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。     

基于对称区域生长算法的超声医学图像分割方法

提出了一种基于对称区域生长算法的超声医学图像的分割方法。该方法分为三步。首先,通过采用自适应加权中值滤波抑制超声医学图像本身固有的Speckle噪声,然后从图像的第一行开始扫描整个图像,并应用生长准则进行区域的生长与合并,生长完成之后应用种子准则标定感兴趣区域,从而得到最后的分割结果。通过图像的分割实验确定了一套对于超声医学图像适用的生长和合并准则。对心脏B型超声医学图像分割的实验结果显示,该方法具有良好的性能。     

基于CT图像的颅内血肿检测与分割

目的:为提高血肿分割精度,提出一种基于改进Canny算子的颅内类血肿噪声检测方法。方法:首先用区域生长算 法分割出颅脑组织,去掉颅骨等干扰信息。然后使用基于改进Canny边缘检测的方法检测颅脑边缘类血肿噪声,并与原 图像进行与运算消除该噪声。最后,通过使用OTSU适应度函数的遗传算法精准分割出颅内血肿。结果:该方法在随机 抽取的200例颅脑血肿图像中,血肿检测的准确率达到96.3%,Dice相似度达到93.5%。结论:该方法能准确、有效地检测 并分割出颅内血肿。     

基于区域生长的图像分割研究进展

图像分割是图像处理与图像分析的基础步骤,主要难点是图像分割的不适定性。区域生长法算法简单,计算速度较快,是一种运用广泛的图像分割技术。本文根据当前主要的基于区域生长的分割模型,讨论了区域生长法中的种子点自动选取、相似性判断准则、适用情况及其改进方向,并对区域生长技术的发展进行了展望。     

基于三维区域生长算法的脑灰质提取方法的研究

目的探求从头颅磁共振成像（MRI）图像中提取出大脑灰质图像的方法。方法采用阈值分割预处理MRI图像,人工选择种子点、采用18-邻域的三维区域生长从头颅MRI图像中提取脑灰质图像,最终用腐蚀和膨胀算法弥补区域生长算法的不足。结果利用此方法对5套MRI数据进行操作,取得了满意的分割效果;使用VTK提供的面绘制算法对提取出的脑灰质图像进行三维重建,得到了高质量的大脑皮层图像。结论该方法能够得到满意的大脑灰质提取效果。     

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.     

结合水平集和区域生长的脑MR图像分割

本文提出了结合改进的水平集和区域生长方法实现脑MR图像分割,并根据不同组织成像特征和组织结构特点采用不同算法分割进行了探索.主要步骤:首先用改进的水平集算法实现图像中骨组织和脑脊液(CSF)的提取;然后,依据直方图确定脑灰质(GM)、脑白质(WM)的近似灰度值,自动定位种子点后进行区域生长,实现脑灰质和脑白质的分离.实验结果表明,该方法充分利用了脑MR图像中的区域信息和边界信息,与传统单一算法分割脑MR图像相比,具有更强的鲁棒性和准确性.     

基于改进U-Net的肝脏分割方法

针对现有肝脏图像分割方法存在分割精度较低的问题,提出一种改进U-Net的肝脏分割方法。该方法对U-Net结构做出以下改进,即引入改进的残差模块、重新设计跳跃连接,然后采用混合损失函数,从而提高特征信息的利用率,减少编码器和解码器之间的语义差异,缓解类不平衡的问题并且加快网络收敛。在CodaLab组织提供的公共数据集LITS（Liver Tumor Segmentation）上的实验结果表明,利用该方法达到的Dice相似系数值、敏感度、交并比分别为93.69%、94.87%和87.49%。相比于U-Net和Attention U-Net等分割方法,该方法分割出的肝脏区域结果更加准确,取得了更好的分割性能。     

基于信息量的脉冲耦合神经网络改进分割算法

目的解决区域生长简化脉冲耦合神经网络（PCNN）算法中由于阈值参数选取不当导致的分割不足与过分割问题。方法在区域生长简化PCNN算法中引入熵来刻画图像的信息量。结果避免了对阈值参数选取。结论基于信息量的PCNN改进算法在分割精度、算法的稳定性等方面均优于简化区域生长PCNN算法。     

基于改进凸包算法的肺实质分割研究

肺实质的精确分割一直都是肺部疾病计算机辅助诊断的重要研究内容,传统的分割方法大多只能分割出不包含病灶的肺实质区域,为后期的图像分析与辅助决策带来很大的影响。针对具有边缘型肺结节的肺部CT图像,提出一种实现简单且实验效果较好的肺实质分割算法。首先,利用常规方法提取肺实质的粗略轮廓;然后,针对上一步骤中肺实质病灶信息等的缺失现象,提出一种改进的二维凸包算法对肺实质的外轮廓进行再修复;最后,利用区域生长和形态学运算,修复肺实质的内部轮廓。运用新算法,对200张边缘型肺结节的肺部CT图像进肺实质分割。实验结果表明：与已有的“滚球法”和凸包算法修复肺实质相比,新算法具有较高的准确率,可以达到90%以上,边缘型肺结节等病灶信息能被较为准确地表示出来,为建立高效的肺部疾病诊断系统奠定基础。     

一种基于Snake模型的脑部CT图像分割新算法

针对目前传统的Snake模型图像分割算法的力场捕捉范围小、对初始轮廓的选取敏感以及对轮廓曲线难以收敛到 细小深凹边界的缺陷,提出一种基于Snake 模型的脑部CT图像分割新算法。算法首先运用Canny 边缘算子对图像进行 边缘检测,将边缘检测图像叠加到原始图像上,然后再运用Snake模型和梯度向量流（GVF）Snake模型分别对叠加图像进 行分割。实验结果表明,该算法克服了传统Snake 模型和GVF Snake 模型因边缘轮廓不清晰造成的漏分割情况,防止了 GVF Snake模型由于GVF力场的相互作用所造成的过分割现象,同时,还能促使轮廓线收敛到细小深凹边界,提高定位精 度,具有更好的分割效果。     

基于区域生长法的冠状动脉三维分割

根据图像序列,对患者冠状动脉进行三维重建,有利于医生对冠脉病变部位做出准确诊断。首先利用光线透射法（ray casting method）并结合ITK和VTK函数库对CT扫描图像序列进行三维重建,得到胸腔三维模型,之后利用区域生长法（region growing method）进行冠状动脉三维分割,实现冠脉模型的重建任务。实验结果表明,本文算法可以成功的提取出冠状动脉的主要分支。结合VTK和ITK函数库,计算机可以有效地实现胸腔三维模型的重建以及冠状动脉的分割工作,对医生直观的了解冠状动脉的解剖结构及冠心病的临床诊断有重要意义。     

脑肿瘤分割算法研究

由于医学成像技术的复杂性和胶质瘤表面高度的异质性,对人脑神经胶质瘤的图像分割是医学影像分析中最具挑战性的任务之一。本研究对UNet++医学图像分割网络进行了改进,改进后的网络能够融合全尺度下的粗粒度语义和细粒度语义信息。在公开的BraTS脑肿瘤分割数据集中的335例图像上进行分割实验,采用2D与3D对比分割实验综合评价改进后网络的分割性能,将分割结果与UNet,UNet++,UNet3+医学图像分割网络的结果进行对比。在Dice相似度系数(DSC),95%Hausdorff表面距离(HSD95),Sensitivity,PPV等4个指标基础上,2D对比分割实现的指标均值分别为:83.70%,1.7,88.40%,84.96%;3D对比分割实验的指标均值为:90.79%,0.242,91.23%,91.06%。实验结果表明,改进的算法使神经胶质瘤的分割结果与金标准在区域上有更多的重叠,可以更好的完成脑胶质瘤的分割。在临床应用中,可望帮助神经外科医生高效地分离脑肿瘤与人脑周围组织,从而实现快速的计算机诊疗。     

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。     

Computer-Aided Segmentation System for Breast MRI Tumour using Modified Automatic Seeded Region Growing (BMRI-MASRG)

In this paper, an automatic computer-aided detection system for breast magnetic resonance imaging (MRI) tumour segmentation will be presented. The study is focused on tumour segmentation using the modified automatic seeded region growing algorithm with a variation of the automated initial seed and threshold selection methodologies. Prior to that, some pre-processing methodologies are involved. Breast skin is detected and deleted using the integration of two algorithms, namely the level set active contour and morphological thinning. The system is applied and tested on 40 test images from the RIDER breast MRI dataset, the results are evaluated and presented in comparison to the ground truths of the dataset. The analysis of variance (ANOVA) test shows that there is a statistically significance in the performance compared to the previous segmentation approaches that have been tested on the same dataset where ANOVA p values for the evaluation measures’ results are less than 0.05, such as: relative overlap (p = 0.0002), misclassification rate (p = 0.045), true negative fraction (p = 0.0001) and sum of true volume fraction (p = 0.0001).     

基于改进模糊连接度的CT图像肝脏血管三维分割方法

解决传统模糊连接度难以较好分割CT图像肝血管、需要多个种子点和较耗时等问题。改进传统模糊连接度分割算法:对最新的Jerman血管增强算法进行改进;将改进的血管增强响应引入模糊亲和度函数;使用Otsu多阈值算法代替置信连接度,进行模糊连接度算法的初始化。预处理包括自适应S型非线性灰度映射和各向同性插值采样;随后,执行改进的Jerman血管增强算法;再将其增强响应引入模糊亲和度函数,同时利用Otsu多阈值算法统计前景目标信息,对模糊连接度进行初始化;最终,结合单一种子点实现三维肝脏血管的自动分割。选用内含20例CT的公开数据集,定量评估改进的血管增强算法和模糊连接度分割算法。评价标准主要包括对比度噪声比、准确性、敏感性和特异性。该血管增强算法的平均对比度噪声比为8.43 dB,优于传统血管增强算法。该血管分割算法的准确性达98.11%,优于基于置信连接度的传统模糊连接度分割算法、区域生长算法和水平集分割算法。此外,在分割算法的耗时方面,该算法也具有明显优势。提出的三维分割方法能有效解决传统模糊连接度分割CT影像中肝血管结构的不足,可提升分割精度和效率。     

智能肝肿瘤CT图像分割

提出了一种智能肝肿瘤CT图像分割的新方法.该方法将医学专家的高层知识融合到图像分割算法中,使算法具有智能性,能够更加准确、快速地实现分割.根据医学图像分割不同阶段的特点以及不同算法的适用性,结合了多尺度分水岭变换与模糊聚类方法,从总体上达到最佳效果.将图像空间信息引入传统的基于灰度的模糊C均值聚类算法中,对传统的模糊C均值聚类算法的目标函数进行修正,推导出修正后算法的迭代公式,并证明了迭代的收敛性.对实际CT肝肿瘤图像的分割实验结果验证了所提方法的有效性.