Brain volumetry: an active contour model-based segmentation followed by SVM-based classification

In this paper a novel automatic approach to identify brain structures in magnetic resonance imaging (MRI) is presented for volumetric measurements. The method is based on the idea of active contour models and support vector machine (SVM) classifiers. The main contributions of the presented method are effective modifications on brain images for active contour model and extracting simple and beneficial features for the SVM classifier. The segmentation process starts with a new generation of active contour models, i.e., vector field convolution (VFC) on modified brain images. VFC results are brain images with the least non-brain regions which are passed on to the SVM classification. The SVM features are selected according to the structure of brain tissues, gray matter (GM), white matter (WM), and cerebrospinal fluid (CSF). SVM classifiers are trained for each brain tissue based on the set of extracted features. Although selected features are very simple, they are both sufficient and tissue separately effective. Our method validation is done using the gold standard brain MRI data set. Comparison of the results with the existing algorithms is a good indication of our approach's success.     

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。     

基于活动轮廓模型的图像分割算法综述

活动轮廓模型是一种重要的图像分割技术,它利用底层信息,并结合高层先验知识,实现对复杂目标轮廓的自动分割。自Kass等提出该思想以来的20多年中,活动轮廓模型在理论研究和应用方面均取得长足发展。首先,介绍活动轮廓模型的发展历程,重点阐述并分析典型的参数活动轮廓模型和几何活动轮廓模型,进而扼要介绍混合活动轮廓模型和快速求解算法;随后,从理论基础、分割效果、算法效率以及应用等方面,比较两类模型之间的区别与联系;最后,对活动轮廓模型未来的发展趋势进行展望。     

基于活动轮廓模型和边缘对比度特征量的血管内超声图像边缘提取

血管内超声（IVUS）图像冠状动脉血管壁的边缘提取对冠状动脉疾病的诊断和治疗有着重要意义。本研究提出了一种用于自动提取IVUS序列图像冠状动脉血管壁内、外膜边缘的方法。该方法基于活动轮廓模型以及本研究所定义的边缘对比度特征量，利用Hopfield神经网络并结合模拟退火算法自动提取IVUS序列图像冠状动脉血管壁的内、外膜边缘。实验结果表明，本研究方法易于实现，而且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，是一种较好的全局最优化算法。     

基于活动轮廓模型的超声心脏图像轮廓的自动检测

轮廓的提取是超声医图像学多维重建中最困难的问题之一,本文提出了一种超声心脏图像轮廓的自动检测方法,首先,根据超声图像的特点,对超声图像进行自适应加强中值滤波以消除斑点噪声,然后利用数学形态学的方法提取出心脏的初始轮廓。最后,运用活动轮廓模型,对初始轮廓进行逼近,得到精确的心脏轮廓,实验结果显示了方法的有效性,本方法在心脏超声图像的多维重建过程中,对序列断层图像心脏轮廓的提取有实际应用价值。     

基于二进小波变换和快速主动轮廓模型的医学图像边缘提取

医学图像的病灶边缘一般呈弱边缘特性,噪声干扰使得提取病灶边缘更加困难,传统的分割方法不能取得令人满意的效果.我们提出了一种基于二进小波变换和主动轮廓模型的病灶边缘提取方法.该方法采用二进小波检测出真正的边缘点,将其作为初始轮廓,再利用改进的快速主动轮廓模型算法连接边缘点,得到病灶的边缘.将该算法用于脑部MRI的肿瘤边缘提取的实验结果表明这种方法可以有效减少噪声的影响,能够准确地提取出复杂的病灶边缘.     

基于形变模型的医学图像分割算法研究

结合形变模型和模糊C-均值（FCM）分割技术，提出了一种基于形变模型的医学图像解剖结构轮廓分割方法，在FCM分类的基础上，利用成员隶属函数定义一种模糊约束力并附加于形变模型的外部约束力中．在该种复合外部约束作用下，使形变模型能更好地收缩于解剖结构的轮廓。图像实验结果表明该方法的有效性和可行性。     

基于定向局部对比度的眼底图像视盘检测方法

视盘作为眼底图像的一个重要特征,其自动检测方法在眼底病变图像分析中有着重要的作用。提出一种基于定向局部对比度滤波的方法,有效地提取眼底图像中的局部亮度区域;结合视盘区域的局部血管特征,选择定位出正确的视盘感兴趣区域;采用数学形态学方法和区域主动轮廓模型,可较准确地检测出视盘轮廓。对开放的STARE数据库上的81幅眼底图像进行测试,其中含31幅正常和50幅病变图像（含严重病理图像）,用该方法正确检测出视盘73幅,准确率约为90.1%。结果表明,该方法有效地克服大块亮斑病灶对视盘检测的影响,且仅需提取粗血管,计算较为简单,说明了算法的有效性。     

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。     

医学图像分割中的主动轮廓模型研究现状

主动轮廓模型具有强大的先验知识引入能力,非常适合解决复杂医学图像分割问题。本文介绍了两种主动轮廓模型的基本原理及其相互关系,详细综述了模型的几个重要改进措施,包括曲线的表示方式、基于梯度的ACM、基于区域的ACM,以及结合先验形状的ACM,并讨论了医学图像分割中的主要应用实例,最后展望了模型今后的研究方向。     

Liver Hydatid CT Image Segmentation Using Smoothed Bayesian Classification Method and Modified Parametric Active Contour Model

Liver hydatid disease is a common parasitic disease in farm and pastoral areas, which seriously influences people's health. Based on CT imaging features of this disease, an iterative approach for liver segmentation and hydatid lesion extraction simultaneously is proposed. In each iteration, our algorithm consists of two main steps: 1) according to the user-defined pixel seeds in the liver and hydatid lesion, Gaussian probability model fitting and smoothed Bayesian classification are applied to get initial segmentation of liver and lesion; 2) the parametric active contour model using priori shape force field is adopted to refine initial segmentation. We make subjective and objective evaluation on the proposed algorithm validity by the experiments of liver and hydatid lesion segmentation on different patients' CT slices. In comparison with ground-truth manual segmentation results, the experimental results show the effectiveness of our method to segment liver and hydatid lesion.     

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。     

Group Average Difference: A Termination Criterion for Active Contour

This paper presents a termination criterion for active contour that does not involve alteration of the energy functional. The criterion is based on the area difference of the contour during evolution. In this criterion, the evolution of the contour terminates when the area difference fluctuates around a constant. The termination criterion is tested using parametric gradient vector flow active contour with contour resampling and normal force selection. The usefulness of the criterion is shown through its trend, speed, accuracy, shape insensitivity, and insensitivity to contour resampling. The metric used in the proposed criterion demonstrated a steadily decreasing trend. For automatic implementation in which different shapes need to be segmented, the proposed criterion demonstrated almost 50% and 60% total time reduction while achieving similar accuracy as compared with the pixel movement-based method in the segmentation of synthetic and real medical images, respectively. Our results also show that the proposed termination criterion is insensitive to shape variation and contour resampling. The criterion also possesses potential to be used for other kinds of snakes.     

变形模型在冠状动脉二维运动跟踪中的应用

本文提出一种采用变形模型对X射线造影图像序列中的冠状动脉血管进行运动跟踪的方法.首先采用多尺度高斯滤波对造影图像序列进行预处理,将血管区域从背景中提取出来,灰度图像被转化成二值图像.然后,采用改进的离散活动轮廓模型对图像序列进行感兴趣血管段的运动跟踪,其中模型的初始位置是自动获取的.通过在外部能量中引入对端点的灰度相似度和对中间点的运动相似度的测量,有效地避免了模型沿血管收缩或漂移的现象.同时为了保证模型的连续性和光滑性,降低变形结果对权重参数的敏感性,在每次变形结束后对模型进行重新采样.对临床得到的造影序列进行了实验,结果证明了方法的可行性.     

基于贪婪算法的Snake模型

目的：为改善经典活动轮廓模型的缺陷。方法：本文提出一种新的基于贪婪算法的活动轮廓模型,对其内部能量中加入轮廓平均长度项的控制,外部能量中加入梯度方向势能,并提出区域能量在贪婪算法中的快速求解方法。另外采用动态调整蛇点的算法,使蛇点数目能够自适应地变化。结果：通过与传统的GVF算法分割结果比较,本文的分割效果较理想。结论：说明该方法分割准确性高并且对于用户的初始轮廓选择要求不高,具有一定的实用价值。     

血管内超声图像边缘提取方法的研究进展

血管内超声图像在心血管疾病的诊断和介入治疗中具有重要作用,超声图像的边缘提取有很强的现实意义。但超声频率的提高加大了噪声的影响,增加了血管壁内外膜边缘提取的难度。本文从预处理、检测模型以及算法实现三方面,回顾了近几年血管壁边缘提取的发展情况和研究动态,并对未来的发展方向进行了总结和展望。     

基于先验知识和几何主动轮廓线的三维超声瓣膜分割

几何主动轮廓线模型是一种有效的图像分割方法.但对于被噪声严重干扰的目标依然很难准确分割.特定目标的先验知识可以有效地指导目标的准确分割.我们把特定目标的区域和形状先验知识表示成一种速度场,把此速度场嵌入到几何主动轮廓线模型中,指导目标的快速准确分割.先验区域限制水平集在特定区域迭代,先验形状使曲线向理想轮廓演化.我们把该算法应用于三维超声图像的二尖瓣自动分割,结果表明该分割算法是快速和高效的.     

A novel active contour model for fully automated segmentation of intravascular ultrasound images: in vivo validation in human coronary arteries

The detection of lumen and media-adventitia borders in intravascular ultrasound (IVUS) images constitutes a necessary step for the quantitative assessment of atherosclerotic lesions. To date, most of the segmentation methods reported are either manual, or semi-automated, requiring user interaction at some extent, which increases the analysis time and detection errors. In this work, a fully automated approach for lumen and media-adventitia border detection is presented based on an active contour model, the initialization of which is performed via an analysis mechanism that takes advantage of the inherent morphologic characteristics of IVUS images. The in vivo validation of the proposed model in human coronary arteries revealed that it is a feasible approach, enabling accurate and rapid segmentation of multiple IVUS images.     

活动形状模型在医学图像分割中的应用

在医学临床实践和研究中经常需要根据各种图像对解剖结构进行识别和精确定位,以获取有用的信息。活动形状模型是计算机视觉领域成长很快的一类统计学模型方法,在图像分割和解释方面展示了相当可观的发展前景。对活动形状模型及其扩展算法活动表观模型的发展现状,以及它们在医学图像领域的应用和研究热点进行了总结并对技术的进一步发展进行了初步探讨。