基于贪婪算法的Snake模型

目的：为改善经典活动轮廓模型的缺陷。方法：本文提出一种新的基于贪婪算法的活动轮廓模型,对其内部能量中加入轮廓平均长度项的控制,外部能量中加入梯度方向势能,并提出区域能量在贪婪算法中的快速求解方法。另外采用动态调整蛇点的算法,使蛇点数目能够自适应地变化。结果：通过与传统的GVF算法分割结果比较,本文的分割效果较理想。结论：说明该方法分割准确性高并且对于用户的初始轮廓选择要求不高,具有一定的实用价值。     

血管图像分割技术的研究进展

血管图像分割是循环系统血管分析的一个重要组成部分,也是血管三维重建、定量分析的基础.本文对适于血管图像分割的区域生长法、活动轮廓模型、基于追踪的方法等传统的分割技术,及基于数学形态学、神经网络等近年来结合特定理论和工具提出的分割算法进行了综述.针对血管图像的这一具体应用领域,把现有的血管图像分割技术分成如下三类:①基于边界的分割技术;②基于区域的分割技术;③基于特定理论和工具的分割技术.     

核磁共振图像分割算法及应用进展

核磁共振成像(MRI)以其无辐射、多方位成像、空间分辨率高等优点在影像医学领域广泛应用,核磁共振图像的分割也发挥着越来越重要的作用.对应用较广的核磁图像的分割算法的原理和应用进行了系统的综述,将核磁图像分割算法分为5个主要研究方面:基于阈值,基于模式识别,基于活动轮廓模型,基于马尔科夫随机场(MRF),基于图切割;给出了不同算法分割特点和相关应用范围,并将部分算法应用在腹部核磁图像上进行分割实验,展示了不同算法分割核磁图像后的效果和特点.最后,展望了核磁图像分割的未来的发展趋势.     

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.     

一种脑MRA图像自动分割算法及其在图像导引神经外科中的应用

图像导引神经外科技术是在神经外科手术过程中减小患者刨伤的有效方法。在这种方法中，医学图像分割质量的好坏直接影响着手术过程的准确性。本研究提出了一种新的基于MRA图像的自动分割算法，这种算法通过各向异性滤波，统计阈值分割，数学形态学滤波，和基于边界距离场的活动轮廓模型来对MRA图像进行自动分割和分割结果的可视化。数据实验表明用这种算法对MRA图像进行分割的结果可以有效地用于图像导引神经外科，并且算法具有一定的鲁棒性。     

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.     

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。     

一种基于SUV值和活动轮廓模型的肺癌识别方法

提出一种基于SUV(standard uptake values)和梯度向量流活动轮廓模型(GVF snake)的半自动识别PET(positron emission tomography)图像肺部肿瘤的方法.该方法结合了SUV值和活动轮廓模型提取病灶区域,提高了分割速度和精度.最后应用该方法对PET肺部区域进行了分割实验,实验结果表明该方法能准确分割肿瘤.     

基于图像块匹配和测地线活动轮廓模型的肿瘤自动检测算法

提出一种基于图像块匹配和测地线活动轮廓模型的肿瘤自动检测算法。给定肿瘤区域的术前图像和术后(或术中)图像,首先通过刚性配准得到全局配准参数,然后将术前图像分割成大小适合的正方形区域,在术后(或术中)图像中寻找与之匹配最好的区域,并得到各个分块对应的配准参数。根据分块配准和全局配准之间关系的判决比较,得到肿瘤所在的区域,最后在此区域内利用测地线活动轮廓模型,获得较为准确的肿瘤初始轮廓。     

结合区域信息的分段活动轮廓模型

提出了一种结合区域信息的分段活动轮廓模型，利用边缘信息迅速找到对象的大体轮廓，然后结合区域统计信息使模型精确收敛到对象边缘。分段的层次化变形有效的利用了图像的全局和局部信息，使用仿射变换使模型的局部以同一种变换方式变形，提高模型对噪声和伪边缘的鲁棒性，同时保持模型轮廓形状的一致性。在精确匹配阶段利用区域统计信息重新定义模型的外部能量，采用自适应的搜索区域确定方法，提高了算法的效率和进入凹边缘的能力。试验表明本模型运算速度快，抗噪声和避免陷入局部极小值的能力较强，有较好的分割效果。     

基于先验知识和几何主动轮廓线的三维超声瓣膜分割

几何主动轮廓线模型是一种有效的图像分割方法.但对于被噪声严重干扰的目标依然很难准确分割.特定目标的先验知识可以有效地指导目标的准确分割.我们把特定目标的区域和形状先验知识表示成一种速度场,把此速度场嵌入到几何主动轮廓线模型中,指导目标的快速准确分割.先验区域限制水平集在特定区域迭代,先验形状使曲线向理想轮廓演化.我们把该算法应用于三维超声图像的二尖瓣自动分割,结果表明该分割算法是快速和高效的.     

点分布模型约束的主动轮廓及其在脑MR图像分割中的应用

针对脑部MR图像结构复杂，使用传统的主动轮廓进行分割时，对初始化位置敏感，且易受非目标轮廓干扰，陷入局部极值等问题，提出了利用点分布模型进行形状约束的梯度矢量流主动轮廓模型。该方法在训练样本集的基础上，建立反映待分割目标轮廓先验形状信息的点分布模型，以模型的均值作为参考初始化主动轮廓，并使用模型提供的参数限制主动轮廓运动过程中的形变范围，有效地解决了使用传统主动轮廓对复杂图像往往不能收敛到期望形状的问题。此方法成功运用于脑MR图像中胼胝体和大脑灰质的分割，取得了满意的效果，验证了此方法的有效性和鲁棒性。     

医学图像分割中的主动轮廓模型研究现状

主动轮廓模型具有强大的先验知识引入能力,非常适合解决复杂医学图像分割问题。本文介绍了两种主动轮廓模型的基本原理及其相互关系,详细综述了模型的几个重要改进措施,包括曲线的表示方式、基于梯度的ACM、基于区域的ACM,以及结合先验形状的ACM,并讨论了医学图像分割中的主要应用实例,最后展望了模型今后的研究方向。     

Gallbladder shape extraction from ultrasound images using active contour models

Gallbladder function is routinely assessed using ultrasonographic (USG) examinations. In clinical practice, doctors very often analyse the gallbladder shape when diagnosing selected disorders, e.g. if there are turns or folds of the gallbladder, so extracting its shape from USG images using supporting software can simplify a diagnosis that is often difficult to make. The paper describes two active contour models: the edge-based model and the region-based model making use of a morphological approach, both designed for extracting the gallbladder shape from USG images. The active contour models were applied to USG images without lesions and to those showing specific disease units, namely, anatomical changes like folds and turns of the gallbladder as well as polyps and gallstones. This paper also presents modifications of the edge-based model, such as the method for removing self-crossings and loops or the method of dampening the inflation force which moves nodes if they approach the edge being determined. The user is also able to add a fragment of the approximated edge beyond which neither active contour model will move if this edge is incomplete in the USG image. The modifications of the edge-based model presented here allow more precise results to be obtained when extracting the shape of the gallbladder from USG images than if the morphological model is used.     

活动形状模型在医学图像分割中的应用

在医学临床实践和研究中经常需要根据各种图像对解剖结构进行识别和精确定位,以获取有用的信息。活动形状模型是计算机视觉领域成长很快的一类统计学模型方法,在图像分割和解释方面展示了相当可观的发展前景。对活动形状模型及其扩展算法活动表观模型的发展现状,以及它们在医学图像领域的应用和研究热点进行了总结并对技术的进一步发展进行了初步探讨。     

Liver Hydatid CT Image Segmentation Using Smoothed Bayesian Classification Method and Modified Parametric Active Contour Model

Liver hydatid disease is a common parasitic disease in farm and pastoral areas, which seriously influences people's health. Based on CT imaging features of this disease, an iterative approach for liver segmentation and hydatid lesion extraction simultaneously is proposed. In each iteration, our algorithm consists of two main steps: 1) according to the user-defined pixel seeds in the liver and hydatid lesion, Gaussian probability model fitting and smoothed Bayesian classification are applied to get initial segmentation of liver and lesion; 2) the parametric active contour model using priori shape force field is adopted to refine initial segmentation. We make subjective and objective evaluation on the proposed algorithm validity by the experiments of liver and hydatid lesion segmentation on different patients' CT slices. In comparison with ground-truth manual segmentation results, the experimental results show the effectiveness of our method to segment liver and hydatid lesion.     

Brain volumetry: an active contour model-based segmentation followed by SVM-based classification

In this paper a novel automatic approach to identify brain structures in magnetic resonance imaging (MRI) is presented for volumetric measurements. The method is based on the idea of active contour models and support vector machine (SVM) classifiers. The main contributions of the presented method are effective modifications on brain images for active contour model and extracting simple and beneficial features for the SVM classifier. The segmentation process starts with a new generation of active contour models, i.e., vector field convolution (VFC) on modified brain images. VFC results are brain images with the least non-brain regions which are passed on to the SVM classification. The SVM features are selected according to the structure of brain tissues, gray matter (GM), white matter (WM), and cerebrospinal fluid (CSF). SVM classifiers are trained for each brain tissue based on the set of extracted features. Although selected features are very simple, they are both sufficient and tissue separately effective. Our method validation is done using the gold standard brain MRI data set. Comparison of the results with the existing algorithms is a good indication of our approach's success.