数字化可视人体图像的目标提取

目的 探讨数字化可视人体图像的目标提取.方法 利用归一化阈值分割排除大部分背景,再结合边缘跟踪对目标边界附近保留的边缘特征进行识别、连接、去噪,构建一种准确、有效的目标提取算法.结果 基于边缘和阈值混合的分割技术有效地去除了数字化人体图像的背景.结论 通过与其他几种分割算法的比较,本计算法实际使用效果较好.     

SEM材料图像目标区域分割

由SEM获取的纤维材料图像,目标孔洞粘联明显、重叠严重,特征参数提取困难。本文首先利用提取目标特征凹点的方法,实现了目标区域分割,但在分割精度上存在着不足,且算法较为复杂。对此,采用了一种基于距离变换的分水岭算法,通过对不同区域设置标记,循环标记的最终结果形成分水岭,并通过抑制过分割实现了对目标区域更为精确的分割。实验结果表明该算法具有良好的特性。     

基于边缘检测与支持向量机的关节软骨自动分割算法研究

目的设计并实现一种针对核磁共振成像(MRI)图像的关节软骨自动分割算法。方法利用像素的整体与局部特征分别构建二分类支持向量机(support vector machine,SVM)分类器对股软骨、胫软骨及髌软骨进行自动分割。首先提出一种基于边缘数目反馈的Canny检测器阈值迭代法并利用该方法提取图像的主要边缘,随后根据特征参数对提取的边缘进行识别并标记出不同的骨-软骨边缘,利用训练的SVM分类器对软骨进行初步分割并根据软骨的解剖位置缩小搜索空间,最后利用形态学操作对初步分割结果进行优化。结果自动分割结果中软骨的形态轮廓与原始图像吻合效果好,股软骨、胫软骨及髌软骨的Dice’s系数平均值分别为0.80、0.76、0.74,与手工分割结果具有较好的一致性。结论该算法能够准确、快速地分割出MRI图像中不同的软骨组织。     

一种改进的FCM多分辨率图像分割算法及其应用

提出了一种改进的模糊C均值聚类多分辨率图像分割算法,该算法利用像点的邻域信息对像点的模糊隶属度函数进行修正。实验证明:该算法具有对噪声不敏感的优点,在进行图像分割,特别是对含噪图像进行分割时能获得较好的效果。     

一种改进的自适应谱聚类图像分割算法

摘要：目的提出一种改进的自适应谱聚类图像分割算法,该算法能自动选择出最优尺度参数从而提高谱聚类算法分割的准确
率。方法利用约束条件优化相关准则函数,对相似度量函数自动学习迭代并得到最优尺度参数,再运用基于Nyström 估计的
谱聚类算法得到最后的图像分割结果。选择对不同性质的纹理图像采用适合的相似度量函数并应用本文的算法进行图像分
割,最后与k-均值算法和预分割后再使用人工调整到最优参数的谱聚类算法的分割结果进行了比较。结果这种改进的自动选
择最优尺度参数的谱聚类算法在分割效果上较其它两种聚类算法能得到更好的分割结果。结论本文提出的改进方法,能使谱
聚类算法的图像分割效果更理想。
     

各向异性PDE改进分水岭脑MRI图像分割算法

详细论述了各向异性扩散的PDE(偏微分方程)降噪算法原理,提出一种各向异性扩散的PDE降噪和分水岭算法相结合的脑MRI医学图像分割算法。采用各向异性扩散的PDE降低原始图像噪声,然后利用形态学算法对降噪后的图像进行形态学处理,通过形态学知识提取图像边界。利用图像的几何特征,去除非目标区域,再采用分水岭变换进行图像分割,并通过脑MRI图像验证了此方法的优势。实验结果进一步验证了其可行性。     

序列颅脑CT图像颅腔内结构自动化提取及分割

目的自动化提取和分割序列颅脑CT图像颅腔内结构。方法本研究首先利用颅脑CT的解剖学结构,基于区域生长法和形态学方法提取出序列颅脑CT颅腔内结构。然后针对应用EM（期望最大化）算法分割图像时,初始值选取难点,提出了一种改进的基于参数受限高斯混合模型的EM分割算法,实现了对颅内结构的有效分割。结果实验结果表明,该算法能够实现从颅底到颅顶的所有CT图像颅腔内结构的计算机自动化提取和分割,结果准确。结论本文算法在绝大多数情况下是有效的。     

基于核密度估计和K均值聚类算法的骨扫描图像分割

目的:探讨K均值聚类的改进算法,并将其应用于全身骨扫描图像的分割?方法:首先对二维全身骨SPECT图像进行锐化?平滑?灰度变换等预处理;其次用核密度估计方法拟合出图像像素概率密度函数曲线,根据曲线的峰值点确定K个初始聚类中心值;再应用K均值聚类对图像进行分割;最后使用模板匹配排除误识别的区域?结果:图像预处理凸显了感兴趣目标,并改善了图像质量;基于核密度估计的K均值聚类算法的Tanimoto相似度系数明显优于传统K均值算法,平均耗时短于其他分割算法?结论:核密度估计有效地避免K均值聚类算法中初始聚类中心选取的盲目性,使聚类结果更为快速?准确?稳定?改进的K均值聚类算法对骨扫描图像分割效果显著,更便于对感兴趣区域进行定性?定量分析?     

基于K-最近邻规则的磁共振颅脑图像分割算法的应用研究

目的　介绍一种简单实用的磁共振颅脑图像分割算法K 最近邻 (简称K NN)规则 ,并利用该算法对磁共振颅脑图像进行分割研究。方法　该方法是一个多步处理过程。首先利用边界跟踪法对磁共振颅脑图像进行预处理 ,剔除颅骨和肌肉等非脑组织 ,只保留大脑结构 ;然后利用K NN规则对大脑结构进行分割 ,从大脑结构中分别提取出白质 (WM)、灰质 (GM)和脑脊液 (CSF)。结果　分割算法在预处理步中能精确地分割出大脑结构 ,在K NN分割步中能很好地从大脑结构中分割出WM、GM和CSF。结论　该算法在磁共振颅脑图像的分割中简单实用 ,具有很强的鲁棒性和稳定性。     

基于K—最近邻规则的磁共振颅脑图像分割算法的应？…

目的 介绍一种简单实用的磁共振颅脑图像分割算法Ｋ－最近邻（简称Ｋ－ＮＮ）规则,并利用该算法对磁共振颅脑图像进行分割研究。方法 该方法是一个多步处理过程。首先利用边界跟踪法对磁共振颅脑图像进行预处理,剔除颅骨和肌肉等非脑组织,只保留大脑结构;然后利用Ｋ－ＮＮ规则对大脑结构进行分割,从大脑结构中分别提取出白质（ＷＭ）、灰质（ＧＭ）和脑脊液（ＣＳＦ）。结果 分割算法在预处理中能精确地分割出大脑结构,在Ｋ     

Automated lung segmentation algorithm for CAD system of thoracic CT

Objective： To design and test the accuracy and efficiency of our lung segmentation algorithm on thoracic CT image in computer-aided diagnostic （CAD） system, especially on the segmentation between left and right lungs. Methods： We put forward the base frame of our lung segmentation firstly. Then, using optimal thresholding and mathematical morphologic methods, we acquired the rough image of lung segmentation. Finally, we presented a fast self-fit segmentation refinement algorithm, adapting to the unsuccessful left-right lung segmentation of thredsholding. Then our algorithm was used to CT scan images of 30 patients and the results were compared with those made by experts. Results： Experiments on clinical 2-D pulmonary images showed the results of our algorithm were very close to the expert＇s manual outlines, and it was very effective for the separation of left and right lungs with a successful segmentation ratio 94.8%. Conclusion： It is a practicable fast lung segmentation algorithm for CAD system on thoracic CT image.     

模糊马尔可夫场模型与图像分割新算法

本文建立模糊马尔可夫场模型,并提出基于模糊马尔可夫场的图像分割新算法。该算法同时处理模糊性和随机性,因此能有效获取图像的先验知识。在模糊马尔可夫场与待分割图像之间用经典的马尔可夫场关联。模糊马尔可夫场是经典马尔可夫场的推广,当模糊马尔可夫场失去模糊性时,它将退化为经典的马尔可夫场。给定图像,随即进行模糊化处理;以最大后验概率作为优化准则修正模糊马尔可夫场的隶属度;最后按照最大隶属度原则消除模糊性,从而得到图像的分割。该算法可以有效地虑除噪和消除部分容积效应,得到更为准确的分割结果。     

基于模糊核聚类的MR图像分割新算法

在传统的模糊聚类算法中引入了核函数,同时引入了控制邻域作用的约束项,提出了改进的基于模糊核聚类的MR图像分割新算法.通过对模拟图和仿真的脑部MR图像的分割实验,证明本算法可以有效地分割含有噪声的图像.     

基于狄利克雷分布和参数分析的高斯混合模型图像分割算法

传统的高斯混合模型对于含有噪声的图像不能进行有效的分割。针对有噪声图像的分割问题,提出了一种基于狄利克雷分布和参数分析的高斯混合模型图像分割算法。首先采用高斯函数对像素计算先验概率值,然后采用狄利克雷分布和定律关联像素间的邻域信息,并利用梯度下降法优化参数。实验结果表明,本文算法对无噪声和有噪声图像的分割结果比传统方法更有效,误分率更低。     

利用Gibbs距离图Snake模型分割医学图像

目的 提出利用Gibbs距离图Snake模型分割医学图像的算法.该方法能克服医学图像周有的噪声和伪边缘干扰,收敛到正确的目标轮廓.方法 首先推导Gibbs形态学梯度,然后提出基于Gibbs形态学梯度的距离图Snake模型的医学图像分割方法.结果 本文所提出的算法克服了传统距离图Snake模型的上述缺点.结论 本文所提出的方法分割结果鲁棒性好,分割过程无须人工干预,适合应用于临床医学图像分割.     

基于局部灰度差异的快速自适应活动轮廓模型分割腮腺导管

目的研究一种基于局部灰度差异的快速自适应活动轮廓模型腮腺导管图像分割算法。方法本研究在LBF模型的基础 上,加入了轮廓内外局部灰度的均值差异作为驱动演化曲线的能量项,并且将局部灰度方差差异代替λ1 、λ2 作为能量参数值的 控制项,同时还引入两种不同邻域大小的局部相似因子,来克服图像灰度不均匀和边界模糊的影响以提高分割效率。结果该 算法在分割图像时,能够根据内外局部灰度均值差异和方差差异自适应地调节演化方向、速度以及内外部区域能量所占权重, 在面对复杂梯度边界区域时亦能够检测出真实边界,使演化曲线快速精确地逼近目标边界。结论实验结果表明,本文算法明 显优于现有的几种分割算法,能够实现快速精确地分割腮腺导管图像并且保留图像细节。     

基于分水岭及区域增长算法建立一种测量自发性脑出血血肿体积的分割方法

  目的   基于分水岭及区域增长算法建立一种CT图像脑血肿分割方法,以快速准确测量血肿体积,探讨其与临床金标准手动分割结果的一致性,并与临床常用的两种多田公式计算进行比较。   方法   回顾性收集2018年1月–2019年6月由于自发性脑出血于四川大学华西医院神经外科就诊的患者术前152例CT图像,通过随机数字表将其随机分为训练集、测试集和验证集,分别为100例、22例、30例。算法训练及测试采用训练集与测试集的标记结果,验证集采用4种方式——人工手动分割、算法分割（基于分水岭及区域增长算法的分割计算）、多田公式（传统多田公式计算）与精准多田公式（基于3D-slicer的精准多田公式计算）——对出血病灶体积进行测量。将符合研究对象标准的医学数字成像和通信（Digital Imaging and Communications in Medicine, DICOM）资料通过两名高年资神经外科医生进行手动分割脑出血病灶。基于分水岭算法及区域增长算法搭建血肿分割模型以神经外科医生选取的种子点作为增长起点,采用区域灰度差异准则,结合手动分割验证,最终确定符合颅内血肿分割精度要求的区域生长阈值。以人工手动分割为金标准,采用Bland-Altman一致性分析验证其余3种测量血肿体积的方式的一致性。   结果   以人工手动分割为金标准,3种测量血肿体积的方式中,算法分割百分误差最小,差值范围最窄,组内相关系数最高（0.987）,一致性较好,且95%一致性界限（limits of agreement, LoA）最窄。其分割的百分误差在不同血肿体积比较中差异无统计学意义。   结论   基于分水岭及区域增长算法的自发性脑出血血肿分割方法的测量稳定,与临床金标准一致性好,具有一定临床意义,但仍需更多的临床样本予以验证。      

一种基于高斯混合模型的快速水平集图像分割方法

水平集方法(LSM)图像分割的本质是求解一个随时间变化的偏微分方程,而使用变分法求解此水平集方程(LSE)往往要耗费过多的计算时间。为了减少算法的运行时间,提出了一种快速水平集图像分割算法。该算法在模糊聚类水平集方法(FCM-LSM)的基础上使用高斯混合模型(GMM)改造其隶属度损失函数,并利用离散网格Boltzmann方法(LBM)求解水平集方程。实验结果表明:本文提出的算法无论是在执行效率上还是在分割效果上都优于传统方法,证明了算法的可行性。