智能肝肿瘤CT图像分割

提出了一种智能肝肿瘤CT图像分割的新方法.该方法将医学专家的高层知识融合到图像分割算法中,使算法具有智能性,能够更加准确、快速地实现分割.根据医学图像分割不同阶段的特点以及不同算法的适用性,结合了多尺度分水岭变换与模糊聚类方法,从总体上达到最佳效果.将图像空间信息引入传统的基于灰度的模糊C均值聚类算法中,对传统的模糊C均值聚类算法的目标函数进行修正,推导出修正后算法的迭代公式,并证明了迭代的收敛性.对实际CT肝肿瘤图像的分割实验结果验证了所提方法的有效性.     

FCM算法在脑肿瘤MRI图像分割中的应用

聚类算法已广泛用于图像分割，根据模糊C－均值聚类算法（FCM）的磁共振颅脑图像的特点，我们利用FCM算法对磁共颅脑图像进行了分割。结果表明，聚类算法在脑肿瘤的MRI图像分割中能够得到比较理想的结果，优于边缘检测、域值分割等方法。     

基于模糊Gibbs场和模糊C均值聚类的脑部磁共振图像的分割

提出了一种利用模糊Gibbs场和模糊C均值聚类的新算法,用来分割脑部磁共振(Magnetic resonance, MR)图像.本算法引入了像素的空间约束,提出了势团均匀分布的概念,并使用模糊信息定义了势团的Gibbs能量,并在传统的基于灰度的模糊C均值聚类(Fuzzy C-means, FCM)算法中引入Gibbs能量的补偿项,建立包含像素灰度信息和空间约束的新的目标函数,并得到模糊矩阵和聚类中心的迭代公式,克服了基于灰度信息的模糊C均值聚类算法的缺陷,从而改善了原有的分割模型.对合成图像和脑部MR图像的实验表明了本算法的有效性,可以有效地分割被噪声污染的低信噪比的MR图像.     

磁共振颅脑图像快速模糊聚类分割算法的研究

尽管模糊C-均值（简称FCM）聚类算法已广泛应用于图像分割研究,但是,由于模糊C-均值聚类算法所固有的一些缺点,特别是运算开销太大造成了该算法在实际应用中难以推广使用。根据模糊C-均值聚类算法和磁共振颅脑图象的特点,我们提出了一种分割磁共振颅脑图象的快速模糊C-均值（简称FFCM）聚类算法,该算法利用K-均值聚类结果指导模糊聚类的初始化,使模糊聚类的迭代次数明显减少。从而极大地提高模糊聚类的速度,实际应用表明,FFCM的分割速度比FCM快6.5倍以上,而分割精度与FCM相比无显著性差异。     

基于知识的颅内出血(ICH)三维医学图像分割方法

本文描述一种基于知识的三维医学图像自动分割方法,用于进行人体颅内出血(Intracranial Hemorrhage,ICH)的分割和分析.首先,数字化CT胶片,并自动对数字化后的胶片按照有无异常分类.然后,阀值结合模糊C均值聚类算法将图像分类成多个具有统一亮度的区域.最后,在先验知识以及预定义的规则的基础上,借助基于知识的专家系统将各个区域标记为背景、钙化点、血肿、颅骨、脑干.     

基于塔分割和多中心模糊聚类的医学图像分割

本文提出一种基于塔分割和多中心模糊C均值算法结合的无监督MR图像分割方法。文中采用根标记方法对塔图像进行过分割；在塔的最底层模糊刖像上应用HSC（hierarchical subtractive clustering）计算初始的聚类中心及聚类数。进而应用FCM算法合并过分割的结果。由于塔分割有效地降低了聚类样本数和HSC自动获得有效的初始聚类中心和聚类数，实验结果表明，在聚类性能不变情况下显著地减少FCM算法的运算时间，从而实现医学图像的快速分割。     

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。     

基于模糊聚类和改进C-V模型的冠状动脉图像分割方法

目的提出一种基于模糊聚类和改进C-V模型的新型图像分割方法,以精准和快速地提取冠状动脉CT血管造影图像中的冠脉轮廓。方法首先对原始冠脉CT造影图像进行预处理;然后利用模糊C均值聚类算法进行预分割,将获得的隶属矩阵和聚类信息耦合进改进的C-V模型中,完成对冠脉图像的分割;最后定性和定量分析本文模型与其他两种传统模型对冠脉CT造影图像的分割结果。结果定性分析结果显示,本文模型以较少的迭代次数完成了对冠脉轮廓的提取,对细小复杂的组织具有较强的分割能力,目标边缘光滑。定量分析结果显示,本文模型迭代200次耗时11.722 s、重叠率83.42%,迭代400次耗时16.493 s、重叠率85.13%。结论结合模糊聚类的改进C-V模型能以较少迭代次数完成对冠脉轮廓的提取,具有分割速度快、抗噪能力强、目标边缘光滑等特点。该方法可以用于冠脉的分割,并为后续冠脉图像的三维重建研究提供参考。     

基于模糊均值聚类算法的灰度不均匀脑MR图像的分割

磁共振图像经常被含有缓慢变化的灰度不均匀场所破坏,不均匀场会造成同一组织的灰度发生变化,从而影响计算机辅助诊断的准确性.传统的基于灰度信息的分割方法对具有不均匀场的磁共振图像分割效果往往并不理想.文章改进了基于灰度信息的模糊C均值(FCM)算法,将偏移场模型、代表图像空间信息的邻域控制信息和最小二乘曲面拟合方法有机结合,能同时实现图像的校正和聚类,适用于灰度不均匀脑部磁共振图像的分割,分割精度明显优于已有的基于FCM的分割方法.     

基于SOM-FCM算法的脑MR多参数图像分割

目的:提出一种新的用于脑MR多参数图像的分割算法,并对算法性能进行评估.方法:应用自组织映射(SOM)神经网络将T1加权像和T2加权像的图像信息结合后进行粗分,粗分的结果作为模糊C均值聚类(FCM)算法的输入,并加入改进的聚类有效性函数作为最佳聚类数的判断依据.结果:对于组织类别数不同的图像,SOM-FCM算法能自动给...     

A novel kernelized fuzzy C-means algorithm with application in medical image segmentation

Image segmentation plays a crucial role in many medical imaging applications. In this paper, we present a novel algorithm for fuzzy segmentation of magnetic resonance imaging (MRI) data. The algorithm is realized by modifying the objective function in the conventional fuzzy C-means (FCM) algorithm using a kernel-induced distance metric and a spatial penalty on the membership functions. Firstly, the original Euclidean distance in the FCM is replaced by a kernel-induced distance, and thus the corresponding algorithm is derived and called as the kernelized fuzzy C-means (KFCM) algorithm, which is shown to be more robust than FCM. Then a spatial penalty is added to the objective function in KFCM to compensate for the intensity inhomogeneities of MR image and to allow the labeling of a pixel to be influenced by its neighbors in the image. The penalty term acts as a regularizer and has a coefficient ranging from zero to one. Experimental results on both synthetic and real MR images show that the proposed algorithms have better performance when noise and other artifacts are present than the standard algorithms.     

基于FCM聚类算法的MRI脑组织图像分割方法比较研究

目的磁共振成像(magnetic resonance imaging,MRI)对脑组织有较好的成像效果,但噪声、偏移场和部分容积效应(partial volume effect,PVE)的存在,使得全自动分割MRI图像面临一定的困难。模糊C均值(fuzzy C-means,FCM)聚类算法在脑组织分割中得到较广泛研究。本文以存在噪声和偏移场影响的脑MRI图像分割为应用背景,研究了大量相关方法,探讨FCM算法分割脑部图像的改进思想。方法本文主要研究了9种FCM算法的理论基础,并通过脑组织分割实验对各种算法进行了分析。结果比较了不同算法的优劣,给出各类算法直观及定量评价结果。结论偏移场和噪声对脑磁共振图像组织分类质量有明显影响。其中几种方法可以减弱这些不利影响,但由于难以选择合适的参数,其分类效果并不理想。如何合理利用空间信息在未来仍有较大研究价值。     

基于两阶段改进FCM算法的彩色血液图像分割研究

介绍了一种基于FCM算法（Fuzzy c-means algorithm）的彩色血液细胞图像分割新方法。通过将原始血液显微图像转换为索引图像再对颜色映射表矩阵做模糊聚类来回避直接对像素值聚类，大大压缩了FCM算法的计算数据量。针对彩色血液细胞图像的固有特性将分割过程分为两阶段，包括确定聚类数目和初始聚类中心，并在第二阶段引入一个距离加权矩阵，改变距离度量方式以提高聚类的准确度。解决了FCM算法难以准确收敛到最佳极值的问题，减少了迭代收敛的次数，并且缩短了算法执行时间，实现了对彩色血液细胞图像各组分的正确分割。     

基于改进空间模糊聚类的DTI图像分割算法

针对模糊C均值(FCM)聚类算法初始聚类中心选择的随机性和噪声的敏感性等问题,提出一种基于改进空间模糊聚类的图像分割算法来分割人脑DTI图像。使用局部密度核函数和中心距离函数精确选取初始聚类中心,不仅可以解决因聚类中心随机选取造成的聚类效果不稳定的问题,而且还可以使目标函数迅速收敛,提高分割效率;通过将正态分布空间信息融入模糊隶属度函数,能减小图像噪声以及人为因素对分割结果的影响。用该方法与FCM、SFCM方法对人脑DTI数据进行分割,以评价算法的聚类效果。实验对美国明尼苏达大学生物医学功能成像与神经工程实验室提供的58例DTI数据、3例FA参数图像以及6例迭加过噪声的人脑DTI图像进行分割,结果表明:该算法分割系数最高,可达到0.984 1;在同一图像中,该算法在划分系数上比FCM最高提升20.2%,并且在划分熵上比SFCM最高下降19.8%;该算法目标函数平均迭代次数为32,较FCM的52次与空间FCM的76次有明显降低。实验证明,该算法能够准确、快速地分割出重要目标,且对图像噪声不敏感。     

基于模糊K-近邻规则的多谱磁共振脑图像分割方法的研究

本文在K 近邻 (K nearestneighbor ,简称KNN)规则的基础上 ,基于模糊C 均值聚类 (FuzzyC meansclustering ,简称FCM)技术 ,提出了模糊K 近邻算法 (FuzzyK nearestneighbor ,简称FKNN) ,并利用该算法对磁共振脑图像进行分割研究。首先对磁共振颅脑图像进行预分割 ,剔除颅骨和肌肉等非脑组织 ,只保留大脑结构 ;然后利用FKNN算法对大脑结构进行分割 ,从脑组织中分别提取出白质、灰质和脑脊液。实验结果表明 ,FKNN方法能有效地从大脑结构中分割出白质、灰质和脑脊液 ,分割效果明显优于KNN方法。     

三维医学图像序列的自动连续分割

我们针对医学辅助诊断系统中从M R图像分割脑肿瘤的问题,改进了区域竞争算法,并利用它实现了医学图像序列间的连续自动分割,特别是脑肿瘤的分割和脑膜瘤的自动识别。模糊化区域竞争算法是为了更好的适应医学图像的模糊与不均匀的特点,而用区域增长做初始化可以给区域竞争提供用来竞争和合并的过分割区域。为了实现医学图像序列的自动连续分割,每一副切片的分割结果都会被用作初始化下一张切片;并且我们根据脑膜瘤的特点实现了它的自动识别。实验表明,我们的自动分割算法对仿真脑图像和真实脑图像均有较好的分割精度,并能满足系统对分割快速性的需要。     

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.