基于模糊空间的骨膜显微图像识别

医学图像的目标描述往往是带有模糊性的。随着计算技术的发展,模糊逻辑理论渐被引入医学图像处理的理论研究和实际应用中。而采色医学图像和灰度图像具有不同的空间表达和模糊描述方式,其分析处理方法也有区别。我们阐述了一种基于模糊空间的彩色色骨膜显微图像识别,提出用模糊算法进行彩色图像增强、特征撮和自动分割,完成了对骨膜显微图像中的骨细胞的分割过程。通过对多幅实际采集的彩色图像进行处理,实验结果结果表明是一种     

医学图像实例分割:从有候选区域向无候选区域EI北大核心CSCD

医学图像中目标的检测和分割任务是近年来图像处理领域中的研究热点和难点。实例分割为属于同一类的不同对象提供实例级标签,因此广泛应用于医学图像处理领域。本文对医学图像实例分割从以下几个方面进行总结:第一,阐述实例分割的基本原理,将实例分割模型归纳为三类,并采用二维空间展示实例分割算法发展脉络,给出六个实例分割经典模型图;第二,从两阶段实例分割、单阶段实例分割以及三维(3D)实例分割三类模型的角度出发,分别总结三类模型的思想,探讨优缺点和梳理最新发展;第三,总结了实例分割在结肠组织图像、宫颈图像、骨显像图像、胃癌病理切片图像、肺结节计算机断层扫描图像和乳腺X线片图像等六种医学图像的应用现状;第四,讨论当前医学图像实例分割领域面对的主要挑战,并展望未来的发展方向。本文系统总结实例分割的原理、模型、特点,以及实例分割在医学图像处理领域中的应用,对实例分割的研究具有积极的指导意义。     

人工智能方法在医学图像处理中的研究新进展

目的:随着医学影像智能化诊断的快速发展,为了满足愈加复杂的医学图像分析和处理要求,人工智能方法成为近年来医学图像处理技术发展的一个研究热点。本文对近五年来人工智能方法在医学图像处理领域应用的新进展进行综述。方法:将应用在医学图像处理领域主要的几种人工智能方法进行了分类总结,讨论了这些方法在医学图像处理各分支领域的应用,分析比较了不同方法间的优缺点。结果:人工智能方法应用主要在医学图像分割、图像配准、图像融合、图像压缩、图像重建等领域;包括蚁群算法、模糊集合、人工神经网络、粒子群算法、遗传算法、进化计算、人工免疫算法、粒计算和多Agent技术等;涉及MR图像、超声图像、PET图像、CT图像和医学红外图像等多种医学图像。结论:由于医学影像图像对比度较低,不同组织的特征可变性较大,不同组织间边界模糊、血管和神经等微细结构分布复杂,尚无通用方法对任意医学图像都能取得绝对理想的处理效果。改进的人工智能方法与传统图像处理方法的结合,在功能上相互取长补短,将是医学图像处理技术重要的发展趋势。     

基于MITK的医学影像三维可视化研究

利用MITK在VC6.0环境下编程实现对多组医学图像数据的三维可视化,通过对实际数据和不同算法的面绘制、体绘制、分割和配准等多方面的研究,考察了MITK在医学图像处理和三维可视化领域的实用性.结果 表明MITK编程实现较容易,成像速度快,效果好,针对医学影像处理有其独特的优势.MITK作为一种医学图像处理和三维可视化的工具,功能十分强大,完全可以与现有的同类软件包相媲美.     

生成式对抗网络在医学图像处理中的应用

近年来,研究人员将众多领域方法引入到医学图像处理中。经过不断改进,医学图像处理算法的效果和效率均得到不同程度的提高。目前,生成式对抗网络(GAN)在医学图像处理领域中的应用研究发展迅速。本文主要综述了GAN在医学图像处理中的应用研究情况,介绍了GAN的基本概念,并从医学图像降噪、检测、分割、合成、重建和分类等六个方面对GAN应用研究的最新进展进行了归纳总结,最后对该领域中值得进一步研究的方向进行了展望。     

国产MITK软件在医学影像三维可视化中的应用研究

目的研究MITK在医学图像处理和三维可视化方面的功能和作用，考察其在医学影像研究领域的实用性。方法利用MITK在VC6．0环境下编程实现对多组医学图像数据的三维可视化，通过对不同数据和算法的面绘制、体绘制、分割和配准等多方面的研究，讨论了它们各自的特点。结果MITK编程实现较容易，成像速度快，效果好，针对医学影像处理有其独特的优势。结论MITK作为一种医学图像处理和三维可视化的工具，功能强大，完全可以与现有的同类软件包相媲美。     

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.     

基于Snake模型的医学图像分割

基于Snake模型的图像分割技术是近年来图像处理领域的研究热点之一.Snake模型承载上层先验知识并融合了图像的底层特征,针对医学图像的特殊性,能有效地应用于医学图像的分割中.本文对各种基于Snake模型的改进算法和进化模型进行了研究,并重点梳理了最新的研究成果,以利于把握基于Snake模型的医学图像分割方法的脉络和发展方向.     

结合蚁群算法的Snake模型的医学图像分割方法

图像分割是医学图像处理中一个网难而又极其重要的课题.本文提出一种新的结合Snake模型和蚁群算法的图像分割算法.Snake模型是一种将目标的轮廓模型与图像特征相匹配的分割方法,而蚁群算法可以帮助人们理解生物系统的原理以及在机器人技术、计算机图形学等领域已经得到广泛应用.本文在结合已有Snake模型和蚁群算法优点的基础上,提出了新的图像蚁群分割模型.实验结果表明,本文提出的分割方法能够比较好的保留图像的细节信息,并具有一定的抗噪声能力.     

医学图像分割技术研究

医学图像分割技术是医学图像处理和分析中的关键技术.医学图像分割在医学诊断中扮演着重要角色,是图像分割的一个重要应用领域.本文综述和讨论了近年来的医学图像发展概况、分割技术、研究热点及其医学图像分割的评价等问题,并简要讨论了每类分割方法的特点及医学图像分割发展趋势.     

超声图像血管分割的研究进展

主要阐述超声图像血管分割算法及其评价指标。基于特征提取的经典图像处理算法不能摆脱对人工的依赖,削弱了分割算法的泛化能力;但对于缺乏大样本超声血管图像的研究场景下,充分利用传统且成熟的技术方法却是一种可行的研究办法。基于机器学习的算法提高了分割算法的泛化能力,改善了传统方法的短板;但深度学习技术对数据的依赖性强、可解释性差,其算法的有效性、稳定性还需深入研究。血管分割评价算法的研究极其重要,研究适合超声图像血管分割的客观评价方法也是重要课题之一。总之,传统方法仍然是解决超声图像血管分割的有效方法,传统方法与深度学习技术的紧密结合是未来的发展趋势。     

基于多模态特征融合的脑瘤图像分割方法

针对目前大多数医学图像分割方法难以对多模态图像进行特征融合进而完成精确分割任务的问题,提出一种基于编码器-解码器总体架构的多模态脑瘤图像特征融合策略。首先,编码阶段利用孪生网络对不同模态数据进行特征提取,孪生网络结构参数和权值共享的特性可有效减少网络参数量;其次,在进行特征提取的编码阶段加入级间融合,保留不同模态的共性特征的同时强调其互补特征;然后,在解码阶段引入密集跳跃连接思想,最大程度结合不同尺度特征图的低级细节和高级语义信息;最后,设计混合损失函数,在网络生成的预测图受真值图监督的同时让最高级特征融合图也受同倍下采样真值图的监督。所提方法在公开数据集BraTS2019上进行实验,并用图像分割常用的5种指标进行评估。在脑瘤及水肿区域分割任务中得到平均Dice系数为0.884,阳性预测率为0.870,灵敏度为0.898,豪斯多夫距离为3.917,平均交并比达到79.1%,与较先进的算法U-Net和PA-Net相比多项指标均有提升。实验结果说明,级间融合和层间跳跃连接的加入对多模态医学图像的分割效果有所提升,在医学上对脑肿瘤磁共振图像进行病变区域分割具有重要的应用价值和理论意义。     

一种新型的医学图像分割评价方法

通过分析几种常用的医学图像分割评价方法,提出了一种新型的评价方法.此方法不仅能有效地反映出分割结果相比目标轮廓线的偏差最.还能反映出轮廓线附近的波动状况.再者,此方法的结果不仅能横向比较(比较小同算法对同一目标的分割结果),还能纵向比较(比较同一算法对不同目标的分割结果).实验结果证明,本文提出的评价方法具有良好的临床价值.     

医学图像处理中有关图像分割的新技术

图像分割是图像处理中最基本和最主要的技术.本文简要介绍了医学图像分割的常用分割方法,主要包括阈值分割、神经网络分割、模糊分割、遗传算法、统计方法和基于特定模型等方法的图像分割.并对其近年来的进展和应用进行了综述.     

基于增强CT的手动勾画与基于PET-CT的自动勾画方法在鼻咽癌放疗中的对比研究

目的:探究基于增强CT的手动勾画与基于PET-CT的自动勾画方法在鼻咽癌放疗中的优劣性及应用价值。方法:采集34例鼻咽癌患者的PET-CT数据,比较医生分别在增强CT和PET-CT图像上勾画靶区的差异性,以CSCO指南在PET-CT双模态融合图像上手动勾画的靶区作为金标准,应用Matlab软件计算单一标准摄取值（SUV）阈值分割法和MIM软件自带的PET-EDGE分割法两者的重叠率Dice和豪斯多夫距离HD值,并采用t检验进行统计学分析。结果:基于增强CT图像的手动勾画法、基于PET-CT图像的单一SUV阈值法以及PET-EDGE自动勾画法,3者靶区分割结果的Dice值分别为0.706、0.736、0.806,HD值分别为12.601、11.631、6.143 mm。以PET-CT双模态图像作为参考的靶区手动勾画法与基于增强CT的手动勾画存在差异（Dice:P=8.33×10-7;HD:P=1.065×10-18）;MIM软件自带的PET-EDGE靶区分割法Dice和HD值高于单一SUV阈值法,差异具有统计学意义（Dice:P=0.019 8;HD:P=0.013 7）。结论:在鼻咽癌肿瘤靶区的分割性能上,基于PET-CT图像的自动勾画优于基于增强CT图像的手动勾画,MIM软件自带的PET-EDGE分割法优于单一SUV阈值分割法。     

深度学习在细胞图像分析中的应用进展

随着显微技术的不断发展,显微镜已克服人眼的局限性成为研究细胞生物学必不可少的工具。近年来,显微技术在速度、规模以及分辨率等方面都有了巨大的进步。深度学习在图像处理尤其是细胞图像处理中的应用受到广泛关注。本文针对深度学习在细胞图像分析中常用的算法进行介绍,并对近几年深度学习在细胞图像处理中的应用进行详细论述,包括图像分类、图像分割、目标跟踪、图像超分辨重建4个方面。最后展望了深度学习在细胞图像分析中的机遇和挑战。     

卷积神经网络在医学图像分割中的研究进展

卷积神经网络（CNN）是目前计算机视觉和模式识别中效果最为突出的算法。CNN拥有强大的空间识别能力,可以从图像中提取高阶的空间特征,同时通过共用卷积核的方式大幅减少参数量,从而在提升网络性能的同时保持总参数量在一个合理的、可运算的范畴。部分采用无监督学习的CNN算法可以在没有先验知识的条件下实现一定程度的图像语义分割,大幅减少人工读图的负担。本研究就CNN在医学图像分割中的研究进展和使用CNN时的具体技巧及其效果进行综述。以使用CNN为核心的深度学习工具解决医学图像分割的课题为中心,展示了CNN在有监督学习、半监督学习及无监督学习中的巨大潜力,分析比较了现有方案的优点与不足,探讨了未来CNN在医学图像领域的前进方向。     

U-Net改进及其在新冠肺炎图像分割的应用

CT成像已成为检测新型冠状病毒肺炎（COVID-19）最重要的步骤之一。针对手动分割患者胸部CT图像中毛玻璃混浊区域繁琐的问题提出了一种自注意力循环残差U型网络模型来实现COVID-19患者肺部CT图像的自动分割,辅助医生诊断。在U-Net模型的基础上引入了循环残差模块和自注意力机制来加强对特征信息的抓取从而提升分割精度。在公开数据集上的分割实验结果显示,该算法的Dice系数、敏感度和特异度分别达到了85.36%、76.64%和76.25%,与其他算法相比具有良好的分割效果。     

基于卷积神经网络和图像显著性的心脏CT图像分割

目的心脏医学影像中,感兴趣部分的提取与分割是诊断心脏病变部位的关键。由于心脏舒张、收缩以及血液的流动,心脏CT图像易出现弱边界、伪影,传统分割算法易产生过度分割的情况。为此,提出一种基于卷积神经网络和图像显著性的心脏CT图像分割方法。方法采用卷积神经网络对目标区域进行定位,滤除肋骨、肌肉等造影对比不明显部分,截取出感兴趣区域,结合感兴趣区域的对比度计算并提高感兴趣区域的心脏组织的显著值。通过获得的显著值图像截取心脏图像,并与区域生长算法的分割结果进行对比。最后使用泰州人民医院11例患者的影像数据对算法模型进行训练和测试,随机选择9例用于训练,剩余2例用于测试。结果所提算法模型在心底、心中、心尖3个心脏分段的分割正确率分别达到了92.79%、92.79%、94.11%,均优于基于区域生长的分割方法。结论基于卷积神经网络和图像显著性的分割方法能够准确获取心脏的外围轮廓,轮廓边缘更加平滑,完全能够满足CT图像序列的心脏全自动分割任务需求,分割后的图像更有利于医生对患者心脏健康状况和病变部位的观察。     

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。