一种基于活动形状模型算法的耳郭穴区定位方法

目的耳穴疗法是中医的重要组成部分,而耳穴定位是治疗的前提。由于耳郭面积较小、耳穴众多导致自动寻穴困难,本文提出一种基于图像处理技术的耳郭穴区定位方法。方法通过对来自于北京科技大学USTB人耳图像库和自行采集图像共30幅构建训练集,在最新耳穴国家标准GB/T13734-2008的基础上,选取包含耳郭边缘点、曲率极大值点、等分点等在内的65个特征点构建点分布模型(point distribution model,PDM),采用基于活动形状模型(active shape model,ASM)的图像处理方法,对待测人耳图像搜索匹配后,通过分别连接构成耳郭穴区的特征点,实现对人耳图像的穴区定位。最后通过计算定位后与人工标定的特征点之间的欧几里得距离,对定位的精度进行评估。结果该方法能初步实现耳郭的穴区定位,欧几里得平均距离为6.246±0.429。结论基于ASM的耳郭穴区定位方法能初步实现人耳图像的穴区定位,有利于耳穴疗法的穴区定位、耳穴自动化仪器的开发和中医耳穴示教等。     

基于自适应标记分水岭算法的肝脏CT图像自动分割

目的为减少人工交互提出了基于自适应标记分水岭的CT系列图像肝脏区域自动分割算法。方法首先对图像进行形态学重构运算以平滑图像,然后计算多尺度形态学梯度,同时提出利用梯度图像非零的局部极小值点的均值进行自适应标记提取,以避免分水岭的过分割和欠分割,再结合肝脏为最大的实质性脏器和相邻图像的相似性实现CT系列图像的肝区自动分割。结果该算法能自动、快速地提取CT系列图像中的肝脏区域。结论分水岭算法能准确定位区域的边缘,通过选择合适的阈值对梯度图像进行标记以抑制分水岭的过分割,实现医学图像中感兴趣区域的自动分割。     

基于先验概率和统计形状的前列腺超声图像自动分割方法

从经直肠超声图像中自动精确地提取前列腺边界。采用基于先验概率和统计形状的前列腺超声图像自动分割新方法。首先,利用致密尺度不变特征变换,从超声图像中快速定位前列腺;其次,从多个统计形状模型中选择最优模型,在分割过程中,前列腺伪影区域缺失的边界信息可通过形状模型估计;最后,在最优形状模型指导下,采用多分辨率分割方式,利用局部灰度模型和局部高斯分布函数能量的最小化,实现前列腺的自动分割。用30幅超声图像测试得到平均Dice相似系数(DSC)为0.9552,平均绝对距离(MAD)的均值为0.5016 mm。该方法相比传统的形状模型的分割精度有较大提高。     

基于卷积神经网络和Transformer的肝脏CT图像分割方法

针对现有的卷积神经网络在肝脏图像分割上精度较低的问题,提出了一种以U-Net网络模型为基础的分割算法。将多头自注意力机制引入到U-Net网络的跳跃连接中,在编码器部分使用空洞卷积,采用混合损失函数从而提高分割精度。在LITS数据集上通过实验结果表明,利用本文方法进行肝脏分割与传统U-Net方法相比Dice系数提升3.3%,平均交并比提升了2.4%,平均像素准确率提升了3.66%。     

基于自适应均值漂移的超声心动图左心室分割方法

利用超声心动图进行心室分割能够获得心室容积参数,对评价心功能有重要意义。但超声图像有噪声大、难以分割等特点,仅仅靠人工对目标区域进行手动分割工作量巨大,且目前自动分割技术尚无法保证分割精度。针对这些问题,本文提出了一种全新的算法框架对心室结构进行了分割提取。首先,采用更快速的基于区域的卷积神经网络目标检测算法对目标区域进行定位,得到感兴趣区域;然后使用K均值(K-means)算法对目标区域进行初始聚类;接着使用一种自适应核函数带宽的均值漂移(mean shift)算法进行分割;最后采用种子填充算法提取目标区域。该算法结构实现了自动提取分割目标区域,免去了人工定位的过程。实验表明,在定量评价标准下,这种分割框架能够对目标区域进行精确的提取,同时提出的自适应均值漂移算法较传统固定带宽均值漂移算法更稳定,且分割效果更好。研究结果显示,本文所述方法有助于实现超声心动图左心室切面的自动分割。     

基于灰度积分投影与模糊C均值聚类的肺实质分割

提出一种基于灰度积分投影与模糊C均值聚类的肺实质分割算法,用于CT图像的快速自动分割。首先,对原始肺部CT图像分别在水平和垂直方向上进行灰度积分投影;然后,选用平滑样条曲线拟合平滑原始图像的积分投影曲线,并提取拟合平滑前后曲线的极大值点,确定肺实质初始边界;最后,利用模糊C均值聚类算法对边界内区域进行分割,结合滚动小球法修复边界区域,获得肺实质区域。选取LIDC (肺部图像数据库联盟)数据库中20组图像（平均每组图像包含120幅CT图像）进行实验,平均分割精度为95.66%,平均每幅图像花费时间为0.77 s。实验结果表明,该方法可以用于CT图像肺实质分割,具有全自动、高精度、鲁棒性等特点。     

启发式牙颌CT影像自动分割

准确快速地分割CT切片特征轮廓是医学图像三维重建的重要环节。现有的轮廓分割方法必须通过手动层层交互操作,不仅耗时而且分割精度不高。针对这种局限性,提出一种基于启发式牙颌CT影像自动分割方法。首先用拉普拉斯算子对CT图像序列进行边缘增强,其次用轮廓匹配映射技术实现轮廓启发式传递,最后基于收缩包围算法自动分割牙颌序列。以14例完整牙（每例28～32颗牙数据样本）锥束CT断层扫描图像序列进行实验,在相同条件下分别用所提出的轮廓自动提取方法和其他提取方法,对实验样本进行轮廓提取,得到单颗牙轮廓提取的平均用时和提取轮廓与真实轮廓之间的距离差平均值。实验结果显示,轮廓自动分割算法提取单颗牙轮廓的用时约为其他手工分割法提取单颗牙轮廓用时的23%,同时提取的轮廓质量和用传统方法提取的轮廓质量相当。该方法为CT数据特征区自动化分割提供一种可行且高效的方法,为进一步改进现有的CT影像分割和三维重建算法提供了新的思路。     

基于人工智能的多模态影像辅助海马体自动勾画研究

目的:利用基于深度学习的人工智能算法,结合头颅MRI和CT的多模态影像,开发海马结构自动勾画技术,为头颅放疗过程中海马体的保护提供高效、准确的自动勾画方法。方法:收集清华大学第一附属医院放疗科从2020年1月~12月就诊的40例脑转移癌患者的定位头颅CT及MRI影像,分别在CT图像、CT-MRI配准图像的两个数据集上训练3D U-Net、3D U-Net Cascade、3D BUC-Net 3个深度学习模型,计算3个模型自动分割的左右海马体与对应的人工标注之间的Dice相似系数（DSC）和95%豪斯多夫距离（95 HD）,以及两者的体积作为模型的分割准确性的评估,并且以对同一大小patch图像的自动分割耗时作为模型效率的评估。结果:引入MRI图像信息对左右海马的自动分割精度有明显的提升;模型3D BUC-Net在CT-MRI数据集上对左右海马体的自动分割都取得最好分割结果（DSC:0.900±0.017,0.882±0.026;95HD:0.792±0.084,0.823±0.093）,而且该模型的分割效率更高。结论:模型3D BUC-Net能在多模态影像上实现高效、准确的海马区的自动勾画,为头颅放疗过程中海马区的保护提供方便。     

基于3D U-Net 实现人体耳软骨MRI图像的解剖结构分割

自体肋软骨雕刻法是目前治疗先天性小儿畸形的临床标准疗法,而耳软骨组织工程和3D生物打印是有前景的治疗方案。可是,这些治疗方案的核心—(复合物)支架构造缺乏基于医学图像的耳软骨自动分割方法。基于3D U-Net提出改进的网络模型,能够实现MRI图像的人体耳软骨解剖结构的自动分割。该网络模型结合残差结构和多尺度融合等设计,在减少网络参数量的同时实现12个耳软骨解剖结构的精确分割。首先,使用超短回波时间(UTE)序列采集40名志愿者单侧外耳的MRI图像;然后,对所采集的图像进行预处理、耳软骨和多解剖结构手动标注;接下来,划分数据集训练改进的3D U-Net模型,其中32例数据作为训练集、4例为验证集、4例为测试集;最后,使用三维全连接条件随机场对网络输出结果进行后处理。模型经过10折交叉验证后,耳软骨12个解剖结构的自动分割结果的平均Dice相似度系数(DSC)和平均95%豪斯多夫距离(HD95)分别为0.818和1.917,相比于使用基础的3D U-Net模型,DSC指标分别提高6.0%,HD95指标降低了3.186,其中耳软骨关键结构耳轮和对耳轮的DSC指标达到了0.907和0.901。实验结果表明,所提出的深度学习方法与专家手动标注两者之间的结果非常接近。在临床应用中,根据患者健侧UTE核磁图像,本研究提出的方法既可以为现有自体肋软骨雕刻法快速、自动生成三维个性化雕刻模板,也可以为组织工程或者3D生物打印技术构建耳软骨复合物支架提供高质量的可打印模型。     

基于层次聚类的多模态磁共振脑肿瘤图像的自动分割方法

多模态磁共振脑肿瘤图像分割是医学图像应用的基础,在病理分析与手术引导等领域具有广泛的应用价值,为提升分割效率及精度,研究基于层次聚类的多模态磁共振脑肿瘤图像自动分割方法.利用Tamura的特征提取方法,以粗糙度与对比度为特征提取的定量分析指标,提取多模态磁共振脑肿瘤图像的纹理特征构建数据集;通过融合稀疏代表点的亲和传播...     

基于三维动态区域生长算法的肝脏自动分割

目的:研究三维动态区域生长算法在肝脏自动分割中的可行性。方法:首先对CT图像进行预处理,包括插值、各向异性滤波和三维矩阵化处理;然后在预处理过的图像上使用三维动态区域生长算法,得到初始分割结果,算法在执行过程中使用种子点联合26邻域体素灰度均值代替传统的区域生长算法中选取的单一种子点灰度值,并结合动态阈值和双生长准则提高边缘分割精度;最后通过形态学后处理得到肝脏分割结果。结果:利用三维动态区域生长算法的肝脏自动分割结果接近专家手动勾画的结果(戴斯相似系数平均达到0.934),并且其分割速度(每幅图像用时0.64 s)和三维连续性优于手动勾画。结论:三维动态区域生长算法能够精确地分割肝脏,能在腹部肿瘤放疗计划制定中大幅度提高肝脏勾画效率。     

基于特征融合视觉显著性的医学图像分割

医学图像分割结果的准确性对医生诊断病情并制定相应的治疗策略具有重要价值。针对现有的医学图像进行分割时由于没有考虑人类视觉显著性机制因素导致分割精度不高的问题,提出一种基于特征融合视觉显著性的医学图像分割方法。首先基于频率调谐生成待分割医学图像的显著图,得到图像的显著区域并突出医学图像的边缘轮廓,然后分别提取其颜色特征和纹理特征将其作为反向传播神经网络的输入向量,在此基础上用神经网络分类器模型对图像进行分割。通过实验进行验证,结果表明该方法获得了较好的分割精度和分割效率,本文所提方法为医学图像的准确分割提供了一种新途径。     

模糊神经网络在颅脑磁共振图像分割中的应用研究

由于颅脑磁共振图像分割的效果受制于解剖结构和成像过程引起的边缘模糊和噪声，本研究结合神经网络和模糊逻辑技术，提出一种基于模糊神经网络的颅脑磁共振图像的半自动分割算法。分割实验的结果表明，在同等条件下，模糊神经网络分割算法的收敛速度比BP神经网络分割算法快三倍以上；与最大似然法、模糊c均值聚类和BP神经网络分割算法相比，FNN分割算法的抗噪声和抗模糊能力更强。     

利用堆叠式神经网络提高格蕾丝眼病放疗靶区的自动勾画精度

相较于以往将靶区作为单独区域进行自动分割的神经网络,本文提出了一种利用靶区周围器官的位置及形状信息来限定靶区形状及位置,并通过多个网络的叠加融合空间位置信息,从而提高医学图像自动分割精度的堆叠式神经网络。本文以格蕾丝眼病为例,基于全卷积神经网络构建了堆叠式神经网络,对其左右两侧放疗靶区分别进行分割。以医生手动勾画结果为标准,计算体积戴斯相似系数(DSC)和双向豪斯多夫距离(HD)。相较于全卷积神经网络,堆叠式神经网络勾画结果可以使左右两侧体积DSC分别提高1.7%和3.4%,同时左右两侧的双向HD距离分别下降0.6。结果表明,堆叠式神经网络在提升自动分割结果与手动勾画靶区重合度的同时,减小了小区域靶区的分割误差,进一步说明堆叠式神经网络能有效地提高格蕾丝眼病放疗靶区的自动勾画精度。     

CT图像特征的高精度区域分割

传统CT图像分割在进行最为重要的边缘分割时,复杂空洞和非血管区域特征运用单一约束条件,缺少持续性操作过程,降低了分割精度。提出一种约束持续的CT图像特征的高精度区域分割方法,通过灰度腐蚀运算和滤波处理,获取灰度直方统计结果,据此确定种子点选取原则,实现对血管的初步分割,在此基础上采用更新均值和种子点持续分割作为约束条件,更新均值和种子点持续分割直至无满足灰度区间像素点,实现对CT图像特征的高精度区域分割。以肝脏CT图像为例的分割实验结果说明,所提方法可降低肝脏分割时产生的空洞和非血管信息的提取概率,相较于手工方法与传统方法,本研究所提方法的分割精度较高。     

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。     

一种结合FCM的Mumford-Shah混合模型MR图像分割方法

为了实现MR图像中多目标感兴趣区域的提取,提高MR分割精度。提出一种在Mumford-Shah混合模型中耦合模糊C均值聚类（FCM）的MR图像分割方法。首先,采用FCM对图像进行预分割,解决初始零水平集曲线的定位问题;其次,在Mumford-Shah混合模型的保真项中耦合感兴趣区域的FCM信息。所提取方法对脑白质、脑灰质、脑室平均重叠率分别为76.05%、72.61%和71.18%,而使用FCM方法分别为64.77%、62.38%和60.79%。实验结果表明：与FCM区域信息结合的Mumford-Shah模型在MR图像分割处理中有较高的分割精度与抗噪声能力。     

自适应带宽均值漂移脑部磁共振成像肿瘤分割

为了得到均值漂移的自适应带宽并更精确地分割出脑部磁共振成像(MRI)的肿瘤,本文提出了一种改进的均值漂移方法。首先利用脑部图像的空间特征去除MRI图像中的头骨,消除头骨对分割的影响;然后根据脑部不同组织(包括肿瘤)在空间上集聚的特征,利用边界点得到优化的初始均值以及相应的自适应带宽,从而提高肿瘤分割的精度。实验结果表明,与固定带宽均值漂移算法相比,本文方法分割肿瘤更为精确。     

数字化喉标本模型的建立与虚拟现实仿真

目的:为喉的解剖学教学提供丰富多样的教学模型,模拟喉区解剖结构的虚拟仿真解剖学教学,拓展解剖学的教学模式和教学手段.方法:利用人工识别的方法对第2例中国数字化可视人体喉区段的图像进行图像分割,建立高精度的彩色分割数据集,利用自主开发的图像格式转换软件将彩色分割数据自动转换为灰度分割数据.利用Amira可视化软件对灰度分割数据进行阈值分割.经三维重建,建立喉区主要器官结构的数字解剖模型.在立体显示环境中,并利用交互式设备实现了数字模型的显示与隐藏、旋转与切割等虚拟仿真解剖,模拟喉区主要解剖结构的虚拟仿真解剖学教学.结果:建立了喉的精细数字解剖标本模型,该模型真实地反映了实际的解剖标本,具有形象直观的特点,可无限次使用,在虚拟现实环境中真实仿真了喉区标本的解剖学展示.结论:利用中国数字化可视人体可建立喉区细小结构的数字解剖标本,对模型可实时交互式地进行仿真解剖教学.     

基于级联式深度网络模型的胃及胰腺自动分割研究

目的:旨在研究自主创新设计的级联式深度卷积神经网络VB-Net在胃和胰腺上的自动分割精度及效率。方法:回顾分析150例胰腺癌患者临床资料,随机选取132例非增强CT数据和其中116例胰腺期增强CT以及结构数据进行胃及胰腺的分割模型训练。对剩余18例患者的非增强CT和胰腺期增强CT给予模型测试,使用戴斯相似性系数量化分析模型的分割精度,同时评估其分割效率。结果:基于非增强CT的胃、胰腺的自动分割平均DSC值分别为87.93%、80.05%;基于胰腺期增强CT的胃、胰腺自动分割平均DSC值分别为89.71%、84.79%。胃及胰腺的自动分割平均时间为1.22、0.84 s,手动分割平均时间为158.70、115.52 s。结论:基于VB-Net的胃及胰腺自动分割模型测试结果较为准确,且极大提高了器官分割的效率。