一种改进的梯度矢量流Snake侧脑室分割算法

为提高侧脑室分割的准确性和鲁棒性,提出了一种改进的梯度矢量流(Gradient Vector Flow,GVF)Snake算法用于侧脑室的分割。该算法首先运用先验信息自动化初始化轮廓线;其次通过边界检测算子对脑影像处理生成边缘图;最后在边缘图的基础上计算GVF场,并进行轮廓线演化得到侧脑室分割结果。选取不同特征的侧脑室图像对该算法进行实验验证,该算法能准确提取侧脑室尖锐角点处轮廓,克服了GVF Snake过收敛的问题,同时该算法对于左右侧脑室连接处较细的情况,分割效果良好。

基于多层次协同稀疏回归模型侧脑室分割方法

稀疏学习理论是高光谱解混中的有力工具。由Ioradche等人提出的协同稀疏回归模型[1]利用丰度矩阵的行稀疏特性,对丰度矩阵施加协同稀疏,从而优化解混的结果。本文受到高光谱解混理论的启发,将协同稀疏回归引入到脑室分割中。为了克服传统的协同稀疏回归方法仅考虑噪声误差而忽视稀疏粗差的缺点,本文提出了一种新的基于多层次协同稀疏回归模型侧脑室分割方法,从而进一步提高医学图像的分割精度。该方法将输入的侧脑室形状正则化为形状库中训练形状的稀疏线性组合,并且使用协同稀疏性来描述侧脑室形状库中的行稀疏性。最后采用多层次分割优化策略[2],分割结果将按照由粗到细的方法演化。实验结果表明本文新提出的方法的有效性和实用性。