结合脑图谱和水平集的MR图像分割的研究

本文利用脑图谱的先验知识并结合水平集等算法实现对脑MR图像的初步分割。主要步骤：（1）选取数字脑图谱，对图谱进行预处理；（2）实现图谱与脑MR图像的配准；（3）利用图谱提供的轮廓信息对水平集算法进行初始化，完成颅骨和脑脊液的提取以及脑白质和脑灰质的分割。实验结果表明，利用脑图谱提供的信息可有效解决水平集算法初始化问题，缩小求解空间，减少迭代次数，该方法具有较好的鲁棒性。     

基于图谱的肝脏CT三维自动分割研究

目的在肝脏外科手术或肝脏病理研究中,计算肝脏体积是重要步骤。由于肝脏外形复杂、临近组织灰度值与之接近等特点,肝脏的自动医学图像分割仍是医学图像处理中的难点之一。方法本文采用图谱结合3D非刚性配准的方法,同时加入肝脏区域搜索算法,实现了鲁棒性较高的肝脏自动分割程序。首先,利用20套训练图像创建图谱,然后程序自动搜索肝脏区域,最后将图谱与待分割CT图像依次进行仿射配准和B样条配准。配准以后的图谱肝脏轮廓即可表示为目标肝脏分割轮廓,进而计算出肝脏体积。结果评估结果显示,上述方法在肝脏体积误差方面表现出色,达到77分,但在局部（主要在肝脏尖端）出现较大的误差。结论该方法分割临床肝脏CT图像具有可行性。     

数据驱动的三叉神经纤维束自动分割算法

目前三叉神经的纤维跟踪成像过程中普遍存在人工依赖性问题,主要包括人工绘制感兴趣区域(ROI)及手动筛选目标纤维束,导致结果的不确定性和数据误差。针对此类问题,提出一种数据驱动的三叉神经纤维自动分割算法。利用多组大脑样本的纤维数据,建立数据驱动的纤维聚类图谱,实现新样本纤维数据的自动分割,直接得到三叉神经纤维束。在实验中,选择25组青年健康人的数据作为样本数据。首先,利用FSL软件分割工具提取脑干作为ROI,进行确定性纤维跟踪。其次,通过对20组纤维数据进行多样本配准和谱聚类,创建数据驱动的纤维聚类图谱。根据三叉神经细小的特点,在建立纤维图谱过程中,通过对脑干纤维束进行二次分类来标注三叉神经纤维束。最后,选择5组青年健康人的新样本数据,将其脑干纤维数据应用纤维图谱自动分割得到三叉神经纤维束,并计算同一样本数据的自动分割结果与手动分割结果之间的加权Dice系数。结果显示,所提出的方法成功分割5组数据的三叉神经纤维束,而传统人工方法成功识别4组三叉神经纤维束,两者结果之间的加权Dice系数分别为0.865,0.939,0.824,0.942。该方法可以有效避免人为因素的影响,提高神经外科医生...     

基于配准方法的颅脑CT图像病变信息自动提取算法

医学图像中病变信息的计算机自动提取是实现计算机智能辅助诊断的关键与难点,本研究的目的就是提出一个解决该难题的算法,称之为PATHOINFER。该算法的基本过程是首先选择一幅具有代表性的模板图像帆和一系列与其相应的正常图像样奉Mi,利用非刚性配准分别建立表示“正常图像”灰度变化的灰度均值图谱,表示正常变异的统计概率图谱和反映其解剖结构空间关系的分割模板。以实现对“正常图像”的计算机描述。再通过M0与目标图像S的配准,达到“正常图像”与S在空间关系上的一致,然后通过S与“正常图像”的比较,利用模糊逻辑推理,自动检出S中的病变区域,并实现对其病变特征信息的自动提取。实验结果表明,PATHOINFER算法可自动地检出并分割病变区域,并能够自动地提取包括病变发生部位在内的特征信息。实现了计算机智能辅助诊断研究中病变信息自动提取的难胚。     

病理切片图像分割技术的研究

介绍了用图像处理及模式识别技术对显微细胞图像的自动分析和分类的方法,并针对医学图像分析中的难点,提出了基于归一化彩色空间和RGB,HSV彩色模型的分割方法:利用模式识别技术中关于特征向量空间聚类的方法实施真彩色分割.这种方式有效地利用了多维特征空间对于分割目标所提供的信息,使分割的准确性有了较大的提高,解决了图像分割过程中的单个细胞检出问题.     

基于SOM-FCM算法的脑MR多参数图像分割

目的:提出一种新的用于脑MR多参数图像的分割算法,并对算法性能进行评估.方法:应用自组织映射(SOM)神经网络将T1加权像和T2加权像的图像信息结合后进行粗分,粗分的结果作为模糊C均值聚类(FCM)算法的输入,并加入改进的聚类有效性函数作为最佳聚类数的判断依据.结果:对于组织类别数不同的图像,SOM-FCM算法能自动给...     

基于模糊聚类和改进C-V模型的冠状动脉图像分割方法

目的提出一种基于模糊聚类和改进C-V模型的新型图像分割方法,以精准和快速地提取冠状动脉CT血管造影图像中的冠脉轮廓。方法首先对原始冠脉CT造影图像进行预处理;然后利用模糊C均值聚类算法进行预分割,将获得的隶属矩阵和聚类信息耦合进改进的C-V模型中,完成对冠脉图像的分割;最后定性和定量分析本文模型与其他两种传统模型对冠脉CT造影图像的分割结果。结果定性分析结果显示,本文模型以较少的迭代次数完成了对冠脉轮廓的提取,对细小复杂的组织具有较强的分割能力,目标边缘光滑。定量分析结果显示,本文模型迭代200次耗时11.722 s、重叠率83.42%,迭代400次耗时16.493 s、重叠率85.13%。结论结合模糊聚类的改进C-V模型能以较少迭代次数完成对冠脉轮廓的提取,具有分割速度快、抗噪能力强、目标边缘光滑等特点。该方法可以用于冠脉的分割,并为后续冠脉图像的三维重建研究提供参考。     

基于改进的k-均值聚类和数学形态学的彩色眼科图像病灶分割

病灶面积的定量化研究在眼科临床上具有重要的意义 ,为此首先需要把病灶从眼科图像中分割出来。已有的分割算法未充分利用眼科图像的整体信息 ,不适用于角膜病灶的分割。因此 ,本文提出了一种新算法 :首先利用改进的k 均值算法 ,对色度和亮度进行聚类 ,再通过数学形态学运算分割角膜病灶。实验结果表明 ,该算法能有效地分割出彩色眼科图像中的病灶     

基于模糊K-近邻规则的多谱磁共振脑图像分割方法的研究

本文在K 近邻 (K nearestneighbor ,简称KNN)规则的基础上 ,基于模糊C 均值聚类 (FuzzyC meansclustering ,简称FCM)技术 ,提出了模糊K 近邻算法 (FuzzyK nearestneighbor ,简称FKNN) ,并利用该算法对磁共振脑图像进行分割研究。首先对磁共振颅脑图像进行预分割 ,剔除颅骨和肌肉等非脑组织 ,只保留大脑结构 ;然后利用FKNN算法对大脑结构进行分割 ,从脑组织中分别提取出白质、灰质和脑脊液。实验结果表明 ,FKNN方法能有效地从大脑结构中分割出白质、灰质和脑脊液 ,分割效果明显优于KNN方法。     

一种磁共振脑组织及肿瘤区域的提取方法

脑成像的脑组织准确提取有助于提高研究脑部感兴趣区域的精度,脑部肿瘤图像分割的研究可用于组织三维重建、肿瘤体积计算等.本文使用磁共振图像,首先采用脑提取（brain extraction tool,BET）算法提取出脑组织区域,再利用一种信息熵自动阈值与形态学结合的方法;当提取出脑组织后,利用模糊C均值（fuzzy C-means,FCM）聚类算法对肿瘤区域进行提取,经过中值滤波等步骤,提取出脑肿瘤区域.与专家手工勾画对比,本文较好地提取出了脑肿瘤组织,从而实现了脑组织的自动分割,提高了工作效率.     

基于VIP-Man图谱配准的腹部器官分割方法

提出了一种基于图谱配准的腹部器官分割方法.首先将一套预标记图谱向个体图像进行配准,建立二者之间器官的基本对应关系,同时完成对感兴趣器官的识别,其中配准包含全局配准和器官配准.然后,借助已配准的图谱,采用模糊连接方法对感兴趣器官进行分割.腹PCT和MR实验测试结果证明:这种方法实现了模糊连接分割方法中各项参数的自动指定,减轻了人工负担,提高了结果的可靠性.     

基于ITK多图谱配准的脑部皮质下核团的分割研究

大量研究表明,阿尔茨海默症(AD)的病变与大脑皮质下核团的萎缩息息相关,某些核团的萎缩(如海马)可能成为AD疾病早期诊断的标志,而皮质下核团的分割是研究核团萎缩模式的重要前提。基于AD患者和正常人各30例3DT1W-MR图像,先结合直方图分析和三维形态学分析方法对图像进行脑组织提取,后采用ITK配准算法将10个脑图谱图像经两阶段分别配准到提取脑组织后的图像空间。第一阶段实现基于均方差的仿射配准,第二阶段实现基于互信息的B样条形变配准,两阶段的配准均采用线性插值法和梯度下降的优化搜索方法。最后采用STAPLE融合算法,对配准后得到的10个目标图像进行图像融合,得到最终的分割结果。结果表明:除尾状核外,分割得到的其余6对核团的体积与常用的FSL-FIRST算法的分割结果无统计学差别(P>0.05);AD患者的右侧伏核和双侧海马发生萎缩(P<0.05)。因此,基于ITK配准框架的多图谱配准分割方法能有效分割MR图像上边界不明确的皮质下核团。     

Pseudo-Label-Assisted Self-Organizing Maps for Brain Tissue Segmentation in Magnetic Resonance Imaging

Brain tissue segmentation in magnetic resonance imaging volumes is an important image processing step for analyzing the human brain. This paper presents a novel approach named Pseudo-Label Assisted Self-Organizing Map (PLA-SOM) that enhances the result produced by a base segmentation method. Using the output of a base method, PLA-SOM calculates pseudo-labels in order to keep inter-class separation and intra-class compactness in the training phase. For the mapping phase, PLA-SOM uses a novel fuzzy function that combines feature space learned by the SOM’s prototypes, topological ordering from the map, and spatial information from a brain atlas. We assessed PLA-SOM performance on synthetic and real MRIs of the brain, obtained from the BrainWeb and the Internet Brain Image Repository datasets. The experimental results showed evidence of segmentation improvement achieved by the proposed method over six different base methods. The best segmentation improvements reported by PLA-SOM on synthetic brain scans are 11%, 6%, and 4% for the tissue classes cerebrospinal fluid, gray matter, and white matter, respectively. On real brain scans, PLA-SOM achieved segmentation enhancements of 15%, 5%, and 12% for cerebrospinal fluid, gray matter, and white matter, respectively.

     

基于最大互信息的人脑多模图像快速配准算法

对脑图谱开发过程中来源于不同成像设备的多模图像进行配准。对预处理后的数码图像和MRI图像,首先提取图像的轮廓,采用基于轮廓的力矩主轴法计算初始平移量和旋转量,然后设定初始缩放系数,将此初始配准参数作为改进单纯形法的初始参数,以互信息作为相似性测度迭代搜索,使互信息最大,从而实现最佳配准。结果表明本算法不需要人为预调整待配准图像的分辨率,自动化程度高,配准速度快,精度较高,能够满足脑图谱开发过程中的多模图像配准要求。     

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。     

人脑MRI和PET图像的融合方法

目的：研究MRI和PET医学图像融合的方法并且应用在人脑神经解剖中。方法：以Chamfer matching为基本配准方法和以模糊数学为理论基础的融合方法。结果：使得融合后图像有很强的抗配准偏差能力,并且能极大程度地保留原来解剖性信息图像和功能性图像的信息。能根据融合算子的不同组合,得到倾向于不同检查仪器结果的图像。结论：通过本文方法得出的融合后图像,能在人脑解剖结构上显示出该区域的功能状态,对于了解该结构的存在、变异、病变提供了很大的便利。对人脑神经解剖学研究和临床应用都有很大的理论和实践意义。     

Automatic segmentation of the prostate in 3D MR images by atlas matching using localized mutual information

An automatic method for delineating the prostate (including the seminal vesicles) in three-dimensional magnetic resonance scans is presented. The method is based on nonrigid registration of a set of prelabeled atlas images. Each atlas image is nonrigidly registered with the target patient image. Subsequently, the deformed atlas label images are fused to yield a single segmentation of the patient image. The proposed method is evaluated on 50 clinical scans, which were manually segmented by three experts. The Dice similarity coefficient (DSC) is used to quantify the overlap between the automatic and manual segmentations. We investigate the impact of several factors on the performance of the segmentation method. For the registration, two similarity measures are compared: Mutual information and a localized version of mutual information. The latter turns out to be superior (median DeltaDSC approximately equal 0.02, p < 0.01 with a paired two-sided Wilcoxon test) and comes at no added computational cost, thanks to the use of a novel stochastic optimization scheme. For the atlas fusion step we consider a majority voting rule and the "simultaneous truth and performance level estimation" algorithm, both with and without a preceding atlas selection stage. The differences between the various fusion methods appear to be small and mostly not statistically significant (p > 0.05). To assess the influence of the atlas composition, two atlas sets are compared. The first set consists of 38 scans of healthy volunteers. The second set is constructed by a leave-one-out approach using the 50 clinical scans that are used for evaluation. The second atlas set gives substantially better performance (DeltaDSC=0.04, p < 0.01), stressing the importance of a careful atlas definition. With the best settings, a median DSC of around 0.85 is achieved, which is close to the median interobserver DSC of 0.87. The segmentation quality is especially good at the prostate-rectum interface, where the segmentation error remains below 1 mm in 50% of the cases and below 1.5 mm in 75% of the cases.