人体CT切片图像中骨骼的分割

在实现人体骨骼的三维可视化中 ,首要的一步是将骨骼从二维图像中分割出来。本研究选用美国国家医学图书馆提供的可视人体项目中 1733张女性 CT切片数据 ,提出了一套图像去噪、分割和平滑的处理方法。在去噪中使用了 Chebyshev一致逼近滤波技术 ;在分割中提出了一种简单实用的自适应阈值法 ,将图像之间的相关性与区域生长法结合 ;后处理中使用形态学方法、多分辨率滤波等算法。完成了对所有 1733张图片的分割 ,经过与原图的对照 ,证明了所提出方法在分割中的准确性和较广泛的适用性     

牙颌CT图像序列中牙的半自动分割方法

牙颌CT图像序列相邻切片之间,相应牙的大小、位置以及牙区域和轮廓的灰度分布等特征比较接近,并呈一定的变化规律,根据这一特点提出了牙颌CT图像序列中牙的半自动分割方法。首先选取参考切片,加入少量用户操作进行参考切片中牙轮廓的提取,接着以参考切片为起始切片,由已完成轮廓提取的牙包围盒作为待处理切片(相邻切片)相应牙的操作区间,然后在此区间内用区域生长法提取牙轮廓,由此逐张切片处理可以自动地得到所有切片全牙列每颗牙的轮廓。实验结果表明,本方法仅需少量用户交互就能快速、基本准确地从牙颌CT图像序列中分割出牙轮廓,具有一定的实用价值。     

肺部CT图像气管树分割技术研究进展

肺部气管是人体与外界进行气体交换的唯一通路;其解剖结构信息可用于诊断呼吸系统疾病。计算机断层扫描技术(CT)是检测呼吸系统疾病的主要手段,但因就诊人数多、图像数据量大等因素;导致人工阅片费时费力。而肺部气管树的自动提取与分割;是实现自动化定量分析与呼吸系统疾病辅助诊断的前提。首先对肺部气管树分割技术的背景及意义进行介绍;然后分析对比传统分割技术、基于管状结构检测的分割技术以及基于机器学习的分割技术所运用的研究方法和存在的问题。最后指出提高肺部气管树分割效果;依赖于将气管分割技术与泄漏剔除技术相互结合;需要在尽可能分割出多数气管树分枝的基础上;消除分割结果中存在的伪气管区域。     

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。     

基于改进C-V模型的肿瘤CT图像分割

针对传统C-V模型演化速度慢和不能很好分割灰度不均匀图像的缺点,从两个方面进行了改进。首先采用一个新颖的基于局部梯度的模型,使C-V模型初始轮廓曲线快速移到目标边界附近,大大缩短了演化时间;其次,结合GVF模型从两个方向指向目标边界的特点,为C-V模型的速度方程添加一个自适应速度调节项,使模型收敛于真实边界。通过肝脏肿瘤CT图像的分割,验证该方法是有效的。     

基于双源CT图像的冠状动脉分割

背景：在计算机辅助下,从双源CT图像中把三维冠状动脉分割出来能为其定量评价提供基础。但冠状动脉的三维形态复杂多变,且其管径细小,因而实现冠状动脉的高精度分割是一项有挑战性的课题。 目的：解决冠状动脉难以实现高精度分割的问题。 方法：采用三步数据处理策略实现冠状动脉分割。先采用阈值方法对三维双源CT图像进行预分割;然后,采用交互式的策略分割出与主动脉相连的左、右冠状动脉始端;最后,根据冠状动脉始端的位置,利用形态学方法和三维断层图像相邻层间的关系分割出三维冠状动脉。 结果与结论：提出的基于形态学与断层图像层间关系的分割方法能较精确地从双源CT图像中分割出左、右冠状动脉,说明该方法适用于三维冠状动脉的分割。     

基于BP神经网络的CT图像骨皮质分割

目的在CT图像中通过对骨皮质的分割与测量,测定骨量、骨骼的几何形状以及骨强度,并计算相应的组织形态计量学参数。方法通过DCMTK解读CT图像,提取相应的图像信息。利用OpenCV对图像进行预处理,在感兴趣的区域(ROI)设置的基础上,提取图像的纹理特征作为输入向量;以对训练样本手工分割的结果作为导师信号,对BP神经网络进行训练;用训练好的网络对CT图像序列中的骨皮质进行分割,并对分割后的结果进行后处理及显示。结果骨皮质CT图像的神经网络分割效率符合实际应用的需求,分割结果形状明显,与周围组织区分度高,满足临床诊断需求。结论纹理特征明显的情况下,可以达到较为满意的分割效果。分割结果轮廓平滑,分割精度高、成功率高、适应性强;而且图像分割过程人工介入少,可以用于整套CT图像骨皮质的批量分割。不足之处在于此方法神经网络训练时间相对较长。     

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。     

一种基于Snake模型的脑部CT图像分割新算法

针对目前传统的Snake模型图像分割算法的力场捕捉范围小、对初始轮廓的选取敏感以及对轮廓曲线难以收敛到 细小深凹边界的缺陷,提出一种基于Snake 模型的脑部CT图像分割新算法。算法首先运用Canny 边缘算子对图像进行 边缘检测,将边缘检测图像叠加到原始图像上,然后再运用Snake模型和梯度向量流（GVF）Snake模型分别对叠加图像进 行分割。实验结果表明,该算法克服了传统Snake 模型和GVF Snake 模型因边缘轮廓不清晰造成的漏分割情况,防止了 GVF Snake模型由于GVF力场的相互作用所造成的过分割现象,同时,还能促使轮廓线收敛到细小深凹边界,提高定位精 度,具有更好的分割效果。     

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。     

血液白细胞图象的计算机自动分割方法研究

本文提出了一套血液白细胞图象的计算机自动分割方法。实际测试表明：该方法稳定可靠且有效。单个白细胞检出成功率达９６％，区域分割吻合率平均达９４％，现已将该方法装入作者研制的白细胞自动分类识别ＬＥＵＫ分析系统的分割模块中。     

基于Gibbs随机场的有限混合模型改进与脑部MR图像的稳健分割

有限混合(FM)模型已经广泛地应用于图像分割，但是由于没有考虑空间信息，导致分割的结果对噪声很敏感，分割出的区域存在很多杂散的孤立点。本文Gibbs随机场理论的指导下，将空间信息引入FM模型，提出了改进的脑部MR图像分割算法。此外，由树形K平均聚类来估计初始参数，实现了全自动的图像分割。本研究进行了仿真MR图像和真实MR图像的分割实验，定量的数据分析表明，我们所提的改进算法对噪声不敏感，可以更精确地将脑部MR图像标记为灰质、白质与脑脊液三种组织类型。