基于小波分解与马尔可夫随机场的医学图像矢量量化分割

本文通过离散小波变换分解图像提取图像分割特征,利用矢量量化聚类和马尔可夫随机场建立分割模型,运用迭代条件模式法进行优化分割.同时,利用小波分解层之间的相似性关系,以上一层的优化分割结果作为当前空间内的初始条件进行逐层分割.实验证明,本方法能有效地对医学图像进行分割.     

基于混合金字塔吉布斯随机场模型的图像分割

最大后验 (Maximumaposterior ,MAP)估计已被广泛应用于基于吉布斯随机场 (GibbsRandomFields,GRF)的贝叶斯图像分割中。然而迄今为止 ,严格意义上的MAP估计仍无法实现 ,近似的MAP分割也遇到如 :计算量极大和GRF模型参数无监督估计难等问题。因此 ,针对这些困难 ,通过利用混合金字塔结构 ,扩展了传统单分辨率意义上GRF模型 ,提出一种多分辨率的混合金字塔吉布斯模型 ,从而圆满地解决这些难题。实验表明 :提出的模型算法有很好的鲁棒性 ,且易于实现对图像快速、精确分割。     

基于Gibbs随机场的有限混合模型改进与脑部MR图像的稳健分割

有限混合(FM)模型已经广泛地应用于图像分割，但是由于没有考虑空间信息，导致分割的结果对噪声很敏感，分割出的区域存在很多杂散的孤立点。本文Gibbs随机场理论的指导下，将空间信息引入FM模型，提出了改进的脑部MR图像分割算法。此外，由树形K平均聚类来估计初始参数，实现了全自动的图像分割。本研究进行了仿真MR图像和真实MR图像的分割实验，定量的数据分析表明，我们所提的改进算法对噪声不敏感，可以更精确地将脑部MR图像标记为灰质、白质与脑脊液三种组织类型。     

基于先验知识和MRF随机场模型的医学图像弹性配准方法

本研究提出了一种新的基于先验知识的弹性配准算法，首次把马尔可夫模型应用于图像的弹性配准方面。为了把关于变形场的先验知识融合到弹性配准过程中，本研究以马尔可夫随机场模型作为理论框架，以B样条为基函数来构造弹性变形模型，以弹性模型的B样条系数作为待估参数，以原图像和变形图像作为已知条件，把弹性变形模型和关于变形场的先验知识有机的融合到了马尔可夫随机场模型中，实现了一种基于变形场先验知识的弹性配准算法。这种新算法因为有变形场的先验知识，所以可以得到更好配准结果。本研究以变形场的平滑作为先验知识，可以有效改善局部极值的状况，提高算法的可靠性和鲁棒性。本研究分别对2D和3D图像进行了试验，试验结果证明了这种算法的有效性。     

基于人工生命的医学图像分割

医学图像中解剖结构和相关诊断信息的提取有着极为重要的意义，但目前的分割算法大都需要借助专家的干预和监控，寻求一种全自动分割的方法变得日益重要。人工生命的方法有助于人们了解生物学规律，并且在机器人、计算机图形学等方面得到了成功应用。主要介绍基于人工生命的方法在医学图像自动分割领域的初步应用。     

基于人工生命的医学图像分割

医学图像中解剖结构和相关诊断信息的提取有着极为重要的意义,但目前的分割算法大都需要借助专家的干预和监控,寻求一种全自动分割的方法变得日益重要。人工生命的方法有助于人们了解生物学规律,并且在机器人、计算机图形学等方面得到了成功应用。主要介绍基于人工生命的方法在医学图像自动分割领域的初步应用。     

基于模糊小波神经网络的磁共振图像分割方法

针对磁共振图像分割的特点,将小波分析优异的局部特性、模糊逻辑的定性知识表达能力和神经网络的自学习能力结合起来,提出了一种基于模糊小波神经网络的磁共振图像分割方法.该方法采用小波函数作为模糊隶属函数,利用神经网络实现模糊推理,并采用反向误差传播算法对网络进行训练.实验结果表明,这种基于模糊小波神经网络的磁共振图像分割方法与普通神经网络分割方法相比,具有更高的分割精度和更快的训练收敛速度.     

基于中层特征的医学图像分割研究进展

图像的中层特征将图像中的全局信息和局部信息结合,同时具备代表性和特异性,能够更好地表达图像的信息。已有的研究工作成功地将中层特征用于医学图像的分割,主要的方法包括稀疏编码和空间金字塔匹配(spatial pyramid matching,SPM)算法,词典学习,以及神经网络等算法。中层特征的应用提高了算法性能。本文介绍了现有的基于中层特征的医学图像分割算法,并对今后的研究工作进行了展望。     

自适应特征融合和条件随机场的乳腺病理图像诊断算法

肿瘤病理学分析是常见的癌症诊断方法之一。基于深度学习的病理检测方法取得了良好性能,然而针对组织切片的处理方法往往会忽略病理组织空间相关性,为了更加准确地获取乳腺癌分类结果和恶性肿瘤位置信息,提出嵌入自适应特征融合模块和均值条件随机场的Transformer框架,利用反向传播算法端到端地训练整个框架。自适应特征融合模块采用可学习参数将改进的自注意力和多感受野卷积模块自适应结合,获取多尺度语义特征,从全局和局部的角度增强模型特征提取能力;提出均值条件随机场与主干网络结合,整合组织切片间的空间相关性,获取病理组织间的形态学信息。实验结果表明：所提方法在切片级图像上准确率高达95.51%,在全切片扫描图像的AUC、FROC分别为0.974 5、0.810 2,有较好的可行性,提高了病理图像分类临床诊断准确率。     

基于level sets的医学图像分割

医学图像分割是一个非常重要的研究领域.它主要应用于病人诊断、图像引导手术,以及医学数据可视化.解决这个问题的一个常用方法就是利用活动轮廓或"snake"来分割感兴趣的物体.文中给出两种活动轮廓模型,其中一种基于边缘停止函数,而另一种是一个能量最小化算法.两种方法都采用level-sets模型,利用一个Lipschitz函数φ来进行自动拓扑变化.实验表明第一种方法仅仅只能检测边缘梯度较大的物体,而第二种方法没有这样的限制.     

医用内窥镜图像自适应量化压缩编化码方法研究

本文提出了一种与ＪＰＥＧ标准完全兼容的医用内窥镜图像自适应量化压缩编码方法,方法采用二次扫描的措施,根据原始图像的频谱分布特点,自适应地修正ＪＰＥＧ推荐的量化表。实验结果表明：该方法较之于标准ＪＰＥＧ图像压缩,峰值信噪比（ＰＳＮＲ）明显提高,可在相同压缩比下,保持更多的图像细节,特别适合于医学图像的压缩。     

基于改进的k-均值聚类和数学形态学的彩色眼科图像病灶分割

病灶面积的定量化研究在眼科临床上具有重要的意义 ,为此首先需要把病灶从眼科图像中分割出来。已有的分割算法未充分利用眼科图像的整体信息 ,不适用于角膜病灶的分割。因此 ,本文提出了一种新算法 :首先利用改进的k 均值算法 ,对色度和亮度进行聚类 ,再通过数学形态学运算分割角膜病灶。实验结果表明 ,该算法能有效地分割出彩色眼科图像中的病灶     

利用图谱匹配分割标注VHP数据集

利用TT脑图谱中丰富的结构信息,本文提出了一种自动分割脑图像的方法,并将其用于Visible Human数据集（VHD）的脑图像的分割,这种方法可分为两步,首先,将VHD中的脑图像和TT Atlas配准,通过图像和医学图谱的匹配,可以把图谱中存储的拓朴信息直接映射到ＶＨＤ,然后,利用这个预分割的模板对VHD脑图像进行模糊聚类分割,为自动将模板中的结构信息用于分割,本文利用Chamfer距离变换,提出了一中引入形状因子的FCM聚类算法。     

Adaptive segmentation of cerebrovascular tree in time-of-flight magnetic resonance angiography

Accurate segmentation of the human vasculature is an important prerequisite for a number of clinical procedures, such as diagnosis, image-guided neurosurgery and pre-surgical planning. In this paper, an improved statistical approach to extracting whole cerebrovascular tree in time-of-flight magnetic resonance angiography is proposed. Firstly, in order to get a more accurate segmentation result, a localized observation model is proposed instead of defining the observation model over the entire dataset. Secondly, for the binary segmentation, an improved Iterative Conditional Model (ICM) algorithm is presented to accelerate the segmentation process. The experimental results showed that the proposed algorithm can obtain more satisfactory segmentation results and save more processing time than conventional approaches, simultaneously.