基于先验形状信息核图割模型的肝脏分割方法

由于肝脏核磁图像存在边缘模糊、噪声大、灰度分布不均匀等特点,一般分割算法效果不甚理想。为了提高分割效果,提出了一种基于先验形状信息的核图割(kernel graph cuts,KGC)模型。采用区域增长算法在待分割的肝脏区域进行预分割,再用形态学算子进行膨胀腐蚀操作,形成初始分割轮廓;将形状模板集和初始轮廓配准后进行核主成分分析(kernel principle component analysis,KPCA),训练出先验形状信息;在kernel Graph cuts模型的能量函数中融入先验形状信息,并在初始轮廓的基础上进行进一步精确分割。实验结果表明,提出的方法能准确分割出核磁图像中边界模糊、噪声污染大的肝脏边界,且无边界泄露和相似组织误分割等现象。

基于模板的前视红外图像建筑物分割方法

针对前视红外地面建筑物图像目标分割问题,在传统方法的基础上提出了一种基于模板制备的改进C-V模型分割方法。首先通过DSM数据制备目标二维形状模板;然后对图像进行高斯滤波去噪,并采用模板尺度相关的结构元素对图像进行灰度形态学增强;最后引入模板形状先验信息的概念,利用水平集方法表达轮廓先验信息,在C-V模型的基础上增加目标轮廓先验信息能量项,使分割曲线进化同时受到图像数据与形状先验信息驱动,实现目标分割。实测数据显示该方法能在复杂背景条件下精确分割前视红外建筑物目标。

深度全卷积网络的IVUS图像内膜与中—外膜边界检测

目的心血管内超声(IVUS)图像内膜和中—外膜(MA)轮廓勾画是冠脉粥样硬化和易损斑块定量评估的必要过程。由于存在斑点噪声、图像伪影和各类斑块,重要组织边界的自动分割是一个非常困难的任务。为此,提出一种用于检测20 MHz心电门控IVUS图像内膜和MA边界方法。方法首先利用深度全卷积网络(DFCN)学习原始IVUS图像与所对应手动分割图像之间映射,预测出目标或者背景的概率图,实现医学图像语义分割。然后在此基础上,结合心血管先验形状信息,采用数学形态学闭、开操作,平滑内膜和MA边界,降低分割过程中错误分类像素或区域的影响。结果针对来自10位病人的IVUS图像及其标注信息所组成的435幅国际标准公开数据集,从线性回归、Bland-Altman分析和面积交并比(JM)、面积差异百分比(PAD)、Hausdorff距离(HD)、平均距离(AD)等性能指标上,评价本文方法。实验结果表明,算法检测结果与手动勾画结果的相关性可达到0.94,其超过94.71%的结果落在95%置信区域内,具有良好一致性。内膜和MA边界的AD指标分别为:0.07 mm和0.08 mm;HD指标分别为:0.21 mm和0.30 mm。JM指标分别为0.92和0.93;PAD指标分别为5%和4%。此外,对临床所采集的100幅IVUS图像进行了测试,证明本文学习的模型在跨数据集上具有较好的泛化能力。结论与现有的国际算法比较,本文方法提高了各类斑块、声影区域和血管分支等因素的识别能力,不受超声斑点的影响,能准确地、可重复地检测出IVUS图像中的关键目标边界。

基于显著性检测和改进局部高斯分布拟合模型的眼底图像视盘边界自动提取

正确的视盘(OD)定位和分割是糖尿病视网膜病变自动筛选系统中的两个主要步骤.鉴于此,提出一种基于显著性目标检测和改进局部高斯分布拟合(LGDF)模型的视神经盘分割方法.该方法主要包含两个阶段:第一阶段,将显著性检测技术应用到增强的视网膜图像中实现视盘的自动定位;第二阶段,通过增加椭圆约束信息来改进局部高斯分布拟合(LGDF)模型分割视盘边界.使用公开数据库Diaretdbq对所提出方法的性能进行测试,并与其他先进的方法进行对比,结果验证了所提出方法的优越性和有效性.