颅盖骨骨折CT图像的计算机自动分析研究

目的：寻找一种方法，并设计程序，使计算机能够通过运行程序对从第三脑室上部层面到大脑皮层下部层面的CT图像进行自动分析，由此来判断图像中的颅盖骨是否存在骨折，从而为扩展CAD技术的应用做探索性研究。方法：对于第三脑室上部层面到大脑皮层下部层面的CT图像，首先进行预处理，去除图像中的噪声和头架；然后对预处理后的图像用阈值分割法进行分割，把颅盖骨从图像中分割出来；然后对得到的图像进行修正处理，使颅骨骨缝和分割时造成的孤立点对最后判断的影响尽量降低；然后对修正处理后的颅盖骨图像进行边缘提取；最后根据提取的颅盖骨边缘判断颅盖骨是否存在骨折并给出判断结果。结果：计算机运行根据所找到的方法编制的程序，测试了已明确诊断的61幅从第三脑室上部层面到大脑皮层下部层面的CT图像。结果有53幅判断正确．正确率为86．89％。结论：本研究找到的数据挖掘方法，通过程序实现，可以对从第三脑室上部层面到大脑皮层下部层面的cT图像进行自动分析，由此判断图像中的颅盖骨是否存在骨折。     

分水岭算法在CT图像分割中的应用

目的：分水岭算法在图像分割领域得到了广泛的应用,但单独使用分水岭进行图像分割因为对噪声的抑制能力弱以及对大多数图像易产生过分割现象而变得困难。本文针对分水岭算法存在的过分割问题,提出了一种改进的分水岭算法应用于CT图像,能有效的抑制过分割现象。方法：首先对输入图像进行高斯滤波处理,然后通过Sobel算子求图像的梯度幅值,再求出多尺度灰度图,最后进行阈值分割和多尺度变换而达到对图像进行分割的目的,并将其转化成伪彩色图像显示来优化分割结果,在有效处理过分割问题的同时让图像分割后的效果更加明显。结果：仿真结果表明,与传统的分水岭分割算法比较,缓解了过分割问题,得到的分割效果要好很多。结论：本文实验可以有效地将传统的分水岭算法加以改进,将之应用于医学CT图像分割中,从而使图像各个不同的组织轮廓均得到了很好的区分,减少了图像的过分割点数,使图像的各个区域更易判断。     

基于空间FCM与MRF方法的乳腺MRI序列三维病灶分割研究

针对乳腺DCE-MRI病灶分割,提出一种空间FCM聚类与MRF随机场相结合的三维分割方法。首先,对MRI图像进行空间FCM粗分割,提取病灶粗轮廓。然后,在其基础上进行MRF精分割,并结合病灶三维信息：用相邻切片分割结果对应标号矩阵初始化MRF精分割标号场,同时用该张切片粗分割所得隶属度矩阵对MRF精分割进行参数自适应调整。用该方法与空间FCM、水平集、模糊MRF方法对50例MRI数据进行分割对比实验,得到良、恶性病灶分割重叠率分别为76.4、75.5;相比于空间FCM的68.%、69.5水平集的70.8、72.6以及模糊MRF的72.9、73.6有明显提升。对所有175例MRI数据分割结果进行非监督评价,得到良、恶性病灶区域均匀性均大于0.92;区域内差异性良性病灶92%小于150、恶性病灶98%小于150;区域间差异性良性病灶87%大于0.25、恶性病灶90%大于0.3综上表明,该方法具有较高的分割精度。     

一种脑MRA图像自动分割算法及其在图像导引神经外科中的应用

图像导引神经外科技术是在神经外科手术过程中减小患者刨伤的有效方法。在这种方法中，医学图像分割质量的好坏直接影响着手术过程的准确性。本研究提出了一种新的基于MRA图像的自动分割算法，这种算法通过各向异性滤波，统计阈值分割，数学形态学滤波，和基于边界距离场的活动轮廓模型来对MRA图像进行自动分割和分割结果的可视化。数据实验表明用这种算法对MRA图像进行分割的结果可以有效地用于图像导引神经外科，并且算法具有一定的鲁棒性。     

基于Metropolis—SA算法的脑部磁共振血管造影图像分割

目的利用三维Markov随机场（MRF）模型分割脑部磁共振血管造影（MRA）。方法MRF的似然概率采用了瑞利分布和高斯混合分布函数,并利用最大期望（EM）算法精确估计出混合参数;先验概率采用Ising—MRF模型,并利用误差试探法估计出正则化参数。为避免利用迭代条件模式（ICM）进行图像分割时常陷入局部最优解,实验提出了基于Metropolis采样算法的模拟退火（SA）技术。结果实现了三维MRF的全局最优解,分割模型可分辨3个体素的细小血管。临床数据采用南方医院影像中心提供的患者TOF-MRA数据（1.5TGE MRI scanner）,空间分辨率0．43mm×0．43mm×0．50mm：原始数据的像素空间大小为512×512×128;实际采用的空间大小和分辨率分别为256×256×64和0．80mm×0．80mm×1．20mm。实验对每一套临床数据采用SA、ICM、MSA算法分别进行分割比较,分割结果存在有限差异,采用15步迭代计算的时间消耗分别为1029S、463S、560S。结论实验通过三维仿真数据分割结果表明,Metropolis—SA迭代求解算法能够实现更低的全局误差．并且实际脑部MRA数据的分割与最大密度投影相比较．反映出较好效果．     

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.     

点对称距离模糊C均值聚类算法在脑部MRI图像分割中的应用

背景：在传统的图像分割方法中,模糊C均值聚类算法应用十分广泛。 目的：将改进的模糊C均值聚类算法应用到MRI图像的分割中,提高MRI图像分割的准确度。 方法：针对传统的基于Minkowski距离的模糊C均值聚类算法,提出了基于点对称距离的模糊C均值聚类算法,并将其运用到了脑部MRI图像分割中。 结果与结论：实验结果表明,与模糊C均值聚类算法相比,点对称距离的模糊C均值聚类算法有明显的优势。     

免疫组化彩色细胞图像自动分割的研究

目的：免疫组化彩色细胞图像中阳性细胞的自动分割提取有着重要的临床意义。本文结合三种分割算法的特点，研究实现免疫组化彩色细胞图像的自动分割，提取图像中的阳性细胞。方法：（1）采用OTSU方法在灰度的基础上对免疫组化彩色细胞进行预分割，去除无关背景。（2）使用K-聚类算法，对彩色细胞图像进行彩色分类筛选出阳性细胞和阴性细胞，并对所得阳性细胞图像进行腐蚀，以获取阳性细胞图像的种子。（3）使用区域生长算法对阳性细胞种子进行区域增长。获取完整的阳性细胞图。结果：准确分割出图像中的阳性细胞。结论：该自动分割方法可用于后续的阳性细胞自动计数，辅助医生诊断疾病。     

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。     

基于边界跟踪算法的脑磁共振图像分割

目的：脑磁共振图像的自动分割是近几年研究的一大热点,本文在通过分析比较当前各种图像分割算法后,介绍了一种基于边界跟踪的脑磁共振图像（MRI）分割算法,在MRI中提取出脑组织部分。方法：应用迭代法对脑磁共振图像进行二值化处理;扫描二值化图像,根据脑组织的形态,确定一点作为脑组织边界的起点;根据边界点的像素特征,对传统的边界跟踪算法进行改进,计算出MRI脑组织的边界,最后应用区域生长法在原始MRI中提取脑组织图像,实现MRI分割。结果：实验结果表明,改进后的边界跟踪算法在提取脑组织边界时,细节处理能力强,不易陷入死循环,具有较高的运算速度。提取的真实脑磁共振图像的脑组织区域,能满足临床的实际需要。结论：对图像二值化处理,对图像有微弱的损害,但是极大地提高了计算速度。与传统的边界跟踪算法相比,改进后的边界跟踪算法分割效率高,更易实现MRI的自动分割。获得的边界曲线在细节上更接近于脑组织的实际边界。     

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。     

A methodology for evaluation of boundary detection algorithms on breast ultrasound images

Image segmentation is the partition of an image into a set of non-overlapping regions that comprise the entire image. The image is decomposed into meaningful parts, which are uniform with respect to certain characteristics, such as grey level or texture. This study presents a novel methodology to evaluate ultrasound image segmentation algorithms. The sonographic features can differentiate between various sized malignant and benign breast tumours. The clinical experiment can determine whether a tumour is benign or not, based on contour, shape, echogenicity and echo texture. Further study of the standardized sonographic features, especially the tumour contour and shape, will improve the positive predictive value and accuracy rate in breast tumour detection. The effectiveness of using this methodology is illustrated by evaluating image segmentation on breast ultrasound images. Via definite segmentation, the appreciated tumour shape and contour can be ascertained. Furthermore, this method can enhance the ability of ultrasound to distinguish between benign and malignant breast lesions.     

基于特征点抽取的闭合曲线快速检测法在颅盖骨图像中的应用

目的:探讨基于特征点抽取的闭合曲线快速检测法在颅盖骨图像中的应用效果。方法:将颅盖骨图像提取出来并进行细化处理后,从图论的观点出发,提取图中的端点、歧点和叉点,根据Euler公式计算图像中的边数和顶点数,由此判断颅盖骨是否闭合。结果:测试已明确诊断的61幅从第三脑室上部层面到大脑皮层下部层面的CT图像,结果有56幅判断正确,正确率为91.8%。结论:实验表明,此方法可以用来判断颅盖骨的闭合情况。     

一种基于小波变换的乳腺X线图肿块分割方法

目的：乳腺癌的早期诊断和治疗是能够降低乳腺癌患者死亡率的有效途径。通过乳腺X线图像观察乳腺状况是目前乳腺癌普查的首选影像方法。随着图像处理技术的高速发展,计算机辅助检测技术在乳腺癌的检测方面起到越来越重要的作用。方法：本文首先利用图像处理领域的形态学处理、区域增长等相关知识,对乳腺X线图像进行预处理操作,去除图像中所包含的干扰信息。之后提出一种对图像的灰度直方图进行小波变换,并根据其小波变换的模极大值点确定图像分割阈值的方法对乳腺X线图像中的疑似肿块区域进行粗分割。在通过粗分割过程获得乳腺肿块的大致位置信息之后,再利用区域增长的方法获得肿块的边缘信息。结果：本文选取MIAS乳腺图像数据库中的65幅图像作为测试图像,保证每幅图像至少包含一个乳腺肿块。利用本文所提方法对这65幅图像进行实验,并将实验结果与该数据库中的专家标注信息作对比,实验结果为当采用db40的小波系数时的检出率为95．5％。结论：本文所述方法能够有效地分割出乳腺X线图中的肿块区域,并且有较高的检出率,具有进一步研究和应用的价值。     

结合贝叶斯最优分类器的GACV模型对医学彩色细胞图像进行分割

目的:本文对GACV模型进行改进,并用改进的模型对医学彩色细胞图像进行分割。方法:本文在GACV模型基础上加入了贝叶斯最优分类器,得到了结合贝叶斯最优分类器的GACV模型,并用该模型对医学彩色细胞图像进行分割。结果:应用本文提出的模型分割3组不同特点的医学彩色细胞图像,分割结果显示,该模型能正确将细胞从不同噪声环境中分割出来。结论:结合贝叶斯最优分类器的GACV模型对弱边界,噪声以及复杂背景有很强的鲁棒性可以有效、准确的分割医学彩色细胞图像。