图论在脑肿瘤分割及提取中的应用研究

目的 基于Matlab和VC++混合编程,实现了图论在脑肿瘤分割及提取中的应用,为之后脑肿瘤三维重建提供准确的分割结果.方法 在Matlab和VC++开发平台下,首先读取含脑肿瘤的MRI图像,经过一定的预处理后,调用C++编写的图论分割函数,实现MRI图像的全局分割,然后通过肿瘤区域的颜色信息进行区域二值化和轮廓提取等后处理,很好地完成了脑肿瘤的分割提取.结果 通过与专家手动分割的脑肿瘤区域进行比较以及对算法各模块运行时间的监测,显示脑肿瘤分割准确度高,且算法运行稳定.结论 基于图论的分割算法能够反映图像全局特性,且运行稳定,是一种值得推广的脑肿瘤分割方法.     

基于MR图像的脑组织分割方法研究进展

目的:探讨基于磁共振成像脑组织分割方法的研究进展。方法:对现有基于磁共振成像的脑组织分割方法进行分类,并对近年来国内外基于磁共振成像的脑组织分割方法的研究进展及其评价方法进行了比较详细的论述,最后对脑组织分割方法的发展趋势进行展望。结果:基于MRI的脑组织分割方法主要包括经典分割方法、统计学分割方法、形变模型分割方法、人工神经网络分割法,小波变换分割法和遗传算法等。结论:基于磁共振成像脑组织分割算法将趋向于自动化、快速化,并注重多种方法的有效结合,有望在新理论、新技术和新工具方面不断获得突破。     

基于统计阈值的脑肿瘤MRI图像的分割方法

我们提出了一种基于统计阈值的脑肿瘤MRI图像的分割方法.首先,通过预处理操作去除脉冲噪声和头骨影像,然后利用统计阈值分割方法对肿瘤进行了分割.为了克服经典阈值分割方法存在不完全分割的问题,利用分割后两个类的方差和概率定义了一个新的阈值选择准则,并通过最小化准则确定最佳分割阈值.实验结果证明,本方法分割效果好,解决了采用经典阈值分割方法对脑肿瘤的不完全分割问题.     

RSF模型的优化及其在MRI脑肿瘤分割中的应用

磁共振成像(MRI)具有图像模糊,灰度不均等特点,其分割问题一直都是研究的热点和难点。可变区域拟合(RSF)能量模型是一种较新的区域活动轮廓模型,可用于灰度不均匀图像的分割。然而,RSF模型设定的水平集函数(LSF)不适合初始轮廓内外灰度分布不同的环境,应用于整体灰度环境复杂的脑肿瘤MRI图像时,通常得不到理想的分割结果。构建新的LSF,并辅以mean shift平滑算法可使其更适用于肿瘤图像的分割,使新模型具有更好的收敛性和目标指向性。利用优化后的模型进行一系列实验,其结果表明:该算法鲁棒性强,可以快速、准确地分割出MRI图像中的脑肿瘤,具有显著的临床意义。     

基于三重注意力的脑肿瘤图像分割网络

脑肿瘤图像分割问题是脑肿瘤临床诊断和治疗脑肿瘤疾病计算机辅助诊断的基础.针对脑肿瘤MRI图像分割网络深度过深和局部与全局特征信息联系匮乏导致图像分割精度降低等问题,提出一种基于三重注意力的脑肿瘤图像分割网络.首先,借鉴残差结构,将原始图像分割网络结构的编码层和解码层中的卷积模块替换为深度残差模块,解决网络加深带来的梯度...     

基于MRI的脑肿瘤计算机辅助检测技术研究进展

目的：总结计算机辅助检测技术在脑肿瘤检测领域的发展现状。方法：本文按照计算机辅助检测过程中的关键技术为分类,分别对其进行深入研究。结果：相对于其他肿瘤,脑肿瘤对患者的生存质量和生存时间的影响尤其严重。如果能在早期发现脑肿瘤并及时治疗,则可明显改善患者的生存质量,有效延长患者的生存时间。目前,磁共振成像（MRI）是显示脑肿瘤的最佳方式,但通过放射科医生对海量MRI图像进行判读发现早期脑肿瘤是非常困难的,而以图像处理与分析为基础的计算机辅助诊断（CAD）技术则是解决这一难题的有效途径。结论：本文对近年来基于MRI的脑肿瘤计算机辅助诊断技术的报道进行分析和深入研究,论述了脑肿瘤CAD的研究进展情况、存在的问题及可能的解决方案。     

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B P神经网络的脑肿瘤MRI图像分割

利用BP神经网络技术对MR脑肿瘤图像中的肿瘤区域与正常组织区域进行分割,以辅助医疗诊断与治疗。首先,人工分割出部分影像中的肿瘤组织与正常组织作为已知样本;其次,在BP神经网络模型中输入已知样本中进行训练;最后,用训练好的BP神经网络处理其他脑肿瘤图像。BP神经网络能够有效分割MR脑肿瘤图像,辨别出肿瘤与周围正常组织的差异,但模糊区域也常被误判为肿瘤。因此,本研究提出进一步对模糊区域样本进行针对性训练与特殊的滤波处理,所得结果有较大改进。BP神经网络能有效地进行脑肿瘤MRI图像分割,但在使用时仍需正确选择输入样本的区域和范围并结合特殊的滤波处理。     

基于深度学习的医学图像分割研究进展

医学图像分割是医学图像定量分析的关键步骤之一,因此病灶分割对临床诊断有重要意义。针对传统分割方法中存在的过多依赖医学领域的先验知识和人为评估错误等问题,提出了基于深度学习的病灶分割方法。本文总结了卷积神经网络算法应用于医学图像病灶分割的研究进展。首先,论述卷积神经网络的基本结构及其常用架构;其次介绍深度学习在医学图像病灶分割中的应用,其中包括肺结节的检测和分类,脑肿瘤分割和乳腺病灶的分割;最后,分析了目前该研究中存在的优缺点并对深度学习的发展方向进行展望。     

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。     

核磁共振图像分割算法及应用进展

核磁共振成像(MRI)以其无辐射、多方位成像、空间分辨率高等优点在影像医学领域广泛应用,核磁共振图像的分割也发挥着越来越重要的作用.对应用较广的核磁图像的分割算法的原理和应用进行了系统的综述,将核磁图像分割算法分为5个主要研究方面:基于阈值,基于模式识别,基于活动轮廓模型,基于马尔科夫随机场(MRF),基于图切割;给出了不同算法分割特点和相关应用范围,并将部分算法应用在腹部核磁图像上进行分割实验,展示了不同算法分割核磁图像后的效果和特点.最后,展望了核磁图像分割的未来的发展趋势.     

基于分水岭算法的交互式三维分割方法

背景：在临床中准确对人体组织进行三维分割能提高临床诊断的准确性,但传统的分水岭算法存在过度分割问题,难以实现人体组织的三维分割。 目的：为准确三维分割人体组织,减少图像中伪极小值点对图像分割的影响,提出了一种基于控制标记符分水岭的交互式三维分割方法。 方法：提取CT序列图像的内部和外部标记符,以此修正梯度图像并进行分割;在此基础上,根据序列图像上下层的相似性,利用人机交互进行组织结构的三维分割。首先在第一张序列图像上手工选取感兴趣区域上的一个点,借助同一组织在连续CT序列图像上面积的重叠关系即可从三维序列图上提取出感兴趣区域。 结果与结论：基于控制标记符的分水岭算法解决了直接应用梯度图像进行分割的过度分割问题,便于进一步分割图像。利用基于分水岭算法的交互式三维分割方法得到的三维分割结果经过三维可视化后可清晰、准确地反映组织的三维特征。     

U-Net及其变体在医学图像分割中的应用研究综述

医学图像分割可以为临床诊疗和病理学研究提供可靠的依据,并能辅助医生对病人的病情做出准确的判断。基于深度学习的分割网络的出现解决了传统自动分割方法鲁棒性不强、准确率低等问题。U-Net凭借其出色的性能在众多的分割网络中脱颖而出,研究者以U-Net为基础相继提出了多种改进变体。以U-Net网络及其变体为主线,首先详细介绍U-Net的网络结构及常用改进方法;然后根据分割对象的不同,将U-Net变体网络进一步划分为泛用型分割网络及特定型分割网络,并就其在医学图像分割中的研究进展进行论述;最后,分析了目前研究中工作尚存在的难点与问题,并对今后的发展方向进行展望。     

基于双通道三维密集连接网络的脑胶质瘤核磁共振成像分割算法研究

针对脑胶质瘤形状、位置及大小的不一致性,本文提出了一种基于双通道三维密集连接网络的脑胶质瘤核磁共振成像(MRI)自动分割算法。该算法基于三维卷积神经网络,在两个通道采用不同大小卷积核,从而在不同尺度感受野下提取多尺度特征,并构造各自的密集连接块进行特征学习与传递,通过特征结联后输入到分类层进行目标体素分类,最终实现脑胶质瘤的自动分割。为了验证本文算法的实用性,本文采用公开的脑肿瘤分割挑战赛数据集对网络进行训练与验证,并将得到的结果与其他脑胶质瘤分割方法比较。实验结果表明,本文所提出的算法能够更准确地分割出不同的肿瘤病变区域,在临床脑肿瘤疾病诊断中具有一定的应用价值。     

基于三维格子玻尔兹曼模型的海马结构MRI快速分割

目的快速准确地分割脑部MR图像的海马结构对早期诊断阿尔兹海默氏症(Alzheimer's disease,AD)具有重要价值。该文提出了一种快速和准确分割MRI三维海马结构的方法。该方法基于格子玻尔兹曼(Lattice Boltzmann,LB)模型,利用脑部MR图像的边缘信息和区域信息建立一个三维分割模型(3D-LB),直接在三维空间中通过碰撞和迁移过程提取海马结构。为验证3D-LB分割模型的精度和效率,该文对30组海马结构的测试图像进行分割实验,并与三维CV模型进行比较。实验结果显示,基于3D-LB模型的分割方法能有效地分割海马结构的测试图像,且相较于三维CV模型,精度更高,所耗时间更少,表明LB方法适用于三维海马结构的快速和精确分割。     

基于人工智能的多模态影像辅助海马体自动勾画研究

目的:利用基于深度学习的人工智能算法,结合头颅MRI和CT的多模态影像,开发海马结构自动勾画技术,为头颅放疗过程中海马体的保护提供高效、准确的自动勾画方法。方法:收集清华大学第一附属医院放疗科从2020年1月~12月就诊的40例脑转移癌患者的定位头颅CT及MRI影像,分别在CT图像、CT-MRI配准图像的两个数据集上训练3D U-Net、3D U-Net Cascade、3D BUC-Net 3个深度学习模型,计算3个模型自动分割的左右海马体与对应的人工标注之间的Dice相似系数（DSC）和95%豪斯多夫距离（95 HD）,以及两者的体积作为模型的分割准确性的评估,并且以对同一大小patch图像的自动分割耗时作为模型效率的评估。结果:引入MRI图像信息对左右海马的自动分割精度有明显的提升;模型3D BUC-Net在CT-MRI数据集上对左右海马体的自动分割都取得最好分割结果（DSC:0.900±0.017,0.882±0.026;95HD:0.792±0.084,0.823±0.093）,而且该模型的分割效率更高。结论:模型3D BUC-Net能在多模态影像上实现高效、准确的海马区的自动勾画,为头颅放疗过程中海马区的保护提供方便。     

基于分割的交互式实时脑肿瘤绘制

目的:为了消除传统脑肿瘤切除手术的盲目性,解决传统绘制技术不能够实时绘制的问题,本文设计出了一种交互式实时肿瘤分离技术.方法:给出了系统主要功能和流程,并且对系统实现中的两项关键技术:区域生长分割、三维体数据的绘制作了详细介绍,改进后的面绘制使得重建的三维模型图像清晰,提高实时绘制效率.结果:该系统对脑肿瘤准确分割,并实现了交互式实时绘制,证明其技术和方法有效可行.结论:所提出的方法是切实可行的,从而为进一步实现医院信息化建设打下了基础.     

基于电子计算机断层扫描图像的肝癌病灶自动分割方法研究进展

肝癌是一种常见的消化系统恶性肿瘤。目前电子计算机断层扫描成像(CT)技术已在肝癌诊疗方面发挥着重要作用,而基于CT图像的肝癌病灶分割也在临床诊疗中扮演着重要角色。由于人工分割可能存在效率低、主观性强等缺点,因此利用电子计算机来实现对CT图像中肝癌病灶的准确、自动分割是当前的研究热点。本文就基于CT图像的肝癌病灶自动分割的进展予以综述,通过对比分析实验结果,评估各种分割方法,以便相关领域的科研工作者更好地了解目前肝癌CT分割方法的研究进展。     

医学图像的自动调窗与分割

计算机辅助外科系统中,图像引导的手术导航系统是一种技术含量最高、发展最快的外科手术设备,在神经外科、骨科、耳鼻喉科等有着广阔的应用前景。目前,手术导航系统在图像调窗、分割、配准均采用的是手工方式,迫切需要提高图像处理的自动化程度。本文提出的自动调窗与分割算法,比较好地实现了医学图像的自动调窗和自动分割功能:(1)通过对大量MRI和CT图像的灰度直方图分析,根据这一类图像的共性,给出相应的调窗算法,实验表明,该算法绝大部分MRI和CT图像的自动调窗效果接近于最佳;(2 )本文给出的种子生长分割方法,是基于灰度连通性原理,只需点击病灶,就可以将病灶及边缘准确地分割出来,并可以动态、实时地控制分割的效果,只要机器的内存允许,可以直接对三维图像进行三维分割。测试表明,该功能缩短和降低手术计划的时间和难度,提高导航手术的效率。     

乳腺MRI分割与基于光线投影的三维重建

目的乳腺MRI(magnetic resonance imaging)序列成像连续、位置固定,但二维图像无法提供便于观察的肿块的深度与外形信息,为此提出乳腺及其肿块分割与三维重建方法。方法首先利用最大类间方差法与区域生长法提取乳腺外轮廓,然后选用基于梯度和能量信息的水平集方法准确分割乳腺肿块,并对分割结果采用基于包围盒的光线投影算法进行体绘制。结果对患者的多组MRI序列进行分割实验并对几种分割算法进行客观评价,三维重建实验得到乳腺与肿块的立体图像以供医生观察。结论分区处理的水平集分割与基于光线投影的三维重建为医生提供更加形象的立体视觉效果,不仅有助于对肿块病变程度的诊断,而且能帮助外科医生在保乳手术中准确判断开刀位置。