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。     

一种新的舌癌图像快速自动分割方法

目的:研究一种新的舌癌图像自动分割算法以实现对舌癌肿瘤的快速准确分割。方法:通过引入一种基于局部均方差的自适应尺度算子实现演化曲线在演化过程中的自动调整,从而更高效率地向真实目标边界运动,并且克服舌癌肿瘤图像中目标边界不清和图像灰度不均匀等不良因素带来的影响。此外,为加快曲线的收敛速度,本文提出了一种新的能量项评估演化曲线轮廓内部和轮廓外部区域灰度的分布差异,以此引导曲线自适应地调整演化速度,减少完成分割任务所需的迭代次数。结果:使用本方法对22幅舌癌肿瘤MRI图像进行分割,分割结果与真实结果之间的重叠率Dice值为0.82,豪斯多夫距离HD值为1.732 mm。结论:将本文算法与其它现有的几种活动轮廓模型进行定性和定量对比分析,实验结果表明本文算法在对细节及弱边缘灰度的处理上表现更加优异,可用于舌癌肿瘤的精确分割,为临床分析提供辅助信息。     

一种基于SUV值和活动轮廓模型的肺癌识别方法

提出一种基于SUV(standard uptake values)和梯度向量流活动轮廓模型(GVF snake)的半自动识别PET(positron emission tomography)图像肺部肿瘤的方法.该方法结合了SUV值和活动轮廓模型提取病灶区域,提高了分割速度和精度.最后应用该方法对PET肺部区域进行了分割实验,实验结果表明该方法能准确分割肿瘤.     

一种基于CT图像的肝肿瘤组合分割法

目的研究如何对医学CT图像中的肝肿瘤进行分割。方法采用一种结合二值化处理、区域生长法、边界分割法的组合分割方法,对CT图像进行降噪和边缘锐化。对26张不同的CT图像上的肝肿瘤作了分割操作,验证该方法的可行性。结果该方法能将所研究的肝肿瘤从CT图像中准确地分割出来,同时对于轮廓清晰、与周围组织粘连少的肝部CT肿瘤图像分割较好。大部分能够实现理想分割,但仍有少数的分割效果与实际相差较远。结论该方法对一般的肝肿瘤的分割具有一定的有效性,但对其他肿瘤,特别是与周围粘连较多的肿瘤的分割还具有一定的局限性。     

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。     

肝癌图像感兴趣目标的准确分割

背景:Snake模型为医学图像分割提供了一个全新的分割方式,可以克服传统图像分割方法在医学图像分割中的缺点。目的:针对肝癌CT图像特点,提出了一种改进的B样条曲线的Snake模型图像分割算法。方法:对腹部CT图像进行预处理,获得肝脏癌变部分的初始轮廓,再构造闭合B样条Snake模型,最后使用MMSE最小化外力变形模型以实现图像的准确分割。结果与结论:改进的B-Snake分割算法不仅减少了噪声的影响,而且使Snake曲线较好地收敛于目标轮廓边缘,对于肝癌CT图像该方法取得了感兴趣目标的良好分割效果。     

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。     

基于局部调整动态轮廓模型提取超声图像乳腺肿瘤边缘

提出一种基于局部调整动态轮廓模型提取超声图像乳腺肿瘤边缘的算法.该算法在Chan-Vese (CV)模型基础上,定义了一个局部调整项,采用基于水平集的动态轮廓模型提取超声图像乳腺肿瘤边缘.将该算法应用于89例临床超声图像乳腺肿瘤的边缘提取实验,结果表明:该算法比CV模型更适用于具有区域非同质性的超声图像的分割,可有效实现超声图像乳腺肿瘤边缘的提取.     

基于对称区域生长和边缘梯度的视神经纤维的分割

在视神经横切面图像中,将每个神经纤维的内外边界进行精确分割是视神经形态分析的重要环节,提出一种基于对称区域生长和髓鞘边缘梯度的有效分割算法.该算法分两步进行,首先根据交互方式下选取的种子点,由对称区域生长算法实现轴突分割,然后在轴突轮廓模型基础上,髓鞘外轮廓在髓鞘平均边缘梯度引导下进行演化,实现自动分割.与K-均值聚类,局部阈值和水平集等其他算法的实验结果相对照显示,该算法分割获得的轴突和髓鞘轮廓与实际轮廓相吻合,其分割结果可以作为后续神经纤维形态分析的基础.     

基于测地线活动轮廓模型的图像联合分割算法

为了辅助医生对肿瘤治疗方案和靶区形状的设计,我们研究了PET/CT图像联合自动分割,将计算机自动分割的结果作为一个较客观的依据。传统的测地线活动轮廓模型(GAC)具有边缘演化迅速,对弱边界也能准确分割的优点,但是该算法只能利用一种模态的图像信息进行分割。本研究算法在传统的测地线活动轮廓模型基础上进行改进,重新设计其边缘函数,综合利用了CT信息与PET信息,使算法利用两种模态的医学图像信息进行联合分割。由于边缘函数中结合了两种信息,所以算法的演化收敛速度有一定的提升,分割出的边缘也更加合理,较单一PET图像分割算法具有更准确的边界。     

基于贪婪算法的Snake模型

目的：为改善经典活动轮廓模型的缺陷。方法：本文提出一种新的基于贪婪算法的活动轮廓模型,对其内部能量中加入轮廓平均长度项的控制,外部能量中加入梯度方向势能,并提出区域能量在贪婪算法中的快速求解方法。另外采用动态调整蛇点的算法,使蛇点数目能够自适应地变化。结果：通过与传统的GVF算法分割结果比较,本文的分割效果较理想。结论：说明该方法分割准确性高并且对于用户的初始轮廓选择要求不高,具有一定的实用价值。     

基于级联式三维卷积神经网络的肝肿瘤自动分割

目的:根据肝肿瘤CT影像中的特异性、分割难点以及残差网络思想,提出一种基于级联式卷积神经网络的全自动CT图像肝脏肿瘤分割方法。方法:首先根据临床知识对CT数据进行预处理,减少干扰;然后基于一个肝脏粗分割网络对肝脏进行分割,并根据分割结果坐标选取肝脏作为感兴趣区域;最后在感兴趣区域内对肿瘤进行精准分割。结果:通过级联式网络分割可以有效减少计算时间以及避免其它组织的干扰,从而实现肝肿瘤的快速分割。本研究提出的方法在2017年MICCAI肝肿瘤分割公开比赛数据集LiTS中进行测试,平均Dice分数为0.663,证实了其对肝肿瘤分割的有效性。结论:基于级联式卷积神经网络的全自动CT图像肝脏肿瘤分割方法可以实现肿瘤的快速分割。后期研究将继续增加数据量,对肿瘤进行分类,从而进一步完善模型。     

基于新型深度全卷积网络的肝脏CT影像三维区域自动分割

肝脏分割对于肝肿瘤肝段切除及肝移植体积测量具有重要的临床价值。由于在CT影像中肝脏与邻近脏器的灰度值相似性很高,因此对肝脏区域的三维自动分割是一项具有挑战性的难题。为解决精准肝脏分割的问题,提出一种新型的深度全卷积网络结构3DUnet-C2。该结构充分利用肝脏CT图像的三维空间信息,并有效结合肝脏区域的浅层特征和深层特征。特别地,还提出一种新的3DUnet-C2网络训练策略,通过选取清晰图像,并从图像中截取肝脏区域作为样本进行训练的方式,得到初步3DUnet-C2模型权重,并使用该权重来初始化3DUnet-C2的网络参数,从而使网络达到收敛。最后,针对3DUnet-C2网络分割肝脏边界不精准的问题,在原有3DUnet-C2网络模型的基础上,运用三维条件随机场构建3DUnet-C2-CRF模型来优化肝脏分割边界。为了验证所提出三维分割模型的性能,从ISBI2017 Liver Tumor Segmentation Challenge的数据集中选取100张CT图像用于训练、验证和测试,3DUnet-C2-CRF模型在随机选取的20张测试集上的分割准确率的Dice系数为96.9%,高于3DUnet和Vnet模型的Dice系数。实验结果表明,3DUnet-C2-CRF模型具有更好的特征表达能力以及更强的泛化性能,从而可提升模型的分割准确率。     

基于反注意力机制U-Net网络的胃部肿瘤分割

首先利用全局与局部注意力对肿瘤进行定位,然后在模型中加入反注意力机制,将显著特征从原特征图中消除,并保留肿瘤的边缘轮廓信息。此外还在模型中使用深度监督,监督各个深度解码层的训练,有效抑制模型梯度消失现象,提高分割的准确性。本研究使用的是上海长征医院的胃部CT数据集,并将提出的模型与U-Net、Attention U-Net和ET-Net的实验对比。研究结果表明,相较于传统的U-Net网络模型,基于反注意力机制的U-Net模型在胃部肿瘤分割中性能得到了较大的提高,证明了该网络模型的有效性。     

新型乳腺磁共振增强图像肿瘤区域的自动分割模型

乳腺磁共振增强图像上,乳腺癌主要有肿块型和非肿块型两种强化方式。由于乳腺肿瘤区域相对较小,肿块型和非肿块型之间形态学差异大,非肿块型自身差异性复杂,因而很难精确分割出乳腺肿瘤区域。针对这些问题,提出一套新颖的粗检测细分割的深度学习模型(YOLOv2+SegNet)。该模型在精准分割之前,首先运用YOLOv2网络在乳腺可能的肿瘤区域进行粗检测,从而得到大致可能的肿瘤区域;接下来在粗检测的基础上,针对检测到可能的肿瘤区域,运用SegNet网络进行精细分割,从而实现算法最优的性能。为了验证YOLOv2+SegNet模型的有效性,从医院采集的数据集中选取560张乳腺MRI增强图像作为训练和测试(其中训练和测试集分别为415张和145张乳腺MRI数据)。在实验的过程中,运用YOLOv2+SegNet模型,分别对乳腺肿块型、非肿块型、肿块和非肿块混合型3类MRI数据进行肿瘤区域自动分割的实验。实验结果表明:YOLOv2+SegNet模型和SegNet网络分割结果的Dice系数相比有约10%的提升,与传统的C-V模型、模糊C均值聚类、光谱映射主动轮廓模型以及深度模型U-net、DeepLab相比有更为明显的提升。     

Combined Features in Region of Interest for Brain Tumor Segmentation

Diagnosis of brain tumor gliomas is a challenging task in medical image analysis due to its complexity, the less regularity of tumor structures, and the diversity of tissue textures and shapes. Semantic segmentation approaches using deep learning have consistently outperformed the previous methods in this challenging task. However, deep learning is insufficient to provide the required local features related to tissue texture changes due to tumor growth. This paper designs a hybrid method arising from this need, which incorporates machine-learned and hand-crafted features. A semantic segmentation network (SegNet) is used to generate the machine-learned features, while the grey-level co-occurrence matrix (GLCM)-based texture features construct the hand-crafted features. In addition, the proposed approach only takes the region of interest (ROI), which represents the extension of the complete tumor structure, as input, and suppresses the intensity of other irrelevant area. A decision tree (DT) is used to classify the pixels of ROI MRI images into different parts of tumors, i.e. edema, necrosis and enhanced tumor. The method was evaluated on BRATS 2017 dataset. The results demonstrate that the proposed model provides promising segmentation in brain tumor structure. The F-measures for automatic brain tumor segmentation against ground truth are 0.98, 0.75 and 0.69 for whole tumor, core and enhanced tumor, respectively.     

基于3D卷积网络和多模态MRI的脑胶质瘤自动分割

目的:基于三维（3D）卷积神经网络和多模态MRI实现脑胶质瘤的自动分割。方法:首先对来自BraTS2020公共数据集的369例脑胶质瘤的4个模态MRI数据进行3D剪裁、重采样、去伪影、归一化的预处理。其次将MRI数据和脑胶质瘤标注信息输入到基于U-net的3D卷积神经网络模型进行训练和测试。利用相似性系数、召回率和精确率评价整体肿瘤区域、核心肿瘤区和增强肿瘤区的分割结果。结果:在74例测试数据集上,整体肿瘤区域、核心肿瘤区域和增强肿瘤区域的相似系数平均值分别为0.88、0.77和0.73,中位值分别为0.90、0.84和0.81,召回率平均值分别为0.88、0.78和0.78,中位值分别为0.90、0.84和0.84,精确率平均值分别为0.89、0.83和0.75,中位值分别为0.91、0.89和0.79。结论:基于U-net的3D卷积神经网络在多模态MRI数据集上获得了较好的分割结果,显示其在脑胶质瘤自动分割方面的潜力,可为临床诊断分级和治疗策略选择提供参考。     

基于混合水平集模型的CT颅面眼眶分割

提出一种混和水平集模型,用于颅面整复的眼眶分割。与一般水平集模型相比,混和水平集模型同时结合了区域和边缘信息,从而使得其具有较高的鲁棒性和准确性,解决了单纯基于边缘的水平集模型容易产生边缘泄露的问题。采用混合水平集模型分割的结果可用于三维重建和三维充填物计算,从而达到计算机辅助指导临床手术的目的。实验证明混和水平集模型在眼眶分割中取得了很好的效果。     

结合区域信息的分段活动轮廓模型

提出了一种结合区域信息的分段活动轮廓模型，利用边缘信息迅速找到对象的大体轮廓，然后结合区域统计信息使模型精确收敛到对象边缘。分段的层次化变形有效的利用了图像的全局和局部信息，使用仿射变换使模型的局部以同一种变换方式变形，提高模型对噪声和伪边缘的鲁棒性，同时保持模型轮廓形状的一致性。在精确匹配阶段利用区域统计信息重新定义模型的外部能量，采用自适应的搜索区域确定方法，提高了算法的效率和进入凹边缘的能力。试验表明本模型运算速度快，抗噪声和避免陷入局部极小值的能力较强，有较好的分割效果。