医学超声图像分割的一种新方法

有效地实现超声图像的分割依然是临床疾病诊断亟待解决的一个难题。本研究将图像树型框架小波变换、尺度共生矩阵、KL变换主分量分析和自组织神经网络聚类相结合应用于医学超声图像，提出一种分割新方法。实验表明，对于不同的医学超声图像，应用本研究方法均可得到比较清晰的分割结果，且显著地提高了分割图像的对比度，这对于固有对比度较低的医学超声图像来说不啻一种很有效的图像分割新方法，为临床诊断提供新的借鉴。     

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。     

基于多重分形谱和自组织神经网络的医学图像分割

背景:单一的多重分形谱图像分割虽然在边缘及纹理的区分上有较大优势,但是选择不同的测度,不同的阈值对于分割结果影响比较大,正确地选择最优的测度比较困难。目的:结合多重分形谱图像分割法及自组织特征映射神经网络对医学图像进行处理。方法:以图像每一象素及其周围象素的均值及方差为基本特征,再结合4种不同多重分形谱为纹理特征,实现自组织特征映射神经网络。结果与结论:选择不同的测度对同一图像的分割结果是不一样的,并且同一种测度对不同图像的分割效果也不一样,说明基于多重分形谱的医学图像分割中选择合适的测度是一个关键所在。因此将多重分形谱结合自组织特征映射神经网络的方法对图像进行处理,该方法省略了选择测度的步骤,直接把4种多重分形谱作为特征,与另两种基本特征一起作为自组织神经网络的输入,对网络进行学习,并自动对图像进行分割。实验结果表明该方法在满足复杂图像中有效进行分割的同时达到了自动、自适应的目的。     

基于超声序列图像的心脏四腔运动同步特性提取

目的心脏四腔运动的同步特性对于精确描述心脏机械活动有重要作用,特别对于心脏再同步治疗患者的诊断和术后评估非常重要,但目前此特性尚无较好的无创定量测定方法。全心脏B型超声序列图像含有丰富的心脏运动信息,可从超声心脏序列图像中提取心脏四腔运动的同步特性。方法首先将全心脏超声序列图像中每一帧图像的四腔分割出来,得到四腔的切面面积,进而从时间序列图像得到四腔面积随时间变化数据,通过特征分析得到心脏四腔运动的同步特性。为克服超声图像空间分辨率不高、信噪比较低及四腔边界不清晰的缺点,本文以主动形状模型(active shape model,ASM)为主,并针对此方法的不足提出了基于图像局部方差的改进方法。结果仿真超声图像序列和实际超声图像序列的实验结果初步证明本文提出的方法可行。结论基于改进的ASM分割方法,可达到较好的分割结果,并获得比较准确的心脏四腔运动的同步特性。     

心脏超声图像的运动分析研究进展

心脏腔室的运动特征与心功能的健全与否是密切相关的。临床上常根据超声心动图像来观察目标的运动，并结合其它方法对心脏状况做出判断，但往往定量分析的准确程度不够，本文介绍了目前心脏超声技术的发展情况，以及国内外基于超声心动图进行心脏运动分析的主要研究内容，包括图像的运动跟踪，动态分割，超声成像过程仿真等，同时就一些研究方向和思路进行了探讨。     

B型超声心动图中心脏组织及结构的识别

本文描述了一种从B型超声心动图识别心脏组织及结构的方法。该方法融合了空间特征信息及纹理特征信息，并经神经网络进行识别进而给出心脏组织及结构的类别标号图象，在空间特征提取中，采用了基于模糊的模型分割方法，该方法可将各类组织交界附近隶属度带识别过程中并融保纹理特征，因而有较好的识别率，该方法已在一台PentiumⅡPC机上进行了模拟，并获得了较好的实验结果。     

三维超声心脏图像的模糊聚类分割

采用三维超声心动图对小儿先天性心脏病进行诊断与治疗能达到比传统二维超声心动图更直观的效果.然而由于超声图像质量较差,三维超声心动图的可视化效果往往无法达到医生的要求.本文对三维超声心脏图像进行分割,以改进超声图像的可视化效果,并为参数提取等提供基础.首先采用快速的模糊c均值聚类得到初始分割结果;然后利用图像多分辨率技术进行修正;接着结合图像的对比度进行进一步的分割;最后,把处理后的图像用绘制的方法显示出来.本文的结果对超声图像的可视化效果有一定的改善.     

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.     

心脏超声图像的运动分析研究进展

心脏腔室的运动特征与心功能的健全与否是密切相关的 ,临床上常根据超声心动图像来观察目标的运动 ,并结合其它方法对心脏状况做出判断 ,但往往定量分析的准确程度不够。本文介绍了目前心脏超声技术的发展情况 ,以及国内外基于超声心动图进行心脏运动分析的主要研究内容 ,包括图像的运动跟踪、动态分割、超声成像过程仿真等 ,同时就一些研究方向和思路进行了探讨     

基于对称区域生长算法的超声医学图像分割方法

提出了一种基于对称区域生长算法的超声医学图像的分割方法。该方法分为三步。首先,通过采用自适应加权中值滤波抑制超声医学图像本身固有的Speckle噪声,然后从图像的第一行开始扫描整个图像,并应用生长准则进行区域的生长与合并,生长完成之后应用种子准则标定感兴趣区域,从而得到最后的分割结果。通过图像的分割实验确定了一套对于超声医学图像适用的生长和合并准则。对心脏B型超声医学图像分割的实验结果显示,该方法具有良好的性能。     

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。     

超声心脏图像多维重建研究进展

讨论了超声心脏图像多维重建的方法、研究现状、存在的问题及应用前景。根据超声心脏图像多维重建的过程,从图像获取、图像处理和图像显示等几个方面展开讨论,分析了多维重建研究的现状和存在的问题,提出未来的发展方向和应用前景。     

An Automated System for Heart Contour Delineation in Photofluorographic Images

An automated system for heart contour delineation in photofluorographic images is described. This system allows the heart contour to be isolated without distortion. The heart contour in photofluorographic image is isolated using a decomposition method for empirical modes. The isolation algorithm, which is based on textural segmentation, is promising for various applications.     

冠状动脉血管造影图像三维分割方法

冠状动脉计算机断层扫描血管造影技术已广泛应用于心血管疾病的诊断,冠状动脉的有效分割在冠心病诊断中起着重要的作用。本文提出一种冠状动脉血管造影图像三维分割方法,首先进行数据预处理;然后,利用分水岭算法得到子区域;最后,利用区域生长方法将分水岭子区域合并,实现冠状动脉的三维分割。本文以放射科医生手动标注结果作为标准,验证提出算法的可行性和有效性。实验结果表明,本文提出的分割方法能够有效克服冠状动脉周围组织的干扰,从而取得精确的分割结果。     

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Mean Shift的三维医学图像交互式分割方法

目的：提出一种新的三维医学图像交互式分割方法,利用Mean Shift算法将空间域与特征域相结合的高维计算优势,直接对图像的三维空间分布信息进行处理,同时采用人工与计算机相结合的交互式分割方法在医学图像序列上分割出感兴趣区域。方法：通常将Mean Shift方法用于图像分割都需要对整幅图像中的所有像素点进行大量的迭代计算,这样使得分割效率很低。而本文基于交互式分割算法原理,通过在感兴趣区域人工设定一个或少数几个初始点,利用人工给出的先验信息只需对感兴趣区域进行Mean Shift的自适应迭代计算和处理,不仅可以克服上述缺陷,还能得到较为精确的分割结果。结果：本文根据该方法进行了实验,从肺部图像序列中准确地分割出了三维的肺结节区域,从时间上和准确度上均能满足临床需求。结论：实验结果证明该交互式分割方法是一种非常有效的三维医学图像分割方法。本文的方法可以同时联合灰度域和空间域特征实现分割,而且它基于所选择的分割特征还具有任意多维空间联合分割的潜力,不失为一种深有发展前景的三维交互式分割方法。     

一种提高直肠癌诊断精度的基于U型网络和残差块的电子计算机断层扫描图像分割算法EI北大核心CSCD

作为确定病灶与诊断的重要基础,医学图像分割已成为生物医学领域中极其重要的热门研究领域之一,其中基于全卷积神经网络和U型网络(U-net)等神经网络的医学图像分割算法得到越来越多研究人员的重视。目前,医学图像分割算法应用于直肠癌诊断的研究报道较少,且已有的研究对直肠癌的分割结果精度不高。本文提出了一种结合图像裁剪和预处理方法的编码—解码卷积网络模型。该模型在U型网络的基础上,借鉴残差网络思想,用残差块代替传统的卷积块,有效避免了梯度消失的问题。此外,本文还采用了图像增广的方法提高了所提模型的泛化能力,并在"泰迪杯"数据挖掘挑战赛所提供的数据集进行测试。测试结果表明,本文提出的基于残差块的改进U型网络模型结合图像裁剪预处理,可以大大提高直肠癌的分割精度,得到的戴斯系数在验证集上达到0.97。