基于层间先验知识从脑MRI图像中自动提取脑组织

目的从脑MRI图像中提取脑组织,解决边缘模糊时脑和非脑组织难以分离的问题。方法首先利用各向异性扩散滤波的方法对脑MRI图像进行去噪处理;然后利用形态学的方法对初始脑MRI图像进行脑组织提取,在此分割结果的基础上,利用相邻层脑形态差异较小的特点,实现结构元素的自适应选取,完成从脑MRI图像中逐层准确、自动提取脑组织。结果采用不同来源的数据对算法性能进行了测试,结果优于经典背散射电子成像(BSE)方法的分割结果。结论利用层间先验知识有利于实现边缘模糊的脑组织自动准确提取,且适用性较强。     

基于数学形态学和Otsu方法的VHP数据心脏图像分割

针对可视人计划的数据提取心脏图像存在自身的多样性以及局部边界不清晰所造成的分割难问题,提出了一种分阶段的分割方法。即在第一阶段引入数学形态学的方法,提出一种基于形态重构的开闭运算与O tsu阈值分割相结合的方法,对原始图像中的感兴趣区域进行预提取,有效的解决了单一阈值分割方法中存在的缺陷;第二阶段利用形态学变换对预提取图像进行精确分割,最终得到心脏图像。实验结果表明,这种分阶段的分割方法在运算效率以及分割精度上都取到了较理想的结果,对可视人计划的实现具有较高的实用价值。     

一种磁共振脑组织及肿瘤区域的提取方法

脑成像的脑组织准确提取有助于提高研究脑部感兴趣区域的精度,脑部肿瘤图像分割的研究可用于组织三维重建、肿瘤体积计算等.本文使用磁共振图像,首先采用脑提取（brain extraction tool,BET）算法提取出脑组织区域,再利用一种信息熵自动阈值与形态学结合的方法;当提取出脑组织后,利用模糊C均值（fuzzy C-means,FCM）聚类算法对肿瘤区域进行提取,经过中值滤波等步骤,提取出脑肿瘤区域.与专家手工勾画对比,本文较好地提取出了脑肿瘤组织,从而实现了脑组织的自动分割,提高了工作效率.     

基于自适应能量偏移场无边缘主动轮廓模型的乳腺肿块分割与分类方法研究

目的:为提高乳腺癌检测的精准度和效率,提出了一种基于自适应能量偏移场无边缘主动轮廓模型（AEOF-CV）的乳腺肿块分割与分类方法。方法:首先采用中值滤波、阈值分割及区域连通进行图像预处理,去除图像噪声;然后使用伽马变换及形态学运算相结合的方法进行图像增强;其次,采用AEOF-CV对弱对比度图像提高分割精度,用于乳腺肿块分割,得到感兴趣区域;最后使用不同提取特征方法,结合支持向量机识别感兴趣区域是否有肿块,并对存在肿块的图像判别肿块的良、恶性。结果:实验利用DDSM数据库中350个图像进行测试,实验结果证明,基于AEOF-CV乳腺肿块分割方法可以得到肿块清晰外部轮廓,具有较好的鲁棒性,误分率可达到0.212 0。无肿块样本识别率达到94.57%,恶性肿块识别率为97.91%,良性肿块识别率为96.96%,总识别率达94.00%。结论:基于AEOF-CV的乳腺肿块分割效果较好,误分率相对CV方法降低19.17%,查准率和查全率达到了0.851 9和0.836 5,全局分析性能较好,是乳腺肿块分割的有效方法,可为后续模式识别提供可靠依据。     

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。     

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。     

基于自适应标记分水岭算法的肝脏CT图像自动分割

目的为减少人工交互提出了基于自适应标记分水岭的CT系列图像肝脏区域自动分割算法。方法首先对图像进行形态学重构运算以平滑图像,然后计算多尺度形态学梯度,同时提出利用梯度图像非零的局部极小值点的均值进行自适应标记提取,以避免分水岭的过分割和欠分割,再结合肝脏为最大的实质性脏器和相邻图像的相似性实现CT系列图像的肝区自动分割。结果该算法能自动、快速地提取CT系列图像中的肝脏区域。结论分水岭算法能准确定位区域的边缘,通过选择合适的阈值对梯度图像进行标记以抑制分水岭的过分割,实现医学图像中感兴趣区域的自动分割。     

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。     

基于卷积神经网络和图像显著性的心脏CT图像分割

目的心脏医学影像中,感兴趣部分的提取与分割是诊断心脏病变部位的关键。由于心脏舒张、收缩以及血液的流动,心脏CT图像易出现弱边界、伪影,传统分割算法易产生过度分割的情况。为此,提出一种基于卷积神经网络和图像显著性的心脏CT图像分割方法。方法采用卷积神经网络对目标区域进行定位,滤除肋骨、肌肉等造影对比不明显部分,截取出感兴趣区域,结合感兴趣区域的对比度计算并提高感兴趣区域的心脏组织的显著值。通过获得的显著值图像截取心脏图像,并与区域生长算法的分割结果进行对比。最后使用泰州人民医院11例患者的影像数据对算法模型进行训练和测试,随机选择9例用于训练,剩余2例用于测试。结果所提算法模型在心底、心中、心尖3个心脏分段的分割正确率分别达到了92.79%、92.79%、94.11%,均优于基于区域生长的分割方法。结论基于卷积神经网络和图像显著性的分割方法能够准确获取心脏的外围轮廓,轮廓边缘更加平滑,完全能够满足CT图像序列的心脏全自动分割任务需求,分割后的图像更有利于医生对患者心脏健康状况和病变部位的观察。     

基于数学形态学膨胀和腐蚀的医学磁共振图像的边缘检测

目的对腰椎磁共振图像进行椎间盘的边缘检测。方法数学形态学的基本运算是膨胀和腐蚀。通过对形态学运算的加权组合,可以构造出边缘检测的方法。分别对不同的检测方法进行了比较分析。结果发现它们各有特点。可以看出数学形态学具有很好的医学图像的边缘检测能力,可以获得图像连续的边缘,为后续的图像分割及目标识别等研究奠定了基础。结论为最终实现椎间盘的虚拟仿真外科手术方案的制定、解剖结构的测量及术后评估奠定了一个良好的基础。     

基于三维区域生长算法的脑灰质提取方法的研究

目的探求从头颅磁共振成像（MRI）图像中提取出大脑灰质图像的方法。方法采用阈值分割预处理MRI图像,人工选择种子点、采用18-邻域的三维区域生长从头颅MRI图像中提取脑灰质图像,最终用腐蚀和膨胀算法弥补区域生长算法的不足。结果利用此方法对5套MRI数据进行操作,取得了满意的分割效果;使用VTK提供的面绘制算法对提取出的脑灰质图像进行三维重建,得到了高质量的大脑皮层图像。结论该方法能够得到满意的大脑灰质提取效果。     

眼底图像中硬性渗出物检测算法

目的利用眼底图像中硬性渗出物(hard exudates,HE)的亮度与边缘特征,提出一种基于Canny边缘检测算法与形态学重构相结合的HE自动检测方法,以解决目前算法灵敏度低、检测结果中视盘和血管的干扰等问题,对糖尿病视网膜病变(diabetic retinopathy,DR)的自动筛查具有重要意义。方法检测算法包括4个步骤。步骤一,图像预处理,主要包括RGB通道选取、基于形态学的图像对比度增强。步骤二,视网膜图像关键结构的消除,利用基于Gabor滤波的血管分割方法,消除血管边缘对HE检测的影响。将本文视杯分割算法应用在眼底图像红色通道上实现视盘自动分割,消除视盘及其边缘对HE检测的影响。步骤三,利用改进的Canny边缘检测算法和形态学重构方法对HE进行提取。步骤四,基于形态学的图像后处理,消除眼底图像边缘部分假阳性区域。最后利用该算法测试公开数据库中的40幅图像(35幅HE病变图像,5幅正常图像)。结果该算法对基于病变的灵敏性(sensitivity,SE)和阳性预测值(positive predictive value,PPV)分别为93.18%和79.26%,基于图像的灵敏性、特异性(specificity,SP)和准确率(accuracy,ACC)分别为97.14%、80.00%和95.00%。结论与其他方法对比,基于Canny边缘检测算法与形态学重构相结合的HE自动检测算法具有较好的可行性。     

基于数学形态学的血液细胞图像边缘提取

根据血液细胞边缘附近的灰度分布梯度较大的特性,运用数学形态学对缺铁性贫血的血涂片上的血细胞进行图像的边缘提取.并对原始图像分别用Sobel算子、Laplacian算子、LOG算子以及局部阈值法进行边缘检测,实验结果表明,基于数学形态学的边缘提取算法对于血液细胞图像边缘提取有很好的效果.     

基于颅脑CT图像的边缘提取

边缘提取是CT图像三维重建前期工作中的关键步骤.本文一方面利用CT图像分割的等距法求取图像的灰度阈值;另一方面求取图像的梯度阈值,利用这两个阈值将颅脑CT图像中各器官的边缘提取出来,作为三维重建的轮廓输入.实验结果表明:这种方法实时性好,适应性强,提取的边缘清晰完整,准确性较高.     

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。     

一种分割冠状动脉X射线造影图像的有效方法

目的 提出一种简单有效的方法进行冠状动脉X射线造影图像的分割。方法 基于Hessian矩阵的多尺度滤波和区域增长等算法,其中多尺度滤波用来增强造影图像中的血管,然后利用多种子点区域增长算法从增强后的图像中提取冠状动脉树。结果 该方法对于造影图像中血管状结构非常敏感,能够清晰提取出冠状动脉树中较细小的末梢,并能有效抑制噪声。结论 该方法适合于分割冠状动脉造影,适用于冠状动脉造影的精确量化分析。     

基于CT图像的肺气管树3D分割方法的研究

目的:对肺部气管树的分割在临床上具有重要应用价值。针对目前肺气管树分割存在的问题,本文提出了一种结合区域生长和形态学方法的气管树3D分割的方法。方法:首先,采用基于3D联通区域与形态学的方法分割出CT序列图像中的肺实质;其次,利用3D区域生长法初步提取气管树;然后,利用形态学分割方法选取细小气管候选区域,并与上一步分割结果合成三维肺气管区域;最后,再次利用区域生长法去除伪气管区域,提取出最终的气管树。结果:实验结果表明,三维区域生长方法能够很好地获得气管/主支气管、段气管及主要的气管分支,而形态学方法能够有效地检测出细小气管区域。所以利用本文方法可以简单、有效地提取出肺气管树,并防止区域生长过程中的遗漏现象。结论:本文方法可为肺部气管的定量分析奠定基础,具有十分重要的临床诊断意义。     

一种分割脑磁共振图像的改进FCM聚类算法

噪声和偏移场是影响磁共振(MRI)图像质量的主要因素。以含加性噪声和乘性偏移场的脑MRI图像组织分割为目标,提出一种抗噪局部相干模糊聚类算法,通过在目标函数中加入模糊算子和一致局部信息约束,达到同时抑制噪声和偏移场不利影响的目的,提高分割准确性和稳定性。采用20例合成图像、60例来自BrainWeb的模拟脑MRI图像、100例来自IBSR真实脑MRI图像,对算法的聚类性能进行评价。实验结果表明,在噪声和偏移场干扰并存的情况下,所提出算法与其他几种经典FCM改进算法相比,对合成图像集的平均分类准确度SA达到0.97,高于其他算法,最大可提高0.37;对真实脑MRI图像集的脑脊液分割有明显优势,相似性测度KI平均提高约0.1。分析表明,所提出算法有更好的分类准确性和稳定性。     

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.     

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。