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.     

基于变分法的超声图像斑点噪声自适应滤波算法

各向异性扩散模型在去除超声图像斑点噪声时不能有效保护图像细节,针对上述问题本文提出基于变分法的自适应最小能量去噪模型.首先直接将由微分方程表示的各向异性扩散模型转化为最小能量变分模型;然后引入欧拉弹性能量模型,在去除噪声的同时有效地保护和增强图像细节.同时为了解决数值求解过程中出现的迭代次数与迭代步长的矛盾,本文还提出迭代停止准则和自适应变步长去噪算法.仿真和真实超声图像的实验结果表明基于变分法的超声图像斑点噪声自适应滤波算法在去噪的同时能够很好地保护细节信息,而且能有效地减少迭代次数.     

基于各向异性扩散的B超图像去噪

提出了一种基于各向异性扩散方程的B超图像斑点噪声抑制的算法.斑点噪声是由超声成像机制引起的固有噪声形态,它对B超图像的特征提取、识别和分析带来极大困难.特别是对于边缘提取,斑点噪声使得传统的提取算法几乎都无法取得理想的效果.各向异性扩散方程是一种能有效抑制斑点噪声的算法,本文针对原始算法中扩散系数过饱和的问题以及斑点尺度系数选择的不足,提出了改进的方法,从而在抑制斑点噪声的同时保留甚至增强B超图像中的边缘细节信息,为下一步的边缘提取提供了有效保障.     

基于多尺度非线性扩散的超声图像斑点噪声去除算法

针对现有去噪算法可能造成超声图像细节模糊甚至丢失的问题,本文提出基于多尺度非线性扩散（multiscale nonlinear diffusion,MSND）的超声图像去噪模型.该模型结合冗余拉普拉斯塔形数据分解和非线性扩散的优点,利用冗余拉普拉斯塔形数据分解将图像分解为等大小的空间-频率子带,综合各子带的特征得到图像边缘和细节的精细表示,然后根据所得的综合特征指导各子带图像的非线性扩散.实验结果表明本文算法在去除噪声的同时能有效地保留和增强边界与细节.     

基于小波的医学超声图像斑点噪声抑制方法

斑点噪声是超声图像中固有的噪声。本文提出了一种新的去除斑点噪声的方法，这种方法结合中值滤波和多尺度非线性小波软阈值的优点，首先把原网像进行对数转换，然后把对数转换后的图像进行中值滤波处理，从而把转换后的图像分成两部分，对每一部分进行小波分析，假设小波系数服从广义高斯分布（GGD），利用小波系数的统计特性估计出各个部分各个尺度的阈值，最后用软阈值方法对上述两部分分别去噪。实验结果表明，本文提出的方法在有效去除斑点噪声方面，优于中值滤波，维纳滤波和多尺度非线性阈值算法（MSSNT-A）。     

超声医学图像非线性滤波算法研究进展

超声医学成像方法具有实时、无创、方便等优点，在临床上得到了广泛的应用。但由于超声医学成像机制的限制，超声医学图像质量不高。对图像进行滤波就是为了提高人眼和计算机对图像细节的识别能力。本研究讨论了应用于去除超声医学图像斑点噪声的非线性滤波算法的研究现状及其特点，重点介绍了基于中值滤波、小波变换、扩散方程的滤波方法，并把相关算法应用于超声医学图像的处理，直观地比较了各种滤波器的性能。最后展望了超声医学图像非线性滤波算法的发展方向。     

基于Prewitt算法的颅内CT图像病灶分割算法

针对颅内CT图像病灶周围存在大量噪声,分割结果欠佳的问题,本研究提出基于Prewitt算法的颅内CT图像病灶分割算法。首先采用改进型中值小波去噪算法,去除颅内CT图像中的噪声点,优化图像质量;然后使用基于Prewitt算法的图像分割法,完成去噪后CT图像的病灶分割。结果表明,本研究算法在分割颅内CT图像病灶时,错分率为对比算法的1/10,并可将颅内CT图像的噪声点全部去除。说明该算法对颅内CT图像病灶的分割可行性,可用于颅内CT图像病灶分割。     

基于双边滤波-距离正则化水平集演化算法的甲状腺超声图像分割

超声图像有斑点噪声,且对比度低、边界模糊,所以甲状腺超声图像分割较为困难。针对此问题,本研究提出一种结合双边滤波(bilateral filters,BF)和改进边缘指示函数的距离正则化水平集演化(distance regularized level set evolution,DRLSE)模型的分割算法。先对甲状腺超声图像进行双边滤波,然后采用改进的DRLSE模型对甲状腺进行分割。通过与采用另外两种边缘指示函数的DRLSE模型对比,本研究提出的BF-DRLSE模型能减少斑点噪声对分割过程的影响,并在明显减少曲线演化运行时间和迭代次数的情况下有效分割甲状腺。     

基于U-Net的T细胞斑点检测方法研究

针对传统图像分割方法抗噪性弱、容易漏检的问题,提出基于U-Net模型的T细胞斑点分割算法。通过中值滤波器平滑消除噪声,灰度化处理降低背景干扰,采用Adam算法优化损失函数,能有效提高分割准确率。实验结果表明,与基于区域生长的传统分割方法对比,U-Net方法在少量斑点和较多斑点两种情况下F1分别提升9%和6%,验证了其有效性。     

眼科高频超声成像中斑点噪声抑制算法的研究

目的 斑点噪声是超声图像中存在的固有问题,而在眼科高频超声这种更为精细的超声检查中,有效地抑制斑点噪声能提高图像的质量,有助于临床医生对病情的判别.方法 提出了一种新的基于拉普拉斯（Laplacian）金字塔的多尺度斑点去噪方法.采用Laplacian金字塔,从斑点噪声中分离出临床图像特征,根据每层子带图像不同尺度及特点,从小尺度到大尺度,首先采用改进后的八方向各向异性斑点去噪（SRAD）去除图像斑点,然后增强图像的边缘、细节及对比度等方面.该方法与传统的SRAD滤波及相干增强滤波（CEDIF）进行对比,采用等效视数及算法的时间耗费对实验结果进行量化评估.结果 与传统SRAD滤波及CEDIF滤波方法相比,基于Laplacian金字塔的多尺度各向异性斑点去噪方法均高于前两种方法（1.172 3 vs 1.122 3、0.929 3及0.864 0 vs 1.396 0、1.468 3）.结论 本研究提出的基于Laplacian金字塔的多尺度各向异性斑点去噪方法在更有效地去除图像斑点噪声的同时,能很好地保存图像边缘及图像细节等.