型的多层螺旋CT(MSCT)能提供含有时间信息的四维CT成像数据,可用于动态心、肺功能的分析,但如何从中自动或半自动地精确分割出心脏和肺等器官是研究成功的关键。提出一种基于改进的耦合水平集自动分割方法(ICLS),从心脏MSCT数据集中精确提取左心室腔和心肌。根据层片间的结构连续性,自动定位并获取左心室腔的粗轮廓,作为水平集的初始化轮廓,同时,将腔粗轮廓和左心室先验知识融合到耦合水平集中,自动获取左心室内外膜的精确边缘。在8例256层MSCT三维心脏数据集上的实验表明I,CLS模型对血腔的分割结果和手工分割结果的平均相似度在95%以上,心肌的平均相似度在90%以上;分割结果的三维表面重建验证了ICLS方法提取出的左心室具有良好的各向同一性和完整性。     

一种改进的自适应形变模型及其血管内超声图像边缘提取应用

血管内超声（IVUS）图像冠状动脉血管壁内膜的边缘提取对冠状动脉疾病的诊断和治疗有着重要意义。提出一种改进的自适应形变模型（T-Snake），该模型能够解决基本T-Snake模型中的自交（Self-collisions）问题，并有着更高的数值计算精度。同时，基于改进的T-Snake模型，给出一种用于自动提取IVUS序列图像冠状动脉血管壁内膜边缘的方法。实验结果表明，所提出方法准确性和可靠性较高，对IVUS序列图像处理的可重复性和鲁棒性较好；表明了改进T-Snake模型的有效性和可实现性。     

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。     

基于知识的三维核医学图像左心室心肌区的提取

从心脏PET或SPECT图像中提取完整的心肌区域是定量分析心功能的前提。心脏的PET和SPECT图像边界模糊，在病理状态下可能有局部显像缺失，致使图像分割困难。本研究提出一种基于医学知识的快速推进法，利用拟合的椭球模型将边界演化推进到局部低显像区，从而分割出一个完整的左心室心肌区域。实验图像测试和实际图像分割表明这种算法对于有显像缺失的三维核医学心脏图像的分割是有效的。     

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。     

超像素有偏观测模糊聚类的乳腺超声图像分割

图像分割在医学超声图像的定量、定性分析中均扮演着十分重要的作用,并直接影响到后续的分析、处理工作。乳腺组织的特殊性导致了其超声图像纹理复杂、噪声明显、对比度较低,临床应用难以准确自动分割,诊断较依赖于人工观测。针对此问题提出一种基于超像素和模糊聚类技术相结合的图像分割算法。采用紧密度自适应的简单线性迭代聚类产生超像素,实现初步划分,减小计算量;计算各超像素的特征向量组成集合;采用聚类有效性分析和有偏观测模糊C均值聚类将特征向量分类,实现目标区域的有效分割。采用此方法对20帧乳腺超声图像进行图像分割实验,采用基于区域的评价准则对分割结果进行量化评估,评估结果表明真阳性为92.87%±2.98%,假阳性为11.05%±2.75%,相似性为83.39%±3.64%,取得了较好的分割结果。对乳腺肿块超声诊断的辅助方法研究具有探索意义。     

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。     

一种脑MRA图像自动分割算法及其在图像导引神经外科中的应用

图像导引神经外科技术是在神经外科手术过程中减小患者刨伤的有效方法。在这种方法中，医学图像分割质量的好坏直接影响着手术过程的准确性。本研究提出了一种新的基于MRA图像的自动分割算法，这种算法通过各向异性滤波，统计阈值分割，数学形态学滤波，和基于边界距离场的活动轮廓模型来对MRA图像进行自动分割和分割结果的可视化。数据实验表明用这种算法对MRA图像进行分割的结果可以有效地用于图像导引神经外科，并且算法具有一定的鲁棒性。     

基于自适应分区演化水平集的肾脏肿瘤超声图像分割

肾脏肿瘤已经成为威胁人类健康的重要疾病之一。超声检查具有普及率高、价格低廉、无辐射等诸多优点,已广泛应用于肾脏肿瘤的诊断中。超声图像中肾脏肿瘤的准确分割是制定治疗方案的基础。肾脏肿瘤往往生长在肾皮质中间,分割容易受到周围脏器干扰,而且超声图像对比度低、斑点噪声严重,使得肿瘤分割困难。本文根据肾脏超声图像的特点,提出基于自适应分区演化水平集(ASLSM)的肿瘤分割算法。首先,将感兴趣区域图像分区;然后,融合内外能量项和梯度设计目标函数,并自适应调整二者比例;最后,根据质心原理和零水平集内外相似度自适应卷积半径及曲率,进行曲线演化。将本算法用于肾脏超声图像,实验结果中豪斯多夫距离(HD)为(8.75±4.21)mm,平均绝对距离(MAD)为(3.26±1.69)mm,戴斯系数(DICE)为0.93±0.03。与传统的方法进行比较,实验结果证明本算法可以获得更加准确的肿瘤分割结果,今后本算法或可为辅助医生定位和诊断肾脏肿瘤提供便利。     

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。     

基于活动轮廓模型的B超乳腺肿瘤图像分割

乳腺良、恶性肿瘤在形态上存在较大差异,其形态学变化可以作为临床医生判断的重要依据.目前临床广泛使用的超声成像系统采用的是基于阈值的分割方法 或医生手动的分割方法,这对大多数灰度差异不显著的B超图像分割效果不好.本文采用基于形变模型的图像分割算法来分割肿瘤区域,并对自动snake算法做了一些改进,实验结果 表明该算法适用性好,分割结果 接近自然边界,且对B超图像固有的斑点噪声不是很敏感,较好实现了乳腺肿瘤区域的交互式半自动提取.     

基于纹理分析的带标记线心脏MR图像分割

背景：左心室边界的准确分割是对左心室运动及形变进行分析的前提。由于受带标记线心脏核磁共振图像中标记线强梯度的影响,对左心室内膜的提取变得非常困难。 目的：为了抑制标记线对图像分割的影响,提出了一种基于最小值-方差能量图的纹理分析方法。 方法：首先对局部最小值和方差进行加权求和,得到能量图;然后利用中值滤波滤除能量图中的伪影并保持边界;最后,应用GVF-snake模型提取左心室内膜。 结果与结论：针对标记线在心脏MR图像中的分布特征,提出了一种基于最小值-方差的纹理分析方法,该方法有效地去除了标记线。结果提示,对使用该纹理分析方法生成的能量图应用GVF-snake模型可以较好地提取左心室内膜。     

基于灰度积分投影与模糊C均值聚类的肺实质分割

提出一种基于灰度积分投影与模糊C均值聚类的肺实质分割算法,用于CT图像的快速自动分割。首先,对原始肺部CT图像分别在水平和垂直方向上进行灰度积分投影;然后,选用平滑样条曲线拟合平滑原始图像的积分投影曲线,并提取拟合平滑前后曲线的极大值点,确定肺实质初始边界;最后,利用模糊C均值聚类算法对边界内区域进行分割,结合滚动小球法修复边界区域,获得肺实质区域。选取LIDC (肺部图像数据库联盟)数据库中20组图像（平均每组图像包含120幅CT图像）进行实验,平均分割精度为95.66%,平均每幅图像花费时间为0.77 s。实验结果表明,该方法可以用于CT图像肺实质分割,具有全自动、高精度、鲁棒性等特点。     

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。     

基于血管匹配的三维超声与CT图像的配准方法

提出一种基于血管匹配的三维超声与CT图像配准的新方法.首先,基于水平集方法自动分割出CT图像中的血管；其次,由于超声图像中的声影与血管均属于低回声区域,我们结合声影形成的物理原理及图像纹理特性,自动检测出声影区域,以提高配准的鲁棒性；最后,采用进化算法,将CT图像中分割出的血管与超声图像中低回声区域进行匹配.在肝脏体模和临床脾脏数据上进行了实验验证,自动配准的成功率在95％以上,平均目标配准误差在2 mm以内,实验结果验证了本方法的可行性.     

一种基于生成对抗网络的无监督域自适应磁共振图像分割方法EI北大核心CSCD

智能医学图像分割方法正在快速地发展和应用,但面临着域转移挑战,即由于源域和目标域数据分布不同导致算法性能下降。为此,本文提出了一种基于生成对抗网络(GAN)的无监督端到端域自适应医学图像分割方法。设计网络训练调整模型,由分割网络和鉴别网络组成。分割网络以残差模块为基本模块,增加对特征的复用能力,降低模型优化难度,并将分割损失与对抗损失相结合,在鉴别网络的作用下学习图像特征层面的跨域特征。鉴别网络采用卷积神经网络,并带入源域标签训练,用来区分生成网络的分割结果是来自源域或目标域,整个训练过程无监督。使用膝关节磁共振(MR)图像公开数据集和采集的临床数据集进行实验,与经典的特征级域自适应方法和图像级域自适应方法对比,所提方法的平均戴斯相似性系数(DSC)分别提高了2.52%与6.10%。本文方法有效提高了分割方法的域自适应能力,显著提高了对胫骨和股骨的分割精度,可以较好地解决磁共振图像分割中的域转移问题。     

基于肺部CT序列图像的肺实质三维分割

目的:肺实质分割是基于CT图像的肺结节计算机辅助检测技术必不可少的步骤。结合阈值技术、连通区域标记以及形态学技术,提出了一种简单有效的从CT图像中分割三维肺实质的方法,以期能为后续肺结节计算机辅助检测技术的研究奠定基础。方法:首先,将原图像二值化,并应用三维连通域标记去除背景及细小空洞;然后,经三维区域生长法去除气管;最后,经形态学滤波平滑肺边界得到肺部精确的三维模板,并采用该模板从CT序列图像中分割出肺实质。结果:根据对20组层厚2.0mm、每组约250个切片的肺部CT临床数据实验验证,其肺实质分割的平均正确度为91.55%,处理单组数据平均耗时167.4563s。结论:实验结果表明,本文方法能自动快速地从CT序列图像中分割出肺实质。     

基于区域生长超声图像分割血管边界反映血管病变

背景：通过分析超声血管图像能反映血管的病变情况。 目的：采用区域生长理论对超声图像进行图像分割,分析边界点的相对位移。 方法：先对视频图像分帧,将动态图像转换为静态图像,采用Gabor滤波、自适应直方图量化去除超声图像噪声,然后运用区域生长法对图像做分割,接着通过开闭运算、sobel算子检测图像边界,最后提取出两条血管边界。 结果与结论：通过Gabor滤波、区域生长法等手段,得到了比较好的分割结果。区域生长法在处理速度上满足了实时性要求,具有一定的通用性。并且通过分析边界点的相对位移曲线,一定程度上反映血管的病变。