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。     

改进的遗传模糊聚类算法及其在MR脑组织分割中的应用

为提高MR图像中脑组织分割的精度,针对目前遗传模糊聚类算法存在的问题,提出了改进的遗传模糊聚类算法。首先,通过完全改变遗传算法的编码方式、变异方式和交叉方式,对现有遗传算法进行改进,从而使遗传算法能获得最小的适应度函数值;然后,结合模糊聚类算法,最终得到改进的遗传模糊聚类算法。将改进的遗传模糊聚类算法应用于MR脑图像的分割,结果表明,改进的遗传模糊聚类算法的分割质量高于现有的遗传模糊聚类算法和快速模糊聚类算法。改进的遗传模糊聚类算法可以做为一种快速、全自动的MR脑图像分割工具。     

边界跟踪法在MRI图像大脑实质提取中的应用

目的图像已广泛运用于临床诊断和脑外科术前计划等,将脑实质从图像中加以提取是图像处理的一个重要方向。方法利用边界跟踪法获取图像中脑实质的边界线,在此基础上将颅骨部分定义为背景色,从而提取出脑实质部分。结果选取Visible Human Data数据集中妇女头部的MRI图像,对此图像提取其脑实质部分。结论在MRI图像中提取脑实质部分,本所讨论的方法不失为一种快捷、方便、可行的算法。     

基于磁共振图像的鼻腔边界分割及解剖结构提取

目的探索基于系列磁共振图像获取鼻腔边界的有效分割方法,对图像进行准确分割并考察鼻腔的解剖结构。方法受试者为健康男性,年龄24岁。采用层间距为4 mm的冠状面头颈部MRI图像,用MATLAB编程对图像预处理。使用距离正则化水平集图像分割方法分割鼻腔的边界,并借助插值算法计算任意位置的鼻腔横截面积,以及通过对横截面积分布曲线的积分算出鼻腔体积。结果精确分割出鼻腔边界,获得其坐标,并可保存为图像格式或数据文件格式。给出左、右鼻腔横截面积随距离变化的连续分布曲线、鼻腔最小截面的位置,以及鼻腔体积。结论该方法可以有效地分割出几何形态复杂的鼻腔的边界并获得鼻腔的结构参数数值,所得到的边界坐标数据可方便地用于鼻腔结构的三维重建。     

基于磁共振图像的鼻腔边界分割及解剖结构提取简

目的探索基于系列磁共振图像获取鼻腔边界的有效分割方法．对图像进行准确分割并考察鼻腔的解剖结构。方法受试者为健康男性,年龄24岁。采用层间距为4mm的冠状面头颈部MRI图像．用MATLAB编程对图像预处理。使用距离正则化水平集图像分割方法分割鼻腔的边界．并借助插值算法计算任意位置的鼻腔横截面积．以及通过对横截面积分布曲线的积分算出鼻腔体积。结果精确分割出鼻腔边界,获得其坐标,并可保存为图像格式或数据文件格式。给出左、右鼻腔横截面积随距离变化的连续分布曲线、鼻腔最小截面的位置．以及鼻腔体积。结论该方法可以有效地分割出几何形态复杂的鼻腔的边界并获得鼻腔的结构参数数值．所得到的边界坐标数据可方便地用于鼻腔结构的三维重建。     

改进的K-均值聚类算法及其在脑组织分割中的应用

目的：鉴于K-均值聚类算法易受初始聚类中心的影响,初始聚类中心不仅影响聚类速度。还可能使算法陷入局部极小值,得到错误的聚类结果,基于SOM神经网络,提出了一种改进的K．均值聚类算法并将其应用于脑实质分割。方法：首先,由SOM神经网络对图像进行初始聚类,得到＆个聚类中心值;然后,以SOM神经网络获得的k个聚类中心值作为K_均值聚类算法的初始聚类中心对图像进行％．均值聚类,最终获得图像的聚类分割结果。结果：基于SOM神经网络的K-means聚类算法的分割精度为O．9274,K-means聚类算法的分割精度为0．8649。结论：利用改进的K-均值聚类算法对磁共振脑部图像进行了分割实验,结果表明该算法有效改善了K-means聚类算法初始聚类中心选取的盲目性,使聚类结果更为准确、稳定,取得了比单一方法更好的分割结果。     

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。     

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。     

基于深度监督全卷积神经网络的MRI脑图像语义分割算法

目的 依据临床诊断对MRI脑图像自动分割算法的需求,基于卷积神经网络(convolutional neural networks,CNN)设计了一种端到端的深度监督全卷积网络(deeply supervised fully convolutional network,DS-FCN)以解决脑图像中脑组织的自动分割问题。方法 针对三维MRI脑图像,先将体数据切割成二维图像切片,在FCN网络结构的基础上,加入了深度监督机制,即在特征提取的多层级结构中提前得到损失值反馈。结果 以三维MRI脑图像公开数据集LPBA-40为实验数据,56类脑组织的准确率(precision rate)、召回率(recall rate)、F1评估值分别为74. 40%、74. 82%、73. 75%,测试速率为152 ms。结论 通过引入深度监督结构,改进后的DS-FCN在MRI脑组织分割任务中得到了更精准的分割效果。     

基于层间先验知识从脑MRI图像中自动提取脑组织

目的从脑MRI图像中提取脑组织,解决边缘模糊时脑和非脑组织难以分离的问题。方法首先利用各向异性扩散滤波的方法对脑MRI图像进行去噪处理;然后利用形态学的方法对初始脑MRI图像进行脑组织提取,在此分割结果的基础上,利用相邻层脑形态差异较小的特点,实现结构元素的自适应选取,完成从脑MRI图像中逐层准确、自动提取脑组织。结果采用不同来源的数据对算法性能进行了测试,结果优于经典背散射电子成像(BSE)方法的分割结果。结论利用层间先验知识有利于实现边缘模糊的脑组织自动准确提取,且适用性较强。     

基于肺部CT序列图像的肺实质三维分割

目的:肺实质分割是基于CT图像的肺结节计算机辅助检测技术必不可少的步骤。结合阈值技术、连通区域标记以及形态学技术,提出了一种简单有效的从CT图像中分割三维肺实质的方法,以期能为后续肺结节计算机辅助检测技术的研究奠定基础。方法:首先,将原图像二值化,并应用三维连通域标记去除背景及细小空洞;然后,经三维区域生长法去除气管;最后,经形态学滤波平滑肺边界得到肺部精确的三维模板,并采用该模板从CT序列图像中分割出肺实质。结果:根据对20组层厚2.0mm、每组约250个切片的肺部CT临床数据实验验证,其肺实质分割的平均正确度为91.55%,处理单组数据平均耗时167.4563s。结论:实验结果表明,本文方法能自动快速地从CT序列图像中分割出肺实质。     

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。     

点对称距离模糊C均值聚类算法在脑部MRI图像分割中的应用

背景：在传统的图像分割方法中,模糊C均值聚类算法应用十分广泛。 目的：将改进的模糊C均值聚类算法应用到MRI图像的分割中,提高MRI图像分割的准确度。 方法：针对传统的基于Minkowski距离的模糊C均值聚类算法,提出了基于点对称距离的模糊C均值聚类算法,并将其运用到了脑部MRI图像分割中。 结果与结论：实验结果表明,与模糊C均值聚类算法相比,点对称距离的模糊C均值聚类算法有明显的优势。     

基于FCM聚类算法的MRI脑组织图像分割方法比较研究

目的磁共振成像(magnetic resonance imaging,MRI)对脑组织有较好的成像效果,但噪声、偏移场和部分容积效应(partial volume effect,PVE)的存在,使得全自动分割MRI图像面临一定的困难。模糊C均值(fuzzy C-means,FCM)聚类算法在脑组织分割中得到较广泛研究。本文以存在噪声和偏移场影响的脑MRI图像分割为应用背景,研究了大量相关方法,探讨FCM算法分割脑部图像的改进思想。方法本文主要研究了9种FCM算法的理论基础,并通过脑组织分割实验对各种算法进行了分析。结果比较了不同算法的优劣,给出各类算法直观及定量评价结果。结论偏移场和噪声对脑磁共振图像组织分类质量有明显影响。其中几种方法可以减弱这些不利影响,但由于难以选择合适的参数,其分类效果并不理想。如何合理利用空间信息在未来仍有较大研究价值。     

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。     

改进模糊C-均值分割算法在多发性硬化症MR脑部图像中的应用

背景：脑部MR图像是一种无纹理的图像,未被噪声污染的脑部MR图像的灰度值具有分片为常数的特点。因此,在聚类过程中灰度值有趋向于在同一个分割区域中相对接近的性质。 目的：寻找一个能够自动分割多发性硬化症病灶的模糊C-均值改进方法,为临床对于多发性硬化症的判断提供更方便的工具。 方法：考虑到脑部MR图像相邻象素属于同一分类的概率相近的特性,在迭代过程中对8邻域数据集进行滤波以降低噪声对聚类精度的影响,提出了一种改进的模糊C-均值聚类算法。就是将模糊C-均值聚类算法迭代过程中得到的灰度值看作一个数据集,用每个象素邻域象素的灰度值修正该象素的模糊隶属度取值,从而达到利用空间信息抑制噪声的目的。 结果与结论：选取了10个多发性硬化症患者的脑部MRI图像进行试验。通过对多发性硬化症患者MR T1脑部图像和T2液体衰减反转回复脑部图像的分割实验,结果显示该算法能够有效分割多发性硬化症病灶,与其他方法所做的多发性硬化症病灶分割相比,本算法更易于实现,运算时间短,同时结果与临床医生的勾画比较重叠率较高,对其临床辅助诊断具有重要作用。     

脑梗塞患者MR图像分割的研究

目的研究一种可实现脑梗塞患者MR图像脑组织分割的算法.方法根据脑梗塞患者MR图像中脑组织的区域和边缘的特性,对传统水平集算法进行改进,实现了对特定目标体分割的能力,降低了边界泄漏发生的可能性.结果通过体膜和大量脑梗塞患者MR图像实验和SPM5对比,实验证实了改进算法对MR图像分割的准确性和鲁棒性. 结论该算法为脑梗塞患者的脑图像分析和脑组织测量提供了一种有效的分割方法.     

基于Graph Cuts的脑部MRI图像脑组织提取方法

脑部MRI图像的脑组织提取是神经影像学分析的一项重要预处理过程,为提高提取精度,提出一种基于graph cuts的脑组织自动提取方法,主要适用于T1加权MRI图像。首先采用Smith等提出的脑组织提取工具（BET）得到感兴趣区域 (ROI),仅在该区域内用graph cuts方法进行演化;并在graph cuts中加入一个速度限制因子,解决脑组织提取过程中的局部收敛和边界泄漏问题;此外,还采用一种逐层处理2D图像切片的3D数据初始化方法。利用IBSR(Internet Brain Segmentation Repository)网站提供的18组数据,将所提出方法与现有的部分脑组织提取方法（脑组织提取工具(BET)、 脑组织表面提取算法(BSE)、 分水岭算法(WAT)、 混合分水岭算法(HWAT)、 图割算法(GCUT) 和鲁棒脑组织提取算法(ROBEX)）,进行对比试验。结果显示,本方法最接近于标准分割,平均Dice系数达到095,并且在多个评价参数（假阳性率32%和Hausdorff距离96）上都取得最好结果。实验表明,所提出方法具有较好的精确性和稳定性。     

一种分割脑磁共振图像的改进FCM聚类算法

噪声和偏移场是影响磁共振(MRI)图像质量的主要因素。以含加性噪声和乘性偏移场的脑MRI图像组织分割为目标,提出一种抗噪局部相干模糊聚类算法,通过在目标函数中加入模糊算子和一致局部信息约束,达到同时抑制噪声和偏移场不利影响的目的,提高分割准确性和稳定性。采用20例合成图像、60例来自BrainWeb的模拟脑MRI图像、100例来自IBSR真实脑MRI图像,对算法的聚类性能进行评价。实验结果表明,在噪声和偏移场干扰并存的情况下,所提出算法与其他几种经典FCM改进算法相比,对合成图像集的平均分类准确度SA达到0.97,高于其他算法,最大可提高0.37;对真实脑MRI图像集的脑脊液分割有明显优势,相似性测度KI平均提高约0.1。分析表明,所提出算法有更好的分类准确性和稳定性。     

基于改进GVF-测地线模型的颈动脉斑块的分割算法

为了在超声波图像中提取颈动脉斑块边缘,我们提出了一种基于GVF-测地线模型的图像分割算法.由于超声波图像含有大量噪声,首先使用加权均值空间平滑滤波器对图像进行预处理;再人工画出初始轮廓,分别采用GVF-Snake模型、GVF-测地线模型和改进后的GVF-测地线模型对图像进行分割,比较其结果.实验结果表明,改进后的方法分割精度很高,能够在颈动脉斑块边缘提取中取得非常好的效果.