基于聚类与局部统计的水平集医学图像分割

为增强水平集主动轮廓算法的噪声鲁棒性,考虑医学图像的灰度复杂、拓扑结构多变等情况,发挥水平集主动轮廓模型不依赖于初始轮廓的特性,提出一种基于聚类与局部统计的水平集医学图像分割方法。对传统的K均值与RSF模型进行改进,提高噪声的鲁棒性,能有效地处理真实医学图像的灰度非均匀性。进行CT和MR医学实验验证,实验结果表明,该方法能够比传统方法更有效地应对噪声干扰,提高了医学图像的分割精度和效果。

基于K-means和图割的脑部MRI分割算法

为了克服原始图割算法在用户选定的像素种子点较少情况下,目标边界容易出现错分这一现象,本文提出了基于K-means和图割(Graph cut,GC)算法相结合的交互式K-均值图割(K-means and graph cut,KMGC)算法,对脑部核磁共振图像(Magnetic resonance image,MRI)进行交互式操作,该算法通过K-means聚类,对脑部MRI的灰度不均匀性进行了处理,在此基础上,再使用图割算法进一步对脑部MRI进行细化,从而达到有效地分割脑白质和脑灰质的目的。本文分别在仿真和真实的脑部MRI数据上进行了大量的实验,分别从定量分析和定性分析两个角度对实验结果进行了分析,并与其他分割算法进行了对比,对比实验结果标明,KMGC算法能够有效地对脑部MRI进行分割,并在分割效果上优于其他算法。

随机游走模型在图像分割中的应用研究

随机游走模型被应用于图像分割领域之后,表现出抗干扰性好、检测弱边界能力强的特点。但是传统随机游走模型依然存在分割效率低和对复杂纹理图像的分割精度低的缺陷。针对这些不足,研究者提出了多种解决方案。本文对随机游走在图像分割中的研究发展进行分析综述。

基于脑部MRI分割方法新进展

脑部MRI图像自动分割是计算机技术运用于医学上的一个典型工作,脑部图像分割技术对于人类研究脑部疾病具有重要意义。应用广泛的有图像分割方法,如阈值法、区域增长法、聚类法等。在脑部MRI图像分割中,这些方法都没有图谱法具有更为实际的医学研究与临床价值。该文综述了MR图像不均匀性校正方法及近几年来有关脑部MRI分割方法的研究新进展以及对分割效果的评价方法。认为:基于脑部MRI分割算法趋向于发展全自动、快速、准确的分割方法,并综合多种方法的优点,取长补短,在算法中引入图像的空间结构、纹理信息,有望在新理论技术上和新工具方面有所突破。

随机森林在图像分割中的应用研究

图像分割是计算机视觉领域尤为关键的任务之一,在很多医学CT、数字媒体等领域都有着举足轻重的作用。通过对2000年后出现的一些主要的图像分割方法进行整理研究,着重阐述基于集成学习框架下随机森林方法的主要性质,并广泛调研随机森林方法在图像分割领域中的应用成果,以及对其可以改进的方向进行论述。

基于区域的主动轮廓模型的医学图像应用

对脑部MRI中各个大脑组织的准确分割在临床医学上具有重要的意义。该文综述了MR图像不均匀性校正方法及近几年来脑部MRI的分割方法的研究新进展,包括聚类算法、基于形变模型的分割方法、图割算法、形态学分水岭算法和基于图谱的MRI分割算法等。综合多种方法的优点,取长补短,在算法中引入图像的空间结构信息、纹理信息以及一些先验知识,有望在新理论技术上和新工具方面有所突破。