医学图像分割技术研究

医学图像分割技术是医学图像处理和分析中的关键技术.医学图像分割在医学诊断中扮演着重要角色,是图像分割的一个重要应用领域.本文综述和讨论了近年来的医学图像发展概况、分割技术、研究热点及其医学图像分割的评价等问题,并简要讨论了每类分割方法的特点及医学图像分割发展趋势.     

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.     

基于模糊小波神经网络的磁共振图像分割方法

针对磁共振图像分割的特点,将小波分析优异的局部特性、模糊逻辑的定性知识表达能力和神经网络的自学习能力结合起来,提出了一种基于模糊小波神经网络的磁共振图像分割方法.该方法采用小波函数作为模糊隶属函数,利用神经网络实现模糊推理,并采用反向误差传播算法对网络进行训练.实验结果表明,这种基于模糊小波神经网络的磁共振图像分割方法与普通神经网络分割方法相比,具有更高的分割精度和更快的训练收敛速度.     

结合蚁群算法的Snake模型的医学图像分割方法

图像分割是医学图像处理中一个网难而又极其重要的课题.本文提出一种新的结合Snake模型和蚁群算法的图像分割算法.Snake模型是一种将目标的轮廓模型与图像特征相匹配的分割方法,而蚁群算法可以帮助人们理解生物系统的原理以及在机器人技术、计算机图形学等领域已经得到广泛应用.本文在结合已有Snake模型和蚁群算法优点的基础上,提出了新的图像蚁群分割模型.实验结果表明,本文提出的分割方法能够比较好的保留图像的细节信息,并具有一定的抗噪声能力.     

医学显微图像分割方法研究进展

医学显微图像分割是医学图像处理中的一个经典难题.针对近年来出现的新方法、新理论,对各种分割方法进行了系统论述,主要包括基于数学形态学方法、神经网络分割、模糊分割、小波分析、遗传算法、统计方法和基于特定模型等方法的图像分割.由于显微图像的复杂性,采用单一方法很难准确分割,故对混合方法也作了一定论述.文中还简要讨论了各种方法的特点和局限性.同时对分割的评价体系也做了简要论述.     

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PCNN自动波特征的血细胞图像分割和计数方法

在生物医学领域,由于细胞图像的低灰度、亮度的不均匀性以及细胞图像特有的复杂结构特性,使得细胞图像分割和计数非常困难.大量研究表明,PCNN非常适用于图像处理,本研究提出了一种基于PCNN自动波特征的血细胞图像分割和计数算法.首先运用PCNN对血细胞图像进行了降噪,分割等预处理,然后利用PCNN自动波的传播特性去除了细胞图像中的微小干扰物体,并通过对分割图像进行标记实现了对血细胞图像的准确计数和特定细胞的单独分割,实验结果表明,该方法非常有效.     

医学图像分割技术

图像分割是制约医学图像在临床上广泛应用的关键性问题。医学图像分割则是图像分割的一个重要应用领域。本文讨论了医学图像分割的目的和意义，简述了医学图像分割技术的进展，对近年来医学图像分割技术进行了综述。     

病理切片图像分割技术的研究

介绍了用图像处理及模式识别技术对显微细胞图像的自动分析和分类的方法,并针对医学图像分析中的难点,提出了基于归一化彩色空间和RGB,HSV彩色模型的分割方法:利用模式识别技术中关于特征向量空间聚类的方法实施真彩色分割.这种方式有效地利用了多维特征空间对于分割目标所提供的信息,使分割的准确性有了较大的提高,解决了图像分割过程中的单个细胞检出问题.     

基于人工生命的医学图像分割

医学图像中解剖结构和相关诊断信息的提取有着极为重要的意义，但目前的分割算法大都需要借助专家的干预和监控，寻求一种全自动分割的方法变得日益重要。人工生命的方法有助于人们了解生物学规律，并且在机器人、计算机图形学等方面得到了成功应用。主要介绍基于人工生命的方法在医学图像自动分割领域的初步应用。     

图像分割在医学图像处理中的应用

目的讨论了医学图像处理中图像分割的几种算法。方法讲述了几种图像分割的算法，并应用于实际的医学图像处理中。结果每种图像分割算法与图像处理都有各自不同的处理效果，各有优、缺点。结论在具体实际情况的使用中，根据不同的情况采用不同的分割算法，以达到更好的效果。     

基于人工生命的医学图像分割

医学图像中解剖结构和相关诊断信息的提取有着极为重要的意义,但目前的分割算法大都需要借助专家的干预和监控,寻求一种全自动分割的方法变得日益重要。人工生命的方法有助于人们了解生物学规律,并且在机器人、计算机图形学等方面得到了成功应用。主要介绍基于人工生命的方法在医学图像自动分割领域的初步应用。     

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。     

医学超声图像分析的研究进展

超声成像是四大医学影像技术之一,由于其特有的实时性、无损性、廉价性被广泛应用于医疗和诊断,因此,有必要对医学超声图像的计算机分析进行研究。从图像分割、图像配准及组织定征和生物测量三个医学超声图像分析的主要方面对国内外近年来的主要研究情况进行综述和评价,并在此基础上探讨其发展前景。     

卷积神经网络在医学图像分割中的研究进展

卷积神经网络（CNN）是目前计算机视觉和模式识别中效果最为突出的算法。CNN拥有强大的空间识别能力,可以从图像中提取高阶的空间特征,同时通过共用卷积核的方式大幅减少参数量,从而在提升网络性能的同时保持总参数量在一个合理的、可运算的范畴。部分采用无监督学习的CNN算法可以在没有先验知识的条件下实现一定程度的图像语义分割,大幅减少人工读图的负担。本研究就CNN在医学图像分割中的研究进展和使用CNN时的具体技巧及其效果进行综述。以使用CNN为核心的深度学习工具解决医学图像分割的课题为中心,展示了CNN在有监督学习、半监督学习及无监督学习中的巨大潜力,分析比较了现有方案的优点与不足,探讨了未来CNN在医学图像领域的前进方向。     

Integrating spatial fuzzy clustering with level set methods for automated medical image segmentation

The performance of the level set segmentation is subject to appropriate initialization and optimal configuration of controlling parameters, which require substantial manual intervention. A new fuzzy level set algorithm is proposed in this paper to facilitate medical image segmentation. It is able to directly evolve from the initial segmentation by spatial fuzzy clustering. The controlling parameters of level set evolution are also estimated from the results of fuzzy clustering. Moreover the fuzzy level set algorithm is enhanced with locally regularized evolution. Such improvements facilitate level set manipulation and lead to more robust segmentation. Performance evaluation of the proposed algorithm was carried on medical images from different modalities. The results confirm its effectiveness for medical image segmentation.     

一种基于PC的医学图像可视化系统

三维医学可视化是近年来计算机图形学和图像处理技术研究和应用的重要领域。本文在PC上对多模态脑肿瘤医学图像的可视化进行了研究，该系统对医学图像进行了配准、融合、分割及三维重建，并以多种显示方式对重建结果进行显示。为脑肿瘤在诊断、治疗方面提供了有力的工具。     

基于多模态特征融合的脑瘤图像分割方法

针对目前大多数医学图像分割方法难以对多模态图像进行特征融合进而完成精确分割任务的问题,提出一种基于编码器-解码器总体架构的多模态脑瘤图像特征融合策略。首先,编码阶段利用孪生网络对不同模态数据进行特征提取,孪生网络结构参数和权值共享的特性可有效减少网络参数量;其次,在进行特征提取的编码阶段加入级间融合,保留不同模态的共性特征的同时强调其互补特征;然后,在解码阶段引入密集跳跃连接思想,最大程度结合不同尺度特征图的低级细节和高级语义信息;最后,设计混合损失函数,在网络生成的预测图受真值图监督的同时让最高级特征融合图也受同倍下采样真值图的监督。所提方法在公开数据集BraTS2019上进行实验,并用图像分割常用的5种指标进行评估。在脑瘤及水肿区域分割任务中得到平均Dice系数为0.884,阳性预测率为0.870,灵敏度为0.898,豪斯多夫距离为3.917,平均交并比达到79.1%,与较先进的算法U-Net和PA-Net相比多项指标均有提升。实验结果说明,级间融合和层间跳跃连接的加入对多模态医学图像的分割效果有所提升,在医学上对脑肿瘤磁共振图像进行病变区域分割具有重要的应用价值和理论意义。     

产前超声医学图像处理技术综述

超声诊断是产科临床上应用最广泛的医学成像方式,与之相应的自动医学图像处理是提高诊断准确率与客观性的重要手段.本文首先介绍超声医学图像处理方法的原理及特点,讨论了若干技术及其涉及的算法,包括图像滤波、图像分割及机器学习技术等,浅析了设计可靠的超声医学图像处理方法的要点.其次,以产前超声医学为背景介绍了这些技术的应用,主要包括标准切面自动提取和生物学参数自动测量.最后,讨论了产前超声智能化诊断的发展方向.