基于解的空间约束的超声前列腺图像分割算法

超声前列腺图像分割是一项极具挑战的任务,目前传统检测算子面对灰度对比不显著的部位难以去辨别,神经网络则忽视了超声图像信噪比低的影响且消耗大量算力。为解决以上问题提出一种高效的基于解的空间约束的超声前列腺图像分割算法,将分割问题转化为求边界点问题,首先对法向量算子改进,改善其检测能力;然后使用降噪自编码器根据形状约束克服噪声优化解的空间;最后引入迭代算子将解的范围限制在极小的区域实现精准分割。实验表明,模型交并比型(IoU)达94.4%,DSC值约97.05%,精度高于当前热门的神经网络算法,且更轻量化。

先验形状约束的超声前列腺图像分割方法

提出一种结合超声前列腺图像的局部特征和前列腺的先验形状知识的分割方法。该方法在传统图像分割方法中引入了前列腺的先验形状约束,使得分割能够一定程度地避免由于超声图像中噪声、伪影、灰度分布不均匀等因素对前列腺分割所造成的影响。算法分为两个部分:先验形状模型的学习和先验形状约束的分割。在先验形状模型学习阶段,采用主成分分析方法对形状作特征提取,以高斯分布作为形变参数的估计;在先验形状约束分割阶段,将基于局部高斯拟合特征的活动轮廓模型与形状模型相结合对前列腺图像分割。实验表明,所提出的方法在超声前列腺图像中取得了良好的分割效果,为临床诊断和治疗提供了定量分析的工具。