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。     

基于先验知识和几何主动轮廓线的三维超声瓣膜分割

几何主动轮廓线模型是一种有效的图像分割方法.但对于被噪声严重干扰的目标依然很难准确分割.特定目标的先验知识可以有效地指导目标的准确分割.我们把特定目标的区域和形状先验知识表示成一种速度场,把此速度场嵌入到几何主动轮廓线模型中,指导目标的快速准确分割.先验区域限制水平集在特定区域迭代,先验形状使曲线向理想轮廓演化.我们把该算法应用于三维超声图像的二尖瓣自动分割,结果表明该分割算法是快速和高效的.     

基于灰度和形状的非刚性图像配准算法的研究

提出一种新的灰度和形状信息相结合的全自动同模态医学图像非刚性配准-分割算法,将欧氏距离表示的形状信息融入基于灰度的配准算法中,构造出新的代价函数.该算法在医学图像多目标分割的应用中,能够较好地完成灰度相近、边缘模糊、间距较小的不同结构的分割.对5组真实脑部MRI图像进行分割脑深层灰质结构的实验,结果表明,本算法优于基于灰度信息的图像配准算法.     

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。     

一种分割冠状动脉X射线造影图像的有效方法

目的 提出一种简单有效的方法进行冠状动脉X射线造影图像的分割。方法 基于Hessian矩阵的多尺度滤波和区域增长等算法,其中多尺度滤波用来增强造影图像中的血管,然后利用多种子点区域增长算法从增强后的图像中提取冠状动脉树。结果 该方法对于造影图像中血管状结构非常敏感,能够清晰提取出冠状动脉树中较细小的末梢,并能有效抑制噪声。结论 该方法适合于分割冠状动脉造影,适用于冠状动脉造影的精确量化分析。     

一种基于概率配分和最大模糊熵的CT图像分割方法

为了从CT图像中提取到多个组织的解剖特征,克服运算速度快与运算结果不稳定的矛盾,提出了一种基于概率分布和模糊熵的CT图像分割方法。为了找到分割灰度图象的最佳阈值,根据模糊聚类和概率配分之间的关系,以及模糊熵有最大值的必要条件,从而得到各类的概率配分,因此在搜索阈值组合时,先搜索满足各类概率配分的阈值,然后从这些阈值中搜索使模糊熵最大的阈值。实验结果表明该方法能很好地完成CT图象的分割。此算法运算速度较快;与用遗传算法、模拟退火算法相比较,运算结果稳定,分割更准确。     

基于对称区域生长和边缘梯度的视神经纤维的分割

在视神经横切面图像中,将每个神经纤维的内外边界进行精确分割是视神经形态分析的重要环节,提出一种基于对称区域生长和髓鞘边缘梯度的有效分割算法.该算法分两步进行,首先根据交互方式下选取的种子点,由对称区域生长算法实现轴突分割,然后在轴突轮廓模型基础上,髓鞘外轮廓在髓鞘平均边缘梯度引导下进行演化,实现自动分割.与K-均值聚类,局部阈值和水平集等其他算法的实验结果相对照显示,该算法分割获得的轴突和髓鞘轮廓与实际轮廓相吻合,其分割结果可以作为后续神经纤维形态分析的基础.     

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.     

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。     

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。     

Segmentation and Tracking of Neural Stem Cell

INTRODUCTION The birth of new neurons from neural stem cells,a process called neurogenesis,has been seen in adult brains from both animals and humans〔1〕.However,little isknown about the basic regulatory mechanisms of neurogenesis.In order to under-stand this regeneration of brain cells,cultured cells are studied.In this way,someproperties of neural stem cells as they develop over time can be discovered.For thispurpose efficient methods for tracking cells in cultures are needed.There ar…     

神经元干细胞图像的全自动分割与追踪

基于显微细胞图像的全自动分割算法，建立了一种全自动追踪序列图像中的神经元干细胞的系统，序列图像的初始图结合了人机交互，干预分割结果。所有的细胞在追踪过程中将其分成惰性细胞，活跃细胞，分裂细胞和成串细胞。不同种类的细胞采用不同的追踪算法。一种特殊的后向追踪可以修改和纠正前向追踪里出现的错误，并以轨迹图的方式显示最后的追踪结果。     

拓扑约束结合匈牙利算法在高密度神经干细胞追踪中的研究

神经干细胞(NSCs)的运动分析是细胞学和生物学研究中重要的组成部分之一,而对大量NSCs同时进行追踪是细胞运动研究的主要难点。为了进一步提高高密度NSCs追踪算法的准确性,本文提出了一种新的基于分割、结合拓扑约束和数据关联的细胞追踪方法。首先针对实验所用的两组细胞图像序列的特点,分别采用了不同的分割方法。然后利用拓扑约束完成相邻两帧中所有细胞的数据关联并建立系数矩阵,最后对该系数矩阵利用匈牙利算法实现细胞的最优匹配,以此模式从序列的前两帧到最后一帧完成细胞追踪。实验结果表明,本文算法与单独利用拓扑约束进行细胞追踪的方法相比,有更好的追踪效果,准确性更高,序列I和序列Ⅱ的最终追踪准确率分别提高了10.17%和4%。     

基于形态学的均值平移算法的神经元干细胞图像的自动分割

在神经元干细胞的图像分析中,准确快速的图像分割是干细胞分化增值自动追踪系统的基础。为了准确地分割低对比度的灰度神经元干细胞图像,本研究提出一种基于形态学运算和均值平移算法的神经元干细胞分割方法,称其为形态学的均值平移算法。此算法可以快速地获得任意形状细胞的图像,并且能检测到图像中多连接边缘不封闭的细胞。将此方法应用于神经元干细胞序列图像分割中并且将其与门限分割、水线分割和活动轮廓进行对比。实验结果证明,与其它的方法相比,此方法获得的细胞分割形状更接近于真实细胞的形状,并且能获得或接近于原始图像中准确的独立细胞数目。此方法可以获得正确的分割结果,为进一步图像处理奠定了良好的基础。     

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。     

一种基于自适应最小模糊熵的CT图像分割方法

为了从CT图像中提取到多个组织的解剖特征,解决运算速度的提高与运算结果不稳定的矛盾,我们提出了一种基于自适应最小模糊熵的图像分割算法.为了找到分割灰度图像的最佳阈值.首先利用迭代公式以及图像的直方图来计算出每个模糊子集的隶属函数中指数参数的值以及阈值的搜索范围,然后在已确定的搜索范围内用穷举法搜索出能使模糊熵最小的最佳阈值.实验表明该方法能较好的完成CT图像的分割.此算法运算速度较快;与用遗传算法、模拟退火算法相比较,运算结果稳定,重复性更好,得到的图像细节成分要更多些.     

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。     

Automated segmentation of comet assay images using Gaussian filtering and fuzzy clustering

Comet assay is one of the most popular tests for the detection of DNA damage at single cell level. In this study, an algorithm for comet assay analysis has been proposed, aiming to minimize user interaction and providing reproducible measurements. The algorithm comprises two-steps: (a) comet identification via Gaussian pre-filtering and morphological operators; (b) comet segmentation via fuzzy clustering. The algorithm has been evaluated using comet images from human leukocytes treated with a commonly used DNA damaging agent. A comparison of the proposed approach with a commercial system has been performed. Results show that fuzzy segmentation can increase overall sensitivity, giving benefits in bio-monitoring studies where weak genotoxic effects are expected.     

改进的遗传模糊聚类算法及其在MR脑组织分割中的应用

为提高MR图像中脑组织分割的精度,针对目前遗传模糊聚类算法存在的问题,提出了改进的遗传模糊聚类算法。首先,通过完全改变遗传算法的编码方式、变异方式和交叉方式,对现有遗传算法进行改进,从而使遗传算法能获得最小的适应度函数值;然后,结合模糊聚类算法,最终得到改进的遗传模糊聚类算法。将改进的遗传模糊聚类算法应用于MR脑图像的分割,结果表明,改进的遗传模糊聚类算法的分割质量高于现有的遗传模糊聚类算法和快速模糊聚类算法。改进的遗传模糊聚类算法可以做为一种快速、全自动的MR脑图像分割工具。