一种基于主动轮廓模型的医学图像序列分割算法(英文)

介绍了一种结合live wire算法和活动轮廓模型的医学图像序列的分割方法.通过把live wire算法和图像分割中一般的区域增长方法结合,对传统live wire算法进行了改进,并用改进后的算法对医学图像序列中的单张或多张切片进行交互式地准确分割.然后计算机利用活动轮廓模型自动分割相邻的未分割切片.还通过在活动轮廓模型的边缘点中引入记录已分割物体边缘附近局部区域特征的灰度模型,把已分割切片中的物体与背景的局部区域特征带入相邻的未分割切片中,并用由灰度模型定义的区域相似性代替活动轮廓模型中的外能来引导边缘轮廓收敛到物体的实际边缘.最后介绍了一种基于live wire算法思想的简单的分割结果交互式修复方法.实验结果表明该算法仅需少量用户交互就能快速准确地从医学图像序列中分割出感兴趣的物体,在医学图像分析中具有实用价值.

引入新的停止函数的GAC模型医学图像序列分割

针对GAC模型在低对比度及边缘模糊图像分割中使用传统的边缘停止函数存在的不足,结合图像的区域特征及医学图像序列间的相关特性,通过在边缘停止函数中引入图像的区域特征信息和先验信息,对GAC模型的边缘停止函数进行改进,并应用于医学CT图像序列的分割,达到了较为理想的分割结果。实验表明,在边缘停止函数中引入先验信息并对其表达形式进行改进后,模型的抗噪声性能和分割效率得到了明显提高。

图像序列处理中的形态分割方法

将数学形态学应用到序列图像分析中 ,提出了一种基于图像序列的 3- D形态分割算法 ,对图像序列简化后进行边缘增强 ,用改进的 3- D分水岭方法提取分割信息 .基于分割信息对几种常用图像序列的处理算子和处理方法进行了研究和改进 .实验结果表明 ,该方法能对序列图像有效地进行时空分割 ,利用分割信息可显著提高各种图像序列处理的性能 ,而且具有算法简单、效率高的特点 .

基于稀疏特征竞争和形状相似性的超声图像序列分割方法

从超声图像序列中精确地分割出目标区域对于提高基于超声图像引导的计算机辅助治疗的效果具有重要的意义.活动轮廓模型被广泛地应用于医学图像的分割,但是超声图像固有的低信噪比、灰度分布不均匀等特点导致活动轮廓容易搜索到错误的区域.为此,学者们提出了不同的目标特征或形状先验知识来约束活动轮廓的演化.目前,大多数目标图像特征的工作仅限于提取目标区域信息的特征,目标形状先验也需要通过对大量训练样本中的目标形状进行学习,而且训练样本中形状是否能足够描述分割目标的形状信息也是值得怀疑的.本文提出了一种基于稀疏特征竞争和形状相似性的超声图像序列分割方法.该方法首先利用稀疏表达理论分别构建目标和背景的特征字典,并根据目标和背景特征字典的重构误差构建一种基于稀疏特征竞争的目标搜索策略,从而提高活动轮廓搜索真实边缘的鲁棒性.然后,对图像序列中目标形状的相似性进行建模,并证明了目标形状的变化符合低秩属性,该属性可看作是对图像序列中目标形状的先验知识进行无监督学习.为了验证该方法的性能,本文采用临床的超声图像序列作为训练和测试集合,并与其他3种典型的分割方法在同一测试集合下进行比较.实验结果显示,针对超声图像中出现的边缘模糊、缺失等缺点,该方法提供了更准确和鲁棒的分割结果,从而提高了计算机辅助治疗的效率和效果.

一种基于内容表示的图像序列运动分割算法

提出了一种MPEG 4标准所规范的基于内容表示的图像序列运动分割算法。首先进行图像序列二维运动估计并计算位移帧差 ,然后 ,将位移帧差作为将运动物体从静止背景中分离出来的标准进行分割 ;最后对分割结果进行形态滤波。实验结果显示 ,在物体存在整体运动的情况下 ,分割结果表现出了很好的准确度 ,可以成功地提取出图像序列中的运动物体。

基于变形模型的肝CT序列图像分割

研究了一种基于变形模型的肝轮廓提取方法 该方法以人的经验知识作为先验信息 ,利用灰度特征、肝CT序列图像特点、肝区轮廓的整体几何信息作为区域聚合依据进行肝区图像分割 实验表明该方法能够较好地克服噪声和轮廓初始位置的影响 。

分散、递阶蚁群算法及其在相变序列图像分割中的应用

提出了一种分散、递阶蚁群算法,它将多个分散的蚁群并行求解各自对应的子问题,形成一个执行层,而递阶协调层利用执行层反馈的信息协调执行层的优化过程,从而得到递阶求解问题的整体最优解.该算法已应用于相变热图序列图像模糊相变线的提取问题,即运用区域划分方法先将序列图像的分割转化为关联型多子图搜索问题,再利用分散、递阶蚁群算法进行求解,结果表明该算法能很好地利用相变线的运动信息成功地解决热相变序列图像分割问题.与蚁群算法独立搜索比较,分散、递阶蚁群算法能更有效地实现多子图之间的关联.

一种基于相对模糊连通度的交互式序列图像快速分割算法

在基于相对模糊连通度的交互式图像分割方法的基础上提出了一种序列图像分割的快速算法。对于单幅图像,新算法在保持分割精度的同时,运行速度提高了3倍。作为该算法的扩展,一方面将原算法中单目标分割推广到多目标分割,另一方面将单帧图像的分割推广到序列图像的分割,实现了复杂背景下多目标的图像分割和图像序列的批处理分割。并进行了分割结果的后处理,提取出目标的单像素宽度的光滑边缘。用人造图像和实际的医学图像和图像序列所做的测试实验取得了令人满意的分割结果。

基于最短描述长度的序列图像运动分割

提出了一种分两个阶段的运动估计和分割方法．首先采用小块对图像做传统全局搜索的块匹配运动估计，得到每块相应搜索范围内的误差图．根据误差图判决相邻块运动的一致性，将一致性好的块合并成一个区域并同时得到区域的运动矢量．进一步的区域合并在最短描述长度准则指导下进行，每对区域合并的依据是合并后新区域的描述长度（编码码字）小于合并前两区域描述长度之和，如此迭代合并直至所有相邻区域均不满足条件．由于迭代过程总是趋向于使编码码字减少，从而能得到更有利于编码的分割结果．初步实验证明了该方法的可行性．

根系CT序列图像区域生长分割的新方法

在对传统区域生长算法改进的基础上,针对原位根系CT序列图像的特点,提出了一种基于区域生长的植物根系CT序列图像分割算法。通过对208幅JPEG格式的植物根系CT序列图像进行直方图分析,确定植物根系区域的分割阈值范围,结合阈值分割实现改进区域生长法对单层根系图像进行分割得到目标区域。在此基础上,利用植物根系在介质环境中的空间连续性,进一步实现仅在选择单幅图像种子点的情况下一次性完成整套CT序列图像的分割。借助MITK(Medical Imaging Toolkit)工具箱对分割好的原位根系CT序列图像进行三维重建,对三维模型进行不同角度观测来判断分割的正确性。实验结果表明,该算法分割速度快、精度高,能够有效地去除CT图像背景中杂质像素,准确提取出植物根系目标区域。

基于块运动矢量加权的Snakes模型及在序列图像分割中的应用

经典的Snakes模型具有开放的、统一的架构 ,在此基础上 ,为了分割复杂背景的序列图像 ,产生了各种改进的Snakes模型 ,但都存在着不足 :计算量大、需要先验知识、易受光流计算精度影响等 针对这些缺点 ,提出了块运动矢量加权的Snakes模型 ,可以用于复杂背景序列图像的分割 这种模型以图像中的边缘信息为分割的最终依据 ,结合块运动估计的结果 ,增强了序列图像分割的鲁棒性 根据运动场估计的结果在该模型中所起的作用 ,提出了边缘优先的块运动估计算法 ,大大减少了计算量 用块运动矢量加权的Snakes模型分割复杂背景序列图像 。

神经元干细胞序列图像的结合局部灰度阈值的水平集分割算法

在光学显微镜成像的神经元干细胞序列图像中,针对目标与背景的弱对比度及细胞粘连、团簇等问题,提出一种新的分割算法.该算法基于无需初始化的水平集算法,通过引入曲率项来加速收敛;为降低算法的复杂度,提出衡量范数能量作为水平集进化的终止条件;最后结合局部灰度阈值法进一步分割粘连细胞.将该算法应用于2组细胞图像序列共120帧图像的分割中,不但解决了时间序列图像成像时焦距偏移带来的分割难题,而且能够准确地分离粘连、团簇细胞,并保留细胞的形态特征和位置信息.统计结果表明,分割成功帧所占整个序列的百分率较分水岭算法、传统水平集分割算法提高了30%～40%.

CT序列图像分割的分割及重建

目的探讨CT序列图像分割的分割及重建。方法主要结合B样条蛇线算法和模糊边缘增强算法使一些组织器官在CT图像上的二维分割得以实现,同时采用提绘制三维重建分割后的序列图像。临床实践证实,该方法具有良好的效果。程序作为子功能使用,其以Java的医学图像分析系统为基础。结果三维重建的效果对二维分割的精确度极为敏感,有跳变出现在某一幅图像或几幅图像上均会显著影响实体重建。因此,重建效果能够从一定程度上对分割的准确性进行验证。结论运用B样条蛇线算法结合模糊边缘增强算法使分割得以实现,同时运用体绘制方法三维重建分割后的序列图像。实现过程中依据实际改进了这几种算法。图像二维切片、三维重建的结果均显示了良好的效果。

基于分布匹配的主动轮廓模型及其图像分割算法

针对运动目标跟踪的快速性和鲁棒性要求,提出了基于分布匹配的主动轮廓模型,该模型将模板和候选区域的分布匹配标准——相对熵(即Kullback-Leibler距离)作为主动轮廓的外部能量,使用目标和背景全图像的匹配,克服了跟踪过程中噪声的影响。同时根据匹配力构建帧内和帧间的运动向量,加快了序列图像分割速度。相比于现有的基于边缘、块匹配、区域匹配的主动轮廓模型,该模型具有更好的噪声鲁棒性及在跟踪过程中容忍目标旋转和较大位移的能力。实验验证了该模型的有效性。

一种新的肝脏CT序列图像区域生长算法

为了提高区域生长的分割精度,减少种子点选取对分割结果的影响和用户交互量。提出一种通过置信区间和区域竞争计算目标区域最优阈值区间,用于医学序列图像的区域生长分割算法。在方法上区域生长方法考虑的是图像的局部信息,而置信区间和区域竞争方法考虑的是图像的全局信息。该文的算法融合了两者的优点。通过在一张图片上选择目标对象和背景对象的多个种子点,实现了复杂背景下的序列图像分割。使用一组腹部CT原始图片进行的实验结果表明,算法在只需很少交互的情况下,有效地提高了分割精度。

图像分割技术在肝CT容积测量中的应用

目的:研究一种自动测量肝容积和计算相关指标的计算机技术,并验证其效果。方法:利用基于变形模型的肝轮廓提取方法,在自动识别肝轮廓的基础上,实现自动测量。对15个已知容积的标本进行验证测量,另对12例128幅肝CT图像进行自动分割,同时进行手工和自动测量的肝容积值对照。结果:基于变形模型的图像分割技术可以实现肝容积的自动分割,成功率为68%,在分割成功的图像中,测量的单层肝面积与手工描绘测量的肝面积误差率为5.02%。结论:计算机自动测量技术可以实现肝容积的自动测量,但精确性尚需进一步提高。

利用遥感图像对震损建筑结构变形检测的识别研究

为识别震后建筑变形损坏状况,提出震损建筑结构变形检测的遥感图像识别分析方法。利用无人机采集震灾区域的遥感图像,将建筑结构变形检测问题转变为构件间坐标测量问题,提取所采集遥感图像中样本矢量点,将其划分为不同种类区域,在此基础上对图像进行聚类分割,以获得震后图像的不同类别建筑结构特征,实现识别不同样本矢量点的地震受灾情况。通过实验分析发现,所提出的图像识别分析方法在一定程度上可以识别出损毁建筑物,但仍需要进一步研究,以提高其识别精度。

基于形状相似性的活动轮廓模型

从超声图像中准确地分割出病灶区域在基于图像引导的放射治疗中具有重要的临床意义。活动轮廓模型被广泛地应用于医学图像的分割,但超声图像的低信噪比、灰度分布不均匀等缺点导致活动轮廓容易搜索到错误的区域。为解决以上问题,提出了一种基于形状相似性的活动轮廓模型,将低秩属性作为图像序列中目标形状的先验知识融入到活动轮廓分割框架中,利用矩阵的秩对图像序列中目标形状变化的相似性进行度量,证明了目标形状的变化符合低秩属性。为了验证该方法的性能,采用真实的超声图像序列作为训练和测试集合,并与其他3种分割方法在同一测试集合下进行比较。实验结果显示,针对超声图像中出现的边缘模糊、缺失等缺点,该方法能够提供更准确和鲁棒性更高的分割结果。