Segmentation for CT images of liver neoplasms based on MATLAB

目的 将CT图像中的肝脏肿瘤部分进行准确分割.方法 利用MATLAB平台对CT肝脏肿瘤图像进行预处理,并结合灰度转换、二值化处理、反色处理、形态学处理、区域生长法对病灶区域进行分割.结果 组合分割法能够发挥简单、快速、适合小病灶区域的分割特点,实现了肝脏肿瘤组织的分割,分割效果理想.结论 该方法用于肝部肿瘤的分割具有一定的有效性,但对于与周围粘连较多的肿瘤的分割还有局限性.     

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。     

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.     

深度学习在肝脏肿瘤CT图像分割中的应用

肝脏肿瘤严重危害着全人类的生命健康。近年来,随着深度学习的快速发展,涌现了许多使用腹部计算机断层扫描（computed tomography,CT）图像进行肝脏肿瘤分割的深度学习方法,这些方法的应用对于临床上实现肝脏肿瘤的计算机辅助诊断具有十分重要的意义。为此,本文对深度学习方法在肝脏肿瘤CT图像分割中的应用进行了归纳,将各种卷积神经网络（convolutional neural networks,CNN）分为二维（two-dimensional,2D）、三维（three-dimensional,3D）和2.5维（2.5-dimensional,2.5D）卷积神经网络。此外,本文总结了各类网络的优缺点以及改进方法,为深度学习在肝脏肿瘤分割中的应用提供了有益参考。     

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。     

基于双源CT图像的冠状动脉分割

背景：在计算机辅助下,从双源CT图像中把三维冠状动脉分割出来能为其定量评价提供基础。但冠状动脉的三维形态复杂多变,且其管径细小,因而实现冠状动脉的高精度分割是一项有挑战性的课题。 目的：解决冠状动脉难以实现高精度分割的问题。 方法：采用三步数据处理策略实现冠状动脉分割。先采用阈值方法对三维双源CT图像进行预分割;然后,采用交互式的策略分割出与主动脉相连的左、右冠状动脉始端;最后,根据冠状动脉始端的位置,利用形态学方法和三维断层图像相邻层间的关系分割出三维冠状动脉。 结果与结论：提出的基于形态学与断层图像层间关系的分割方法能较精确地从双源CT图像中分割出左、右冠状动脉,说明该方法适用于三维冠状动脉的分割。     

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。     

基于数学形态学的CT图像肝脏肿瘤提取研究

目的 肝脏肿瘤的提取是肝脏三维可视化、手术规划和模拟的基础,而当前肿瘤分割存在干预过多和分割效果不佳的问题.方法 本文通过对腹部CT图像进行高斯平滑以去除图像噪声和细密纹理,计算出图像的形态学梯度并用高、低帽变换进行增强,再根据用户选择点计算内部和外部标记符,然后基于控制标记符的分水岭算法分割图像,提取出腹部CT图像中的病变组织.结果 实验结果表明,该算法能够在较少的人工干预下快速分割出肝脏病变组织.结论 该算法实现了腹部CT图像中肝脏病变组织的提取.     

交互式GACV模型的肿瘤图像分割

目的:提取医学图像中肿瘤区域,用以测量肿瘤体积问题。方法:提出一种基于GACV(Geodesic-Aided C-Vmethod)的交互式模型。该模型首先人工选取感兴趣区域,并在区域内设定初始水平集与肿瘤内部种子点,然后在感兴趣区域上应用将图像梯度边缘信息与图像区域灰度特性统一到同一分割中的GACV模型,得到肿瘤的粗分割结果。最后为去除目标内外孔洞,提出一种无损边缘的膨胀搜索算法,作为细分割。结果:将该模型应用于不同形状的肿瘤图像中,能成功检测肿瘤轮廓。通过实验与其它活动轮廓分割方法结果对比,结果显示该模型在准确分割肿瘤边界与分割算法耗时方面均具有良好表现。结论:本文提出的分割方法能高效率、准确识别肿瘤区域。     

基于骨髓细胞图像的流域分割新算法

为克服重叠骨髓细胞对图像分析造成的困难,需将重叠细胞群分离成单个细胞。为此,提出了一种基于流域分割的骨髓细胞二值显微图像的分割方法。首先,用迭代腐蚀方法从重叠细胞中检测出种子数。然后,以极限腐蚀集合作为种子点进行区域生长,直到原图的所有像素均被重新吸收。为了提高运算速度,在种子点选取和区域生长方面进行了控制处理。本研究在Matlab环境下运用此算法对多幅细胞图像进行了分割,实验结果表明,该算法能够得到较好的分割结果。     

Segmentation of liver tumors for CT images based on mathematical morphology

目的 肝脏肿瘤的提取是肝脏三维可视化、手术规划和模拟的基础,而当前肿瘤分割存在干预过多和分割效果不佳的问题.方法 本文通过对腹部CT图像进行高斯平滑以去除图像噪声和细密纹理,计算出图像的形态学梯度并用高、低帽变换进行增强,再根据用户选择点计算内部和外部标记符,然后基于控制标记符的分水岭算法分割图像,提取出腹部CT图像中的病变组织.结果 实验结果表明,该算法能够在较少的人工干预下快速分割出肝脏病变组织.结论 该算法实现了腹部CT图像中肝脏病变组织的提取.     

Automatic Colon Segmentation with Dual Scan CT Colonography

We present a fully automated three-dimensional (3-D) segmentation algorithm to extract the colon lumen surface in CT colonography. Focusing on significant-size polyp detection, we target at an efficient algorithm that maximizes overall colon coverage, minimizes the extracolonic components, maintains local shape accuracy, and achieves high segmentation speed. Two-dimensional (2-D) image processing techniques are employed first, resulting in automatic seed placement and better colon coverage. This is followed by near-air threshold 3-D region-growing using an improved marching-cubes algorithm, which provides fast and accurate surface generation. The algorithm constructs a well-organized vertex-triangle structure that uniquely employs a hash table method, yielding an order of magnitude speed improvement. We segment two scans, prone and supine, independently and with the goal of improved colon coverage. Both segmentations would be available for subsequent polyp detection systems. Segmenting and analyzing both scans improves surface coverage by at least 6% over supine or prone alone. According to subjective evaluation, the average coverage is about 87.5% of the entire colon. Employing near-air threshold and elongation criteria, only 6% of the data sets include extracolonic components (EC) in the segmentation. The observed surface shape accuracy of the segmentation is adequate for significant-size (6 mm) polyp detection, which is also verified by the results of the prototype detection algorithm. The segmentation takes less than 5 minutes on an AMD 1-GHz single-processor PC, which includes reading the volume data and writing the surface results. The surface-based segmentation algorithm is practical for subsequent polyp detection algorithms in that it produces high coverage, has a low EC rate, maintains local shape accuracy, and has a computational efficiency that makes real-time polyp detection possible. A fully automatic or computer-aided polyp detection system using this technique is likely to benefit future colon cancer early screening.     

基于2.5D级联卷积神经网络的CT图像胰腺分割方法

目的:由于胰腺体积小、形态个体差异性大，影像上的准确分割较为困难。本文提出一种基于2.5D级联卷积神经网络的CT图像胰腺分割方法。方法:实验中使用的数据为NIH胰腺分割公开数据集，共包含82例腹部CT图像，随机选取其中56、9、17例分别作为训练集、验证集和测试集；训练过程中使用旋转、拉伸、平移、裁剪等操作对数据进行扩增。实验中提出一种用于胰腺分割的、结合概率图的2.5D级联深度监督UNet，即CSNet（Cascading deep Supervision UNet）。该网络由3个部分组成:第1部分基于UNet，输入连续5层图像，输出中间3层对应的粗分割图像，设置适当的阈值，使其变成二值的粗分割结果；第2部分将第1层、第3层的粗分割结果与中间层的原始图像相结合，输入另一个深度监督UNet网络，得到中间层的精细分割；第3部分将第1部分网络输出的中间层的粗分割概率图与第2部分网络输出的细分割概率图通过1×1卷积进行概率融合得到最终的输出结果。3个子网络同时进行训练，对应的能量函数联合优化，从而得到更精准的分割结果。最后，使用DSC对分割结果进行评估。结果:在独立测试集上，CSNet实现了（83.74±5.27）%的DSC值。结论:CSNet可以准确分割出CT图像上的胰腺区域。     

基于CT图像对人体肝副裂的观察研究

目的 总结分析肝副裂的CT影像,以期提高对肝副裂的认识,避免误诊及手术损害。方法回顾性分析2020年9月至12月东莞康华医院1449例上腹部CT,观察肝副裂的检出率及影像表现,记录其分布及形态。结果 1449例CT中共检出205例具有肝副裂,其CT发现率为14.1%(205/1449),其中男性125例（61%）,女性80例（39%）,不同性别肝副裂检出率无统计学差异（χ2=0.592,P>0.05）;所检出肝副裂分布以肝右前叶下段发生率最高（55%）;随着年龄的增长,肝副裂的数目、长度、宽度随之增加,且具有统计学差异（P<0.05）;肝副裂CT影像可表现为波浪型（24例）、膈褶型（5例）、楔型（107例）、沟型（68例）及不规则型（1例）。结论 肝副裂在人群中分布广泛,多排螺旋CT可有效地观察到肝副裂的存在,了解其形态、分布特点,有助于减少对肝副裂的误诊。     

基于图谱的肝脏CT三维自动分割研究

目的在肝脏外科手术或肝脏病理研究中,计算肝脏体积是重要步骤。由于肝脏外形复杂、临近组织灰度值与之接近等特点,肝脏的自动医学图像分割仍是医学图像处理中的难点之一。方法本文采用图谱结合3D非刚性配准的方法,同时加入肝脏区域搜索算法,实现了鲁棒性较高的肝脏自动分割程序。首先,利用20套训练图像创建图谱,然后程序自动搜索肝脏区域,最后将图谱与待分割CT图像依次进行仿射配准和B样条配准。配准以后的图谱肝脏轮廓即可表示为目标肝脏分割轮廓,进而计算出肝脏体积。结果评估结果显示,上述方法在肝脏体积误差方面表现出色,达到77分,但在局部（主要在肝脏尖端）出现较大的误差。结论该方法分割临床肝脏CT图像具有可行性。