基于联合深度网络和形态结构约束的三维医学图像分割方法

医学图像自动分割具有广泛和重要临床应用价值,特别是病灶、脏器的自动分割。基于传统图像处理方法的医学图像分割仅能利用浅层结构模型的浅层特征来识别感兴趣区域,并且需要大量人工干预。而基于机器学习的分割方法在模型建模时存在局限性且缺乏可解释性。本研究提出一种基于Transformer和卷积神经网络结合形态结构约束的三维医学图像分割方法。编码器中利用卷积神经网络和Transformer构建U型网络结构提取多重特征;解码器中采用上采样并通过跳跃连接将不同层次的特征拼接在一起;加入形态结构约束模块,通过提取病灶和脏器等分割目标的形状信息,以增强模型可解释性,并采用最大池化和平均池化操作,对经过卷积神经网络得到的结果进一步提取有代表性的特征,作为形态结构模块的输入,最终提高分割结果的准确性。在公开数据集Synapse和ACDC上利用评价指标Dice相似系数(DSC)和Hausdorff距离(HD)验证所提出算法的有效性。其中,在Synapse数据集上,18例数据作为训练集,12例数据作为测试集;在ACDC数据集上,70例数据作为训练集,10例数据作为验证集,20例数据作为测试集。实验结果表明,在Sy...     

基于视觉显著性和旋转扫描的视盘分割新方法

视盘的快速定位与边缘分割是计算机辅助诊断的重要研究课题。本研究提出了一种有效的视盘分割新方法,将人眼视觉特性引入眼底图像的分析与处理。本文提出的这一方法充分考虑视盘在眼底图像中的形态特征,通过快速定位感兴趣区域,同时融合视盘的亮度、颜色和空间分布等视觉显著性特征,生成了基于像素距离的显著性图,并应用自适应阈值分割视盘。在此基础上,进一步提出旋转扫描方法,以减少血管对视盘完整性的影响和干扰,最终获得连续完整的边缘轮廓。然后,本课题组在眼底图像数据库Drishti-GS中验证提出的视盘边缘分割方法是否有效。本文研究结果显示,该方法简单快捷,具有良好的性能指标,能达到眼科专家的分割水平,今后或有助于眼科疾病的计算机辅助诊断。