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.     

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.     

利用图谱匹配分割标注VHP数据集

利用TT脑图谱中丰富的结构信息,本文提出了一种自动分割脑图像的方法,并将其用于Visible Human数据集（VHD）的脑图像的分割,这种方法可分为两步,首先,将VHD中的脑图像和TT Atlas配准,通过图像和医学图谱的匹配,可以把图谱中存储的拓朴信息直接映射到ＶＨＤ,然后,利用这个预分割的模板对VHD脑图像进行模糊聚类分割,为自动将模板中的结构信息用于分割,本文利用Chamfer距离变换,提出了一中引入形状因子的FCM聚类算法。     

一种基于水平集的医学图像分割算法

对Chan和Vese提出的活动轮廓线图像分割算法进行改进,用边界统计特性代替Chn-Vese方法中的区域统计特性.在图像分割的每次迭代中,首先根据当前曲线找到其边界统计特性,然后代入演化方程以使曲线运动到目标边界上,并用水平集方法实现.实验结果表明该算法在器官轮廓分割中是有效的.     

阿尔茨海默病患者MR图像偏差场修正和脑组织分割的研究

目的探索适用于阿尔茨海默病（Alzheimer’s disease,AD）患者MR图像脑组织的分割的方法。方法结合阿尔茨海默病患者MR图像中组织区域和边缘的特性对传统水平集进行改进,利用同态滤波对图像进行偏差场修正,增加了UNSHARP MASK处理方法,有效避免了水平集边界泄漏问题。结果标准体膜和真实数据实验证实,该改进算法分割结果优于SPM5。结论利用修正偏差场和添加UNSHARP MASK方法有可能提高AD患者MR图像脑组织分割的准确性和鲁棒性,本研究为MR图像脑组织的精确分割和进一步准确测量作了有益探索。     

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.     

一种基于水平集的脊柱MRI图像分割算法的研究

水平集方法应用于图象分割的曲线或曲面进化问题,是一种稳定有效的数值计算方法.本文基于水平集方法提出了一种新的医学图像解剖轮廓分割算法,定义了一种用于终止进化的速度函数,构造了一种基于领域的进化方式.并对脊柱MRI图象进行了分割实验.得到了令人鼓舞的结果.表明了该种算法的可行性和有效性.     

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。     

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。     

基于直方图拟合的MRI图像水平集分割

利用混合高斯模型对MRI图像直方图进行分析,将拟合获得的特征参数作为水平集曲线进化的约束条件,对医学图像进行分割。分割中采用的自适应Level Set方法,能够自适应地确定曲线进化方向（扩张或收缩）,而不必在分割之前指定其进化方向,减少了人工干预;同时也克服了传统测地活动轮廓线（GAC）方法对图像梯度信息的过分依赖,以及由于对图像进行大尺度高斯平滑处理造成边缘点移动、定位准确度下降的缺陷。分别对MRI仿真和真实图像进行了实验,MRI仿真实验的分割敏感性、专一性和总体性能指标分别达到了94.72%、97.52%和97.22%。分割结果的定量分析和定性分析表明算法的有效性以及较高的分割准确度。     

Segmentation of Bacteria Image Based on Level Set Method

In biology ferment engineering, accurate statistics of the quantity of bacteria is one of the most important subjects. In this paper, the quantity of bacteria which was observed traditionally manuauy can be detected automatically. Image acquisition and processing system is designed to accomplish image preprocessing, image segmentation and statistics of the quantity of bacteria. Segmentation of bacteria images is successfully realized by means of a region-based level set method and then the quantity of bacteria is computed precisely, which plays an important role in optimizing the growth conditions of bacteria.     

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。     

一种基于快速混合型K均值的水平集图像分割方法

目的:为提高水平集图像分割方法的速度。方法:本文介绍一种基于快速混合型K均值的水平集方法用于图像分割。首先介绍基于Mumford-Shah模型的水平集方法;然后介绍传统标准K均值方法与水平集方法的联系,分析其缺陷;最后提出了一种快速混合型K均值的方法,在保持传统水平集算法鲁棒性的前提下,较好地提高了计算的速度。结果:该方法与标准水平集方法相比,运算所花费时间相对减少。结论:该方法利用K均值算法的简易和高效率,达到提高水平集方法分割速度的目的,具有一定的实用价值。     

A CT Image Segmentation Algorithm Based on Level Set Method

INTRODUCTION Image segmentation is one of the most important topics in medical image processing fields. In manycases, image segmentation is prerequisite. For example: In radiodiagnosis, in order to give dose protec-tion for lung organ, it is necessary to segment it frombreast CTslices. In order to give detailed informa-tion about the focus, it should be extracted from other healthy tissues. All the problems mentioned arerelative to howto express the object regions and contours accurately…     

基于图谱的肝脏CT三维自动分割研究

目的在肝脏外科手术或肝脏病理研究中,计算肝脏体积是重要步骤。由于肝脏外形复杂、临近组织灰度值与之接近等特点,肝脏的自动医学图像分割仍是医学图像处理中的难点之一。方法本文采用图谱结合3D非刚性配准的方法,同时加入肝脏区域搜索算法,实现了鲁棒性较高的肝脏自动分割程序。首先,利用20套训练图像创建图谱,然后程序自动搜索肝脏区域,最后将图谱与待分割CT图像依次进行仿射配准和B样条配准。配准以后的图谱肝脏轮廓即可表示为目标肝脏分割轮廓,进而计算出肝脏体积。结果评估结果显示,上述方法在肝脏体积误差方面表现出色,达到77分,但在局部（主要在肝脏尖端）出现较大的误差。结论该方法分割临床肝脏CT图像具有可行性。     

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。