基于统计阈值的脑肿瘤MRI图像的分割方法

我们提出了一种基于统计阈值的脑肿瘤MRI图像的分割方法.首先,通过预处理操作去除脉冲噪声和头骨影像,然后利用统计阈值分割方法对肿瘤进行了分割.为了克服经典阈值分割方法存在不完全分割的问题,利用分割后两个类的方差和概率定义了一个新的阈值选择准则,并通过最小化准则确定最佳分割阈值.实验结果证明,本方法分割效果好,解决了采用经典阈值分割方法对脑肿瘤的不完全分割问题.     

一种模拟视觉机制的图像分割模型

提出一个小波域多尺度马尔柯夫随机场模型用于模拟视觉系统在图像分割中的若干功能。针对人类视觉系统具有特征检测器、等级层次性、双向连接性、学习机制等功能,对输入场景,该模型用小波变换提供该场景图像的稀疏表示,模拟特征检测器功能;用金字塔结构模拟等级层次性;用两类信息流模拟双向连接性,分别刻画自底向上的输入图像特征提取过程以及自顶向下的反馈过程;用迭代过程模拟学习机制;采用多尺度马尔柯夫随机场模型实现图像分割。实验表明,该模型对真实采集到的不同类型的生物医学图像进行分割,取得优于一些传统分割算法的结果。     

MRI图像的小波融合处理

背景：小波图像融合是将两幅图像融合在一起,以获取对同一场景的更为精确、全面、可靠的图像描述。 目的：用小波变换图像融合技术融合MRI脑梗死图像,以恢复缺损图像。 方法：图像融合的主要机制是利用二维小波分析法对MRI脑梗死图像进行小波分解,并对高低频信号采用多种融合方式进行融合。通过对比不同融合方式后的效果图,找出最适合本部位MRI图像的融合方法。 结果与结论：不同方式的融合技术能成功修复不同的缺损部位,多种融合方式的合适组合能完全修复多处缺失部位。对于文中给出的MRI脑梗死图像,采用最小值融合方式的融合效果最好。提示使用二维小波分析法处理医学图像,简便快捷,能有效改善图像的视觉效果,辅助临床诊断。     

生物细胞图像分割技术的进展

阐述了小波变换、遗传算法、模糊数学、神经网络，数学形态学等生物细胞图像分割算法以及边缘检测，区域分割等传统图像分割算法为主的生物细胞图像分割技术的发展现状，指明了生物细胞图像本身具有的复杂性，多样性，各自差异等属性是实现生物细胞图像全自动分割的难点，只有彻底结合生物视觉特性数学模型算法的研究和应用，才能命名生物细胞全自动分割成为可能。     

基于B P神经网络的脑肿瘤MRI图像分割

利用BP神经网络技术对MR脑肿瘤图像中的肿瘤区域与正常组织区域进行分割,以辅助医疗诊断与治疗。首先,人工分割出部分影像中的肿瘤组织与正常组织作为已知样本;其次,在BP神经网络模型中输入已知样本中进行训练;最后,用训练好的BP神经网络处理其他脑肿瘤图像。BP神经网络能够有效分割MR脑肿瘤图像,辨别出肿瘤与周围正常组织的差异,但模糊区域也常被误判为肿瘤。因此,本研究提出进一步对模糊区域样本进行针对性训练与特殊的滤波处理,所得结果有较大改进。BP神经网络能有效地进行脑肿瘤MRI图像分割,但在使用时仍需正确选择输入样本的区域和范围并结合特殊的滤波处理。     

一种用于尿沉渣图像的自适应阈值分割新方法

我们针对复杂散焦的尿沉渣图像的精细分割,首先使用小波变换和形态学处理消除散焦影响并进行图像的粗分割,然后对粗分割得到的小波变换子图像进行自适应阈值处理,结合形态学处理完成细分割,最后再采用剥离算法处理粘连重叠成分。该方法不受散焦影响,充分利用了图像的多种信息,实验结果表明,该方法对尿沉渣图像的分割有效且令人满意。     

颅脑MRI图像的分水岭分割方法研究

针对颅脑MRI图像的模糊特点和实际应用的要求,提出了一种改进的分水岭算法。从图像的结构信息考虑,由于噪声产生的谷底值很小,而对应于真正的区域,每个区域的最小谷底会有一个很大的动态值,这个值与没有噪声时的谷底动态值相近。因此,只要简单地给一个阈值,就可以将那些由噪声产生的谷底滤掉,从而也就抑制了过分割问题。结果表明,该方法能够快速、准确地得到医学图像的分割结果,并且具有较强的抗噪声能力。     

边界跟踪法在MRI图像大脑实质提取中的应用

目的图像已广泛运用于临床诊断和脑外科术前计划等,将脑实质从图像中加以提取是图像处理的一个重要方向。方法利用边界跟踪法获取图像中脑实质的边界线,在此基础上将颅骨部分定义为背景色,从而提取出脑实质部分。结果选取Visible Human Data数据集中妇女头部的MRI图像,对此图像提取其脑实质部分。结论在MRI图像中提取脑实质部分,本所讨论的方法不失为一种快捷、方便、可行的算法。     

医学超声图像分割的一种新方法

有效地实现超声图像的分割依然是临床疾病诊断亟待解决的一个难题。本研究将图像树型框架小波变换、尺度共生矩阵、KL变换主分量分析和自组织神经网络聚类相结合应用于医学超声图像，提出一种分割新方法。实验表明，对于不同的医学超声图像，应用本研究方法均可得到比较清晰的分割结果，且显著地提高了分割图像的对比度，这对于固有对比度较低的医学超声图像来说不啻一种很有效的图像分割新方法，为临床诊断提供新的借鉴。     

FCM算法在脑肿瘤MRI图像分割中的应用

聚类算法已广泛用于图像分割，根据模糊C－均值聚类算法（FCM）的磁共振颅脑图像的特点，我们利用FCM算法对磁共颅脑图像进行了分割。结果表明，聚类算法在脑肿瘤的MRI图像分割中能够得到比较理想的结果，优于边缘检测、域值分割等方法。     

医学显微图像分割方法研究进展

医学显微图像分割是医学图像处理中的一个经典难题.针对近年来出现的新方法、新理论,对各种分割方法进行了系统论述,主要包括基于数学形态学方法、神经网络分割、模糊分割、小波分析、遗传算法、统计方法和基于特定模型等方法的图像分割.由于显微图像的复杂性,采用单一方法很难准确分割,故对混合方法也作了一定论述.文中还简要讨论了各种方法的特点和局限性.同时对分割的评价体系也做了简要论述.     

一种新的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。现有的用于斑点噪声抑制的自适应滤波方法,小波软阈值方法及小波域内细节抛弃法在去除噪声的同时,不同程度地丢失了一些图像细节。针对这一问题。本文提出了一种新的结合自适应中值滤波和小波软阈值处理的超声图像斑点噪声抑制方法。对计算机仿真图像及超声图像进行处理的结果表明,本文提出的新方法在有效去除斑点噪声的同时,很好地保留了图像的细节,优于上述的其他方法。     

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。     

改进的区域生长算法在医学图像分割中的应用

通过对颅脑CT图像的特征分析，引入阈值法和边缘检测以改进区域生长算法，用此法自动剔除CT图像的头架与头垫。实验结果表明，此算法能得到令人满意的结果，不仅剔除了头架与头垫，而且保留了皮肤信息。此方法能克服传统区域生长法的不足，能自动、快速、有效地分割颅脑CT图像。     

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。     

医学图像的小波变换融合算法研究

针对不同分辨率的PET和MRI图像,探讨医学图像中功能成像和解剖成像的融合问题.提出一种基于小波变换的多尺度分解对人脑PET和MRI图像的融合算法,选取测量活跃性等级-系数分组-系数合并的融合规则,对多尺度小波变换的图像融合方法和普通像素加权平均融合方法进行仿真,并运用熵和交叉熵两种方法评价仿真结果.结果表明,该方法能有效融合功能信息和解剖信息,避免虚假信息引入.得到最佳分辨率的融合图像,提高医学图像的可信度,对临床诊断和治疗有一定参考价值.     

基于小波分析的MRI图像对比度增强

针对MRI影像经常出现的正常组织和病态组织之间对比度不清的问题,文中采取基于小波变换的非线性的图像增强算法.实验结果表明,此增强方法能够在增强图像微小细节的同时避免噪声过增大,使结果图像具有很好的视觉效果.因此本文方法有效而实用.     

基于模糊小波神经网络的磁共振图像分割方法

针对磁共振图像分割的特点,将小波分析优异的局部特性、模糊逻辑的定性知识表达能力和神经网络的自学习能力结合起来,提出了一种基于模糊小波神经网络的磁共振图像分割方法.该方法采用小波函数作为模糊隶属函数,利用神经网络实现模糊推理,并采用反向误差传播算法对网络进行训练.实验结果表明,这种基于模糊小波神经网络的磁共振图像分割方法与普通神经网络分割方法相比,具有更高的分割精度和更快的训练收敛速度.     

用于MRI脑组织分割的自动模糊连接方法

本研究提出了一种自动化的模糊连接（fuzzy connectedness，FC）方法，用于3维核磁共振（MRI）图像脑组织分割。方法的主要创新在于提出了FC方法中各项参数的自动指定方法，包括：利用灰质、白质各自的体素尺度（scale）值大小差异，自动估计组织的灰度概率密度函数；根据估计得到的组织灰度概率密度函数，自动指定种子点。从而避免了人工干预，保证了分割过程的自动化和可重复性。所提方法在IBSR（the Internet Brain Segmentation Repository）数据库所提供的MRI图像上进行了测试，并和同类研究进行了对比，分割精度优于同类研究。作为一种完全自动化的方法，该方法能够被广泛应用到3维可视化、放疗手术计划和医学数据库构造中。     

一种利用直方图特征峰的肾小球图像分割方法

根据肾小球医学图像的特点,提出了一种新的基于直方图特征峰的图像分割方法。通过定位图像的特征峰,从而有效地坚小球医学图像进行阈值化。经实验证明,本提出的算法能快速、准确地分割肾小球图像。