基于改进U-Net的CT图像脑出血区域分割方法

医学图像自动分割方法对中风的及时诊断和治疗提供了极大的帮助。实验针对脑出血辅助诊断问题,提出一种改进的U-Net神经网络模型,实现脑中风CT图像出血区域自动分割。对脑部CT图像进行预处理,用模糊C-均值聚类方法将图像聚类成脑灰质、脑白质、脑脊液和出血区域4类;通过形态学图像方法去除颅骨;提出一种改进的U-Net神经网络模型,并用该模型进行出血区域的自动分割。实验结果表明,提出方法的骰子相似系数(Dice Similarity Coefficient, DSC)可达0.860±0.031,优于白质模糊C-均值聚类、多路径上下文生成对抗网络等方法,极大提高出血性中风区域分割的准确率。

基于改进头脑风暴优化算法的医学图像配准方法

针对精准医疗中图像配准方法收敛速度慢、精度不够高的问题,提出一种基于改进头脑风暴优化(Improved brain storm optimization,IBSO)算法的医学图像配准方法。配准过程分为3个阶段:首先,将待配准图像进行多分辨率分解;然后,使用IBSO算法对低分辨率图像进行全局粗配准;最后,利用单纯形搜索法对高分辨图像精配准。相比粒子群和单纯形结合算法、差分进化和Powell结合算法,以及头脑风暴和Powell结合算法,在单模态实验中,所提算法平均耗时较以上3种算法分别降低了32.89%、13.91%和13.66%,且最大误差、平均误差最小;在多模态实验中,互信息、归一化互信息、交叉累计剩余熵与归一化互相关指数均优于上述3种配准算法。实验结果表明,所提算法可以有效地提升医学图像配准的精度与速度。