点分布模型约束的主动轮廓及其在脑MR图像分割中的应用

针对脑部MR图像结构复杂，使用传统的主动轮廓进行分割时，对初始化位置敏感，且易受非目标轮廓干扰，陷入局部极值等问题，提出了利用点分布模型进行形状约束的梯度矢量流主动轮廓模型。该方法在训练样本集的基础上，建立反映待分割目标轮廓先验形状信息的点分布模型，以模型的均值作为参考初始化主动轮廓，并使用模型提供的参数限制主动轮廓运动过程中的形变范围，有效地解决了使用传统主动轮廓对复杂图像往往不能收敛到期望形状的问题。此方法成功运用于脑MR图像中胼胝体和大脑灰质的分割，取得了满意的效果，验证了此方法的有效性和鲁棒性。     

基于先验知识和几何主动轮廓线的三维超声瓣膜分割

几何主动轮廓线模型是一种有效的图像分割方法.但对于被噪声严重干扰的目标依然很难准确分割.特定目标的先验知识可以有效地指导目标的准确分割.我们把特定目标的区域和形状先验知识表示成一种速度场,把此速度场嵌入到几何主动轮廓线模型中,指导目标的快速准确分割.先验区域限制水平集在特定区域迭代,先验形状使曲线向理想轮廓演化.我们把该算法应用于三维超声图像的二尖瓣自动分割,结果表明该分割算法是快速和高效的.     

基于相对模糊连接度的联合主动轮廓模型及其在医学图像分割中的应用

针对医学图像背景复杂、边界模糊、局部不均匀等特点,提出了一种基于相对模糊连接度的联合主动轮廓模型,并将其应用于医学图像分割。首先介绍主动轮廓模型的曲线演化方程和模糊连接度的相关理论,然后将相对模糊连接度作为曲线演化驱动力引入曲线演化方程,最后用实验证明该方法对多目标医学图像和复杂医学图像的有效性。由于模糊连接度方法综合了局部信息和全局信息,因此可以克服Li方法容易陷入局部最优的问题和Chan-Vese方法不能越过局部伪边界的问题,从而使联合主动轮廓模型的演化曲线最终收敛于全局最优边界。     

基于Snake模型的医学图像分割

基于Snake模型的图像分割技术是近年来图像处理领域的研究热点之一.Snake模型承载上层先验知识并融合了图像的底层特征,针对医学图像的特殊性,能有效地应用于医学图像的分割中.本文对各种基于Snake模型的改进算法和进化模型进行了研究,并重点梳理了最新的研究成果,以利于把握基于Snake模型的医学图像分割方法的脉络和发展方向.     

一种基于KPCA和形状先验知识的图像分割模型

对含有噪声、遮挡和信息缺失的图像进行分割,如果仅使用图像自身信息难以得到满意的结果。因此,本研究提出了一种新的融合图像信息和形状先验知识的可变形模型。在Chen等人的工作基础上,提出用核主元分析(KPCA)代替主元分析(PCA)来捕获形状信息。KPCA能更好地表示形状先验知识,允许待分割的目标形状与先验形状存在较大差异或非线性变形,而PCA需两者足够接近。同时,所用的分割模型包含了图像信息项和形状先验项,充分考虑了在分割过程中平衡全局图像信息和形状先验知识的相互作用。将本研究的模型和基于PCA的分割模型应用于合成图像和医学CT图像,结果表明KPCA更能准确地识别出与先验形状差异较大或背景污染严重的目标物体。     

一种基于三维约束的医学图像序列分割新方法

基于三维图像具有三维平滑、连续变化等特性,提出一种新的医学图像序列分割方法.该方法在计算过程中,只需手动设置第一幅图中主动形变模型的关键点位置.在其他图像中,首先采用预测和视频运动估计中常用的块匹配法优化主动轮廓模型的初始化位置,然后采用偏三维约束和梯度矢量流(GVF),从初始化位置开始在图像中进一步迭代收敛得到每幅图像中的最终轮廓位置.在一般的二维平滑基础上.达到三维平滑、三维分割的作用.与光流法、一般预测法等方法的实验结果相比,本方法可以显著提高分割的准确性及速度.     

基于改进的CV-RSF模型的甲状腺结节超声图像自适应分割算法

目的甲状腺结节超声图像的精确分割对甲状腺结节的良恶性诊断尤为重要。目前,对于甲状腺结节超声图像的分割,有学者提出利用主动轮廓模型分割算法,但是由于活动轮廓分割算法需要手动设置迭代次数,未实现模型的自适应性。因此,本文提出了一种基于改进的无边缘主动轮廓-局部区域可控的拟合(Chan-Vese-region scalable fitting,CV-RSF)模型的甲状腺结节超声图像自适应分割算法。方法选取南京同仁医院12例患者的甲状腺结节超声图像用于实验。首先,在无边缘主动轮廓(Chan-Vese,CV)模型中,引入一个基于梯度的边缘引导函数,根据面积变化率,自适应地获取甲状腺结节的粗分割轮廓;然后,将粗分割轮廓作为局部区域可控的拟合(region-scalable fitting,RSF)模型的初始轮廓,并根据面积变化率,自适应地获取甲状腺结节最终分割结果。将改进模型分割的结果与CV模型、RSF模型分割的结果进行比较,并分析甲状腺结节边缘清晰度对分割结果的影响。结果本文模型算法分割结果的平均迭代次数、平均面积重叠率、平均Hausdorff分别达到了134、90.34%、9.77,均优于CV模型、RSF模型的分割算法。结论该算法有效地分割出边缘清晰和不清晰的甲状腺结节超声图像,并解决手动设置迭代次数的问题,从而实现甲状腺结节的有效、准确、自动分割。     

基于单水平集函数的细胞分割算法

目的：由于细胞图像十分复杂,传统的基于像素或者边界的图像分割方法难以精确的实现细胞分割。因此,需要设计一种可以实现细胞图像精确分割的方法。方法：结合大津分割算法和主动轮廓模型的优点,设计出一种基于单水平集函数的细胞分割算法,首先对细胞图像大津分割,其结果作为水平集函数的初始值,然后使用迭代法对水平集函数演化。采用MATLAB对显微镜下获取的细胞图像进行试验,将本文改进后的算法与常规的算法进行了对比。结果：与传统的水平集分割算法相比,本文方法对细胞图像分割结果更加准确,迭代次数减少一半左右,因此分割时间也减少了一半左右。结论：结合细胞图像的结构特点,利用大津分割结果作为主动轮廓模型的初始值,可有效解决主动轮廓模型因为初始值设置不当导致的分割缺陷问题,水平集函数能够跟踪拓扑结构变化,具有计算精度高、算法稳定、优化边界清晰光滑等优点,在本文中得到了充分的应用。因此本文所提出的算法能够高效地实现细胞图像的分割。     

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。     

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。     

基于最小方差Snake模型的医学图像分割

传统的参数活动轮廓模型（Snake模型）难于处理自动分割医学图像的弱边界。我们在分析参数活动轮廓和几何活动轮廓模型的基础上，提出最小方差参数活动轮廓模型，并成功应用于医学图像自动分割。该方法将气球力Snake模型中的恒定气球力修改为包含区域信息的变力，以目标和背景两区域具有最小方差为准则，引导轮廓线演化。实验结果表明，该模型对初始轮廓位置不敏感，能实现自动分割。对于带噪声的医学图像，先进行保边界特性的曲率流滤波，然后应用该模型也能取得满意的分割效果。     

知识引导几何动态轮廓线算法与MR心脏序列图像鲁棒分割

从MR心脏三维动态序列图像中快速精确分割左心室内边界是心功能计算机辅助诊断的重要步骤。由于心室边界的模糊性，传统的基于灰度或曲线演化的方法很难保证分割结果的鲁棒和精确。在分割模型中整合解剖结构和医生经验的先验知识，对提高分割结果对噪声和模糊边界的鲁棒性，改善计算效率非常重要。本研究提出了一种广义模糊几何动态轮廓线分割算法（GF-GACM），并利用基于水平集的概率形状模型，整合医生手动分割训练集的先验知识。对多套临床数据集的实验结果显示，本研究算法的分割结果和专家手动分割结果比较在临床诊断允许误差范围内。     

医学图像分割技术

图像分割是制约医学图像在临床上广泛应用的关键性问题。医学图像分割则是图像分割的一个重要应用领域。本文讨论了医学图像分割的目的和意义，简述了医学图像分割技术的进展，对近年来医学图像分割技术进行了综述。     

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.     

卷积神经网络在医学图像分割中的研究进展

卷积神经网络（CNN）是目前计算机视觉和模式识别中效果最为突出的算法。CNN拥有强大的空间识别能力,可以从图像中提取高阶的空间特征,同时通过共用卷积核的方式大幅减少参数量,从而在提升网络性能的同时保持总参数量在一个合理的、可运算的范畴。部分采用无监督学习的CNN算法可以在没有先验知识的条件下实现一定程度的图像语义分割,大幅减少人工读图的负担。本研究就CNN在医学图像分割中的研究进展和使用CNN时的具体技巧及其效果进行综述。以使用CNN为核心的深度学习工具解决医学图像分割的课题为中心,展示了CNN在有监督学习、半监督学习及无监督学习中的巨大潜力,分析比较了现有方案的优点与不足,探讨了未来CNN在医学图像领域的前进方向。     

Shape Priors for Segmentation of the Cervix Region Within Uterine Cervix Images

The work focuses on a unique medical repository of digital uterine cervix images (“cervigrams”) collected by the National Cancer Institute (NCI), National Institute of Health, in longitudinal multiyear studies. NCI together with the National Library of Medicine is developing a unique web-based database of the digitized cervix images to study the evolution of lesions related to cervical cancer. Tools are needed for the automated analysis of the cervigram content to support the cancer research. In recent works, a multistage automated system for segmenting and labeling regions of medical and anatomical interest within the cervigrams was developed. The current paper concentrates on incorporating prior-shape information in the cervix region segmentation task. In accordance with the fact that human experts mark the cervix region as circular or elliptical, two shape models (and corresponding methods) are suggested. The shape models are embedded within an active contour framework that relies on image features. Experiments indicate that incorporation of the prior shape information augments previous results.     

Statistical image reconstruction from limited projection data with intensity priors

The radiation dose generated from x-ray computed tomography (CT) scans and its responsibility for increasing the risk of malignancy became a major concern in the medical imaging community. Accordingly, investigating possible approaches for image reconstruction from low-dose imaging protocols, which minimize the patient radiation exposure without affecting image quality, has become an issue of interest. Statistical reconstruction (SR) methods are known to achieve a superior image quality compared with conventional analytical methods. Effective physical noise modeling and possibilities of incorporating priors in the image reconstruction problem are the main advantages of the SR methods. Nevertheless, the high computation cost limits its wide use in clinical scanners. This paper presents a framework for SR in x-ray CT when the angular sampling rate of the projection data is low. The proposed framework is based on the fact that, in many CT imaging applications, some physical and anatomical structures and the corresponding attenuation information of the scanned object can be a priori known. Therefore, the x-ray attenuation distribution in some regions of the object can be expected prior to the reconstruction. Under this assumption, the proposed method is developed by incorporating this prior information into the image reconstruction objective function to suppress streak artifacts. We limit the prior information to only a set of intensity values that represent the average intensity of the normal and expected homogeneous regions within the scanned object. This prior information can be easily computed in several x-ray CT applications. Considering the theory of compressed sensing, the objective function is formulated using the ?(1) norm distance between the reconstructed image and the available intensity priors. Experimental comparative studies applied to simulated data and real data are used to evaluate the proposed method. The comparison indicates a significant improvement in image quality when the proposed method is used.     

图像分割与医学工程大学生创新能力培养

创新型国家离不开创新型人才,学生创新能力的培养是时代赋予高校的历史使命。医学工程学生由于其与医学尤其是影像医学的紧密关系,不仅要求学生具有一定的医学知识．更要具有利用理工科知识分析并解决医学问题的能力。本文从图像分割这一具体科研领域着手,首先阐述了图像分割的概念与基本算法,接着介绍了图像分割在医学工程中的重要作用．最后结合肝脏CT图像分割与视网膜血管图像分割这两个实际课题,以及在科研过程中学生所遇到的一些与图像分割相关的问题和我们在学生培养过程中的引导方法,由浅入深地重点阐述了图像分割在医学工程学生创新能力培养中的重要作用,并针对学生在具体实践过程中对最终分割结果的质量评价不够重视的现象,强调了全方位、多领域培养学生创新能力的必要性。     

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。