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。     

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.     

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。     

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.     

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。     

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。     

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。     

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…     

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。     

水平集方法及其在图像分割上的应用

对图像分割进行研究,是图像处理的一个重要问题.Level Set方法是一处描述曲线以曲率相关的速度演化的有力工具.本文研究了水平集曲线的演化方法,对水平集方法的原理进行了比较详细的阐述,并将其应用于图分割.     

基于边界跟踪算法的脑磁共振图像分割

目的：脑磁共振图像的自动分割是近几年研究的一大热点,本文在通过分析比较当前各种图像分割算法后,介绍了一种基于边界跟踪的脑磁共振图像（MRI）分割算法,在MRI中提取出脑组织部分。方法：应用迭代法对脑磁共振图像进行二值化处理;扫描二值化图像,根据脑组织的形态,确定一点作为脑组织边界的起点;根据边界点的像素特征,对传统的边界跟踪算法进行改进,计算出MRI脑组织的边界,最后应用区域生长法在原始MRI中提取脑组织图像,实现MRI分割。结果：实验结果表明,改进后的边界跟踪算法在提取脑组织边界时,细节处理能力强,不易陷入死循环,具有较高的运算速度。提取的真实脑磁共振图像的脑组织区域,能满足临床的实际需要。结论：对图像二值化处理,对图像有微弱的损害,但是极大地提高了计算速度。与传统的边界跟踪算法相比,改进后的边界跟踪算法分割效率高,更易实现MRI的自动分割。获得的边界曲线在细节上更接近于脑组织的实际边界。     

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。     

基于level sets的医学图像分割

医学图像分割是一个非常重要的研究领域.它主要应用于病人诊断、图像引导手术,以及医学数据可视化.解决这个问题的一个常用方法就是利用活动轮廓或"snake"来分割感兴趣的物体.文中给出两种活动轮廓模型,其中一种基于边缘停止函数,而另一种是一个能量最小化算法.两种方法都采用level-sets模型,利用一个Lipschitz函数φ来进行自动拓扑变化.实验表明第一种方法仅仅只能检测边缘梯度较大的物体,而第二种方法没有这样的限制.