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。     

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.     

基于贝叶斯分类的水平集MR图像分割方法

本文介绍一种结合贝叶斯分类的水平集方法用于人体MR图像分割.本方法首先通过贝叶斯分类模型计算出水平集曲线位于边界上的概率;其次,将与此概率相关联的区域决策影响因子添加在水平集函数方程中;最终,实现利用图像的区域信息提高水平集曲线识别边界能力的目的.分割实验结果表明,该方法较好地克服了传统水平集方法在MR图像分割中存在的边界泄露问题.与其他MR图像分割方法比较,本方法具有更优的分割结果.     

一种基于水平集的前列腺超声图像自动分割算法

由于超声图像存在着斑点噪声和较低的信噪比,使得传统的分割算法很难应用于超声图像的自动分割,而手工分割方法非常耗时且重复性差.因此提出了一种基于水平集和改进径向浅浮槽算法(RBR,radical bas-relief)的前列腺直肠超声(TRUS)图像全自动分割算法.首先使用Sticks滤波器来去除斑点噪声,并且增强图像的对比度.然后使用径向浅浮槽算法来对图像进一步增强,通过使用形态学算法和边界填充得到前列腺的初始轮廓,使用该轮廓来初始化水平集算法,从而实现全自动分割.实验结果表明,该方法能有效地去除斑点噪声的影响,并且能够对前列腺超声图像实现较好的分割效果.     

一种眼底黄斑水肿OCT图像分割方法

基于眼底黄斑部相干光断层扫描(OCT)图像提出了分割黄斑水肿的方法。根据Chan-Vese模型,采用了一种改进的水平集算法,直接定义整数值的符号函数,曲线的外扩和内缩。通过内外轮廓线上点的相互转化实现,实现了快速分割和曲线平滑。本文用该方法对眼底黄斑水肿45张断层图像进行了分割,提取了黄斑水肿区域轮廓,取得了良好的分割效果,并估算了眼底黄斑水肿的体积,为临床诊断和治疗提供了定量分析的工具。     

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。     

基于CUDA的快速三维医学图像分割

目的:三维分割是医学图像分析和可视化中的重要组成部分,也是医学图像分割中的一个难点。水平集方法在三维医学图像分割中有很广阔的应用前景,但是该算法的计算量大,不能达到实时处理的要求。针对这个问题,提出了一种基于CUDA的并行加速方法。方法:采用NVIDIA公司的GPGPU模型CUDA,利用图像像素的独立性和偏微分方程求解的并发性,提高C-V水平集算法的分割速度。给出了并行计算的流程图,并对C-V水平集算法在CUDA上的实现进行了详细介绍。结果:实现了C-V水平集并行加速算法,该方法在保证分割效果的前提下,具有更快的分割速度。结论:所提出的方法是切实可行的,实现了快速的三维医学图像分割。     

基于改进C-V模型的肿瘤CT图像分割

针对传统C-V模型演化速度慢和不能很好分割灰度不均匀图像的缺点,从两个方面进行了改进。首先采用一个新颖的基于局部梯度的模型,使C-V模型初始轮廓曲线快速移到目标边界附近,大大缩短了演化时间;其次,结合GVF模型从两个方向指向目标边界的特点,为C-V模型的速度方程添加一个自适应速度调节项,使模型收敛于真实边界。通过肝脏肿瘤CT图像的分割,验证该方法是有效的。     

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。     

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。     

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。     

基于混合水平集模型的CT颅面眼眶分割

提出一种混和水平集模型,用于颅面整复的眼眶分割。与一般水平集模型相比,混和水平集模型同时结合了区域和边缘信息,从而使得其具有较高的鲁棒性和准确性,解决了单纯基于边缘的水平集模型容易产生边缘泄露的问题。采用混合水平集模型分割的结果可用于三维重建和三维充填物计算,从而达到计算机辅助指导临床手术的目的。实验证明混和水平集模型在眼眶分割中取得了很好的效果。     

塔式多相水平集三维医学图像多目标分割算法

由于Chan-Vese（GV）模型采用的是单一水平集，所以只能通过水平集的符号表示目标和背景两个区域。当三维医学图像的目标区域含有复杂的子目标时，C-V模型将无法表示。为了解决GV模型在表示三维子目标上的局限，首先将二维GV模型拓展为三维模型；其次，依据同时明度对比提出了背景填充技术，理论上保证了轮廓曲面仅收敛于目标内部；再次，将该技术与三维C-V模型相结合提出了塔式多相水平集算法；最后，实验结果表明，本算法能够实现三维医学图像多目标分割（n-1次收敛可以实现”目标分割），并且能够检测由弱边缘构成的子目标。