基于金字塔模型和Mean Shift算法的门静脉和主动脉分割方法

目的 基于目前临床在绘制肝门静脉和主动脉的时间-密度曲线方面存在的问题,提出一种准确分割肝脏CT灌注成像(CTPI)图中肝脏门静脉和主动脉的方法。方法 采用金字塔模型,结合Mean Shift分割算法对肝脏CTPI图像中的门静脉和主动脉进行分割,并在此基础上计算时间-密度曲线。结果 此方法能实现对肝脏CTPI图像中门静脉和主动脉的有效分割,绘制出准确、平滑而无毛刺的门静脉和主动脉的时间-密度曲线。结论 此方法有助于临床客观、准确地评估肝功能和诊断病变。     

对角线剖面分析引导的全自动肺CT图像分割

目的 提出一种基于对角线剖面分析的全自动肺CT图像分割方法。方法 首先构造待分割图像的对角线剖面图, 然后自动分析该剖面, 得到各组织结构的位置信息和像素值信息, 引导区域增长算法分离患者身体和背景, 再利用灰度阈值算法分离胸壁与肺区, 再用数学形态学算法修正肺边缘, 得到肺区掩模图像, 最后利用肺区掩模图像与原图像运算提取肺区。结果 利用从不同数据库选取的51幅CT图像检验提出的方法, 所得结果与诊断医师手工分割结果进行比较, 计算重叠率指标(OR), 最低OR为95.86%, 最高OR为99.25%, 平均OR为97.85%。结论 对角线剖面分析方法能高效地实现全自动肺CT图像分割。     

颅内上皮样血管内皮瘤1例

目的 针对目前基于胸部CT图像的肺结节自动检测方法的检出率较低且存在大量假阳性的问题,提出一种基于卷积神经网络的肺结节检测方法。方法 采用基于模糊建模思想和迭代相对模糊连接度（IRFC）算法的自动解剖识别（AAR）方法分割肺部CT图像,提取肺部实体部分;将分割后的图像输入卷积神经网络,提取肺结节特征;采用位置敏感特征图表达结节的位置信息。结果 使用天池医疗AI大赛数据集,精准分割肺部CT图像,检测肺结节的准确率、敏感度、特异度和假阳性率分别为95.60%、95.24%、95.97%和4.03%。结论 基于卷积神经网络检测肺结节有较高的精度和效率,且鲁棒性好。     

基于改进移动立方体算法的三维重建

目的 探讨基于改进移动立方体算法的腹部器官CT图像三维重建效果。方法 提出一种基于区域增长法的通用树结构和移动等值点法的自适应改进移动立方体算法,先进行医学图像分割,选取种子点后标记出与阈值相交的所有体元;创建通用树结构,将相交体元插入子节点中,确定基于通用树的顶点索引方式;通过移动等值点合并共面三角形,简化等值点信息的获取。基于1名志愿者的腹部CT图像,采用传统移动立方体算法和改进移动立方体算法构建肾脏三维模型,并比较其效果。结果 与传统算法比较,改进的移动立方体算法生成的三角面片个数减少39.20%,算法执行效率提高37.59%,三维模型表面平滑逼真,局部细节真实性较好。结论 基于改进移动立方体的算法可更快速精确地实现CT图像腹部器官三维重建。     

直线加速器机载锥形束CT图像散射的修正方法

目的 对直线加速器机载锥形束CT(CBCT)散射修正方法进行研究.方法 在CBCT射线源前放置一个"指交叉"形的阻挡光栅,对Catphan 504模体进行扫描,分别获得CBCT图像和扇形束CT图像.利用基于阈值的图像分割算法跟踪机架旋转过程中阻挡光栅在CBCT图像中的位置,提取散射样本后利用插值法估计散射信号分布,采用改进的半扇扫描重建算法重建散射修正后的图像.结果 散射修正后的Catphan 504模体图像与扇形束CT重建的图像接近.与散射修正前比较,散射修正后CT值误差从100.86 HU下降到15.74 HU,散射修正后低对比度分辨力平均提高1.37倍.结论 基于阈值的图像分割算法准确跟踪阻挡光栅的位置,在铅片区域可采集散射信号,其余区域可通过改进的半扇扫描算法完成单次扫描的图像重建.     

双源CT心脏图像中二尖瓣的分割及三维重建

目的 对双源CT(DSCT)图像中心脏二尖瓣进行分割和三维重建,为二尖瓣结构和功能异常分析提供参考。 方法 采用两步分割法对DSCT图像中二尖瓣分割:首先利用基于区域竞争主动轮廓模型的快速水平集算法(RCAC-FLSA)对经过双边滤波处理后图像进行初步分割,得到心脏对比剂增强区域;然后在灰度拉伸处理的基础上,结合ROI,再次利用RCAC-FLSA对上一步分割结果进行分割,得到心脏二尖瓣区域;最后对二尖瓣进行恢复。在Visual C++ 2005平台上结合OpenGL开发三维重建与显示平台,利用基于三维纹理映射的体绘制方法进行三维重建,并且加入伪彩色处理和透明度处理,以增强三维重建的立体效果。 结果 成功分割出一系列DSCT心脏图像中的二尖瓣,结合伪彩色处理和透明度处理的三维重建与显示平台,可获得二尖瓣的逼真重建。 结论 两步分割算法能有效分割DSCT心脏图像中的二尖瓣;结合伪彩色处理和透明度处理的三维重建与显示平台,能提供逼真的三维重建效果。     

基于扩散张量成像的婴幼儿大脑图像自动分割

目的 探讨基于扩散张量成像（DTI）的婴幼儿大脑图像自动分割方法的可行性及价值。方法 提出一种基于DTI图像的婴幼儿大脑的分割方法。该方法主要分为2个阶段：①利用水的分布,提取脑脊液（CSF）;②利用水在神经元中的各向异性扩散,提取白质（WM）,继以区分灰质（GM）成分。结果 通过本研究设计的特征选取方法可筛选出有效的DTI特征组合。第1步以平均扩散率（MD）和第3个特征值（L3）为组合特征提取CSF,第2步以各向异性分数（FA）和L3为组合特征提取WM和GM,可获得最高的平均相似性。经2步分割可成功进行婴幼儿大脑图像分割并获得满意的分割效果。结论 基于DTI的婴幼儿大脑图像自动分割方法合理、可行,具有较高的分割精确度。     

基于MRI图像的羊水体积的测量

目的 探讨基于MRI图像,通过算法计算测量羊水量的可行性。方法 利用MatLab图像处理技术,对胎儿磁共振图像进行分割,提取目标区域并计算目标区域的面积,乘以层厚得出一层的体积,再将每层体积相加计算得到羊水总体积。结果 通过该算法最终计算得出羊水的体积为495.10 ml。定性分析显示,图像羊水分割边缘与原图目标区域的边缘拟合较好。定量分析显示,手动金标准分割的体积为458.20 ml,本研究算法与手动分割结果的误差率为8.06%。脂肪抑制序列图像分割效果定性评价亦显示羊水分割边缘与原图目标区域的边缘拟合较好;定量分析显示,金标准手动计算得到的羊水量为557.34 ml,本研究算法计算得到的羊水量为604.50 ml,与手动分割的误差率为8.46%。结论 采用本研究算法测量羊水量切实可行。     

改进型骨骼细化算法提取冠状动脉中心线

目的 运用全自动骨骼细化算法从CT图像中精确提取冠状动脉的中心线。方法 分割CT图像中的冠状动脉区域，经三维重建得到完整的冠状动脉三维数据；利用骨骼细化算法提取该冠状动脉的中心线，引入Dijkstra最短路径算法提升提取精度。结果 相比未移除分支的骨骼细化算法，重叠率提升2%，平均距离减少38.2%，平均运行时间0.48 s。结论 改进型骨骼细化算法可有效提取冠状动脉中心线。     

基于交替投影的CT图像重建算法

目的 探讨基于交替投影的CT图像重建算法的可行性。方法 将CT图像的重建转化为凸集优化问题,将重建模型分解为多个约束,并确定其对应的凸集,通过交替投影的方式在其交集中找到可行解。对TV先验项构成的凸集的求解,通过定义TV函数的上方图集,利用点到这个凸集的切向超平面的连续投影,找到起始点到TV凸集最近的点。分别采用CPTV算法、TV-POCS算法和基于交替投影的CT图像重建算法对Shepp-Logan头部图像进行重建,比较不同算法对不同角度投影图像重建后的均方根误差（RMSE）。分别采用TV-POCS算法和基于交替投影的CT图像重建算法对小鼠脊椎轴位图像进行重建,比较两种算法的归一化均方距离（d）和归一化平均绝对距离（r）。结果 CPTV算法所重建的图像平滑性较差,伪影较多,而TV-POCS算法和基于交替投影的重建算法不仅有效抑制了噪声,还保护了图像的边缘,图像质量较高。基于交替投影的重建算法的RMSE比另外两种算法下降速度更快,收敛值更小。基于交替投影的重建算法重建图像的d和r值均小于TV-POCS算法（0.064 0 vs 0.262 4,0.073 7 vs 0.298 2）。结论 采用基于交替投影的重建算法重建有限角度的CT投影图像不需参数估计,且图像质量更高,收敛速度更快。     

一种数字人脑部切片图像分割新方法

目的 提出一种人脑切片图像自动分割算法,以克服现有的方法对大量人工参与的依赖.方法 针对人脑切片图像的特征,提出一种基于区域生长的灰度直方图阈值化分割算法.首先通过区域生长过程对图像进行初始的粗分割,再用直方图阈值化方法进行二次细分割提取目标区域.结果 采用此方法准确有效地分割出了大脑白质和大脑皮质.结论 此算法结合切片图像的全局信息和局部信息应用于分割,是一种比较好的分割方法.     

基于卷积神经网络检测肺结节

Objective Major challenges in the current automatic detection of lung nodules from chest CT images are to improve the sensitivity and to reduce the false positive rate. A new scheme based on convolutional neural network was proposed in this study. Methods The method applied an automatic anatomy recognition (AAR) methodology based on fuzzy modeling ideas and an iterative relative fuzzy connectedness (IRFC) delineation algorithm for the segmentation of lung parenchyma in CT images. The segmented lung image was inputted into the conventional neural networks for feature extraction of pulmonary nodules. The network adopted position-sensitive score maps to express the location information of lung nodules. Results This method could obtain accurate segmentation of the lung parenchyma in the data set of Tianchi Medical AI Contest, and the accuracy, sensitivity, specificity and false-positive rate of lung nodules detected was 95.60%, 95.24%, 95.97% and 4.03%, respectively. Conclusion Detection of pulmonary nodules based on convolutional neural networks has high accuracy and efficiency, and good robustness.     

Fully automatic segmentation of the Femur from 3D-CT images using primitive shape recognition and statistical shape models

Purpose

Femur segmentation is well established and widely used in computer-assisted orthopedic surgery. However, most of the robust segmentation methods such as statistical shape models (SSM) require human intervention to provide an initial position for the SSM. In this paper, we propose to overcome this problem and provide a fully automatic femur segmentation method for CT images based on primitive shape recognition and SSM.

Method

Femur segmentation in CT scans was performed using primitive shape recognition based on a robust algorithm such as the Hough transform and RANdom SAmple Consensus. The proposed method is divided into 3 steps: (1) detection of the femoral head as sphere and the femoral shaft as cylinder in the SSM and the CT images, (2) rigid registration between primitives of SSM and CT image to initialize the SSM into the CT image, and (3) fitting of the SSM to the CT image edge using an affine transformation followed by a nonlinear fitting.

Results

The automated method provided good results even with a high number of outliers. The difference of segmentation error between the proposed automatic initialization method and a manual initialization method is less than 1 mm.

Conclusion

The proposed method detects primitive shape position to initialize the SSM into the target image. Based on primitive shapes, this method overcomes the problem of inter-patient variability. Moreover, the results demonstrate that our method of primitive shape recognition can be used for 3D SSM initialization to achieve fully automatic segmentation of the femur.     

超声图像中基于经验模态分解自动提取内-中膜厚度

目的为改善传统人工标记测量血管内-中膜厚度(IMT)的准确性和稳定性,提出基于图像分割技术的经验模态分解(EMD)改进算法。方法采用EMD改进算法去噪,根据血管壁的特点,在其中的极值点插值步骤使用非均匀的二维B样条函数,在水平和垂直方向上控制网格的密度不同,分别满足不同的分辨精度和平滑程度要求,改进了原始的二维EMD算法;然后通过K均值方法从图像中分离出血管腔、血管壁和其他组织,使用数学形态学算法逐步得到最终的内-中膜组织分割结果。结果改进EMD算法取得了较好的重建和滤波效果,有效克服了超声图像的强噪声和低分辨力对图像分割的限制,整个算法分割比较准确,算法复杂度相对较小。结论改进EMD算法是在超声图像中自动提取内-中膜的较有潜力的方法,能有效去除超声噪声,同时保留条纹结构的细节和边缘信息,有望于其他强噪声环境下提取条纹结构。     

Automated aorta segmentation in low-dose chest CT images

Purpose

   Abnormalities of aortic surface and aortic diameter can be related to cardiovascular disease and aortic aneurysm. Computer-based aortic segmentation and measurement may aid physicians in related disease diagnosis. This paper presents a fully automated algorithm for aorta segmentation in low-dose non-contrast CT images.

Methods

   The original non-contrast CT scan images as well as their pre-computed anatomy label maps are used to locate the aorta and identify its surface. First a seed point is located inside the aortic lumen. Then, a cylindrical model is progressively fitted to the 3D image space to track the aorta centerline. Finally, the aortic surface is located based on image intensity information. This algorithm has been trained and tested on 359 low-dose non-contrast CT images from VIA-ELCAP and LIDC public image databases. Twenty images were used for training to obtain the optimal set of parameters, while the remaining images were used for testing. The segmentation result has been evaluated both qualitatively and quantitatively. Sixty representative testing images were used to establish a partial ground truth by manual marking on several axial image slices.

Results

   Compared to ground truth marking, the segmentation result had a mean Dice Similarity Coefficient of 0.933 (maximum 0.963 and minimum 0.907). The average boundary distance between manual segmentation and automatic segmentation was 1.39 mm with a maximum of 1.79 mm and a minimum of 0.83 mm.

Conclusion

   Both qualitative and quantitative evaluations have shown that the presented algorithm is able to accurately segment the aorta in low-dose non-contrast CT images.     

基于V-Net卷积神经网络深度学习模型自动分割腰椎CT图像中的椎旁肌

目的 观察基于V-Net卷积神经网络(CNN)的深度学习(DL)模型自动分割腰椎CT图像中的椎旁肌的价值。方法 收集471例接受腰椎CT检查患者，按7∶3比例将其分为训练集(n=330)和测试集(n=141);采用2D V-Net进行训练，建立DL模型；观察其分割腰大肌、腰方肌、椎后肌群及椎旁肌的价值。结果 基于V-Net CNN的DL模型分割椎旁肌精度良好，戴斯相似系数(DSC)均较高、肌肉横截面积误差率(CSA error)均较低；其分割训练集图像中的腰大肌、腰方肌及椎旁肌的DSC均高于测试集(P均<0.05),而分割训练集中4组肌肉的CSA error均低于测试集(P均<0.05)。测试集内两两比较结果显示，该模型分割椎后肌群的DSC最高、腰方肌的DSC最低；分割腰方肌的CSA error最高、椎旁肌的CSA error最低(P均<0.05)。结论 以基于V-Net的DL模型自动分割椎旁肌的效能较佳。     

Semi-automatic level set segmentation of liver tumors combining a spiral-scanning technique with supervised fuzzy pixel classification

In this paper, a specific method is presented to facilitate the semi-automatic segmentation of liver tumors and liver metastases in CT images. Accurate and reliable segmentation of tumors is essential for the follow-up of cancer treatment. The core of the algorithm is a level set method. The initialization is generated by a spiral-scanning technique based on dynamic programming. The level set evolves according to a speed image that is the result of a statistical pixel classification algorithm with supervised learning. This method is tested on CT images of the abdomen and compared with manual delineations of liver tumors. The described method outperformed the semi-automatic methods of the other participants of the “3D Liver Tumor Segmentation Challenge 2008”. Evaluating the algorithm on the provided test data leads to an average overlap error of 32.6% and an average volume difference of 17.9%. The average, the RMS and the maximum surface distance are 2.0, 2.6 and 10.1 mm, respectively.