基于形变模型分割方法的CT图像肝脏肿瘤分割

在肝脏肿瘤疾病计算机辅助检测及诊断过程中,CT图像肝脏肿瘤分割属于是重要环节,因此在临床中CT图像肝脏肿瘤分割具有重要研究意义。传统几何形变模型在对比度较高的图像中应用更为适合,但是CT图像肝脏肿瘤通常情况下灰度不均匀、对比度偏低,没有良好的分割效果。基于这一问题,在对传统几何形变模型研究技术上,探讨CT图像肝脏肿瘤的新型形变模型分割方法。

改进UNet++的杉木CT图像年轮分割

为解决裂纹、虫孔和节子等缺陷影响下的年轮准确分割问题。以医疗CT为实验设备,重构125张杉木横切面CT图像为研究对象,经裁切、旋转、翻转等预处理实现数据扩充,提出改进UNet++模型用于年轮分割。改进UNet++模型采用增加卷积块、下采样层、跳跃连接和上采样层的方式,将学习深度增加至6层,以BCEWithLogitsLoss和ReLU分别作为损失函数和激活函数,RMSProp作为优化函数,对杉木横切面CT图像进行年轮分割,并对年轮分割性能进行评价。结果显示:改进UNet++模型对于杉木横切面CT图像的年轮分割的像素准确率为97.81%,骰子系数为98.89%,交并比为95.29%,平均交并比为84.75%,充分提取杉木年轮特征,分割效果最好。与U-Net模型和UNet++模型相比,改进UNet++模型在多数年轮被裂纹和虫孔切割,无法形成完整圆形闭合曲线的条件下,使分割的年轮具有很好的完整性和连续性,消除分割过程中的断裂和噪声现象;年轮分割结果不受裂纹、节子、虫孔等缺陷影响,结构非常清晰,有效解决多种缺陷干扰下的虫孔误分割和密集年轮欠分割等问题。

基于几何形变模型的三维肺血管图像分割方法

肺血管分割一直是重要而困难的工作,因此,提出了一种新的基于几何形变模型的三维肺血管图像分割方法。现有几何形变模型方法仅仅包含了图像区域与边缘属性中的一种,而新方法能够同时包含上述两种图像属性。首先,定位血管内外同质区域;然后,通过目标边缘能量的计算使曲面沿着图像梯度方向的二阶导数进行演化,以使其精确收敛到目标边缘;最后,根据上述步骤,建立三维血管分割形变模型。通过多组CT图像的实验表明,该方法快速、准确,对背景噪声具有较好的适应性。

基于自适应形变模型的胸部CT图像肺组织分割

肺组织分割是肺结节检测、肺功能定量分析、三维重建与可视化计算等胸部CT图像分析处理的基础。为此,首先提出了一种改进的自适应形变模型(T-Snake模型),然后基于改进的T-Snake模型给出胸部CT图像肺组织分割方法。上述模型能够解决基本T-Snake模型的自交(Self-collisions)问题,有着更高的数值计算精度;并且,对T-Snake模型的节点更新算法也做了改进,使模型节点的更新速度加快。实验结果表明,方法准确性和可靠性较高,有着较好的应用前景。

一种基于知识模型的CT图像分割方法

图像自动分割一直是医学图像处理的研究重点。系统由解剖知识模型、图像处理程序和推理机组成。模块之间的通信由黑板控制。该方法提高了医学图像分割的自动化程度和可靠性。由于具有扩展性,该方法为基于知识医学图像的处理提供一个通用的模式。

样条几何形变模型及其在CT图像分割上的应用

根据医学图像分割的特点 ,建立了一种样条几何形变模型 ,它表示为一个有序的用边线连接的顶点集合 .其有序的顶点集合组成顶点模型 ,有序的边线集合组成边线模型 ,两者通过形变模型的二阶连续性紧密地结合在一起 .样条几何形变模型能够获得平滑而连续的对象描述 ,适合于形状复杂的解剖结构 .将其用于肝脏 CT图像分割 ,结果表明 。

构建MRI统计形变模型的子宫肌瘤超声图像分割方法

超声图像分割是实现高强度超声聚焦治疗中术中引导的重要步骤,而超声图像的低信噪比使得分割的结果往往不精确,易造成手术中聚焦区域有偏差.为此提出一种基于MRI先验形变模型的超声图像分割方法.首先分别从MRI图像集和超声图像集中训练基于特定病人的统计形变模型和初始化分割模型;然后利用超声图像中子宫肌瘤的部分显著性轮廓对分割模型进行初始化;最后使用统计形变模型对超声图像的分割结果进行约束,并对结果进行优化得到最终的结果.与其他分割方法进行比较的实验结果表明,该方法能够有效地提高高强度超声聚焦治疗的精度和效率.

结合高斯过程和形变模型的超声图像分割方法

目标区域的先验形状在基于形变模型的超声图像分割方法中扮演着重要的角色。为了提高先验形状模型对目标轮廓形变细节的建模能力,提出了一种基于高斯过程的统计形状模型。目标的形状被表示成一种离散的随机时间序列;利用高斯过程的性质对训练集中的目标形状变化进行统计学习,从而生成目标的先验形状和先验概率。为给形变模型向目标区域的演化提供观测模型,结合超声图像中目标边缘内外灰度变化特征设计了一种径向纹理特征模型。分割的优化被转化为求最大后验概率的过程。基于真实的临床超声图像实验结果显示,与其他方法相比该方法在复杂形变区域和弱边缘区域提供了更准确和鲁棒的结果。

基于改进的GVF模型的CT图像分割方法

活动轮廓模型被广泛应用于医学图像分割之中.文中针对CT图像的分割方法进行了探讨,提出了一种基于GVF模型的改进的活动轮廓分割法.改进方法采用轮廓中心法及引入一作用力的方法,克服了GVF模型不能处理深度凹陷区域的问题.实验结果表明,改进后的分割方法较原Snake模型及GVF模型的效果更好.

基于形变模型Level Set方法的图像分割

本文阐述了基于形变模型(Deformable Models)的Level Set分割方法的基本原理及其特点,介绍了在图像域的实现方法,实现并改进了基于该模型的Narrow Band快速算法。该算法的基本流程是:先在需要分割的目标内或外给定一封闭的初始曲线,通过Gaussian滤波后计算图像的梯度,最后通过Narrow Band 算法完成轮廓线的抽取。该算法应用于医学CT/ MRI影像以及显微图像的目标分割中,取得了较好的实验结果,证明该方法非常适合于对具有分支、突触以及拓扑结构变化的目标进行快速精确分割。文中给出了算法实现的基本流程、相关参数的选取准则和部分实验结果。实验发现算法中涉及的参数对提取的轮廓线的精确和光滑程度有较大影响。

基于形变模型的图像分割技术综述

基于形变模型的图像分割技术是近年来兴起的一种新型图像分割方法,已有相当广泛的研究。该技术为如何有效地从图像中分割出不规则对象及自然对象指出了一条佳径。该文简要介绍基于形变模型图像分割技术的基本原理和发展历程。按技术发展的线索介绍各种典型的形变模型表示形式,提出各种表示形式的优缺点,分析基于形变模型的图像分割的各种技术所存在的缺点,并建议了可能的研究方向。

基于Mumford-Shah模型的快速水平集图像分割方法

该文对Chan-Vese提出的基于Mumford-Shah模型的水平集分割图像的算法做了两方面的改进:首先改进了C-V方法的偏微分方程,使得C-V方法可以快速计算出全局最优分割;其次,采用源点映射扫描方法来快速计算符号距离函数,克服了常规水平集方法中构造符号距离函数计算量大的缺点,并结合该文所提出的基于快速步进法生成符号表的方法,进一步提高了计算稳定性.两方面的改进提高了计算的速度和分割效果,试验统计结果显示,对于512×512的大幅图像,一般只需要10次左右的迭代就可以得到最优的分割效果.对合成图像、生物医学图像的分割结果表明了本文方法的稳健、快速.

基于混合高斯模型MRF场的CT图像分割

提出了一种基于混合高斯模型的马尔可夫随机场CT图像分割方法。此方法根据工业CT图像的特点,建立混合高斯逼近的图像灰度统计模型;用混合高斯模型作为Markov随机场的先验模型,提出混合高斯Markov随机场分割模型。实验表明,该方法较单高斯模型有很大的改善,对工业CT图像分割效果好。

基于主动形变模型的医学序列图像的分割

对主动形变模型(active shape model)方法进行了改进,将其用于CT序列图像的分割,实现了对一些边缘不清晰的软组织的分割。一个组织在CT序列图像中其形状变化往往是连续的,据此,我们先在序列图像中按顺序每间隔几幅抽取一幅图像,用其他方法分割好;然后对分割结果使用主成分分析方法(Principle Component Analysis)计算其形变特征,生成可变形轮廓模板;再用这个模板去变形、配准、分割其他图像,从而达到一个比较理想的分割结果。

基于边缘信息C_V模型的医学图像分割方法

图像分割是医学处理中的重要研究内容之一,提出一种基于边缘信息的改进的C_V模型的医学图像分割方法.在模型中增加了表征边界特征的项,利用图像的边界信息与区域信息为分割服务,克服了传统C_V模型不能利用图像的梯度信息的不足.并对C_V模型的区域信息项进行了改造,改变了传统C_V模型中均值取值的定义,提高了对灰度层次丰富的图像分割能力.增加了距离函数惩罚项,将距离函数重新初始化的过程并入整个水平集框架模型中,极大地提高了曲线演化与分割速度.实验表明该模型是有效的医学图像分割方法.

基于窄带Mumford-Shah模型的图像分割方法(英文)

在结合Mumford Shah模型和水平集方法中的窄带解法优点的基础上 ,提出了一种新的图像分割模型 .Mumford Shah模型虽然具有良好的图像分割结果 ,但是其每次迭代过程都需要对所有图像数据进行计算 ,因而很费时 ,导致这种方法不适用于大的图像数据 ,特别是三维图像的分割 .本文通过一种新的初始化方法把Mumford Shah模型和水平集中的窄带解法结合在一起 .这种新的初始化方法是通过在特定条件下简化快速行进法得到的 .通过去除快速步进法中费时的排序过程 ,使得初始化的计算时间只有O(N) .窄带Mumford Shad模型把分割计算限制在窄带范围内 ,避免了大量的计算 ,但取得了与原始的Mumford Shah模型相同的分割效果 .实验结果表明基于快速步进法的初始化方法是可行的 ,而窄带M S分割模型一次迭代计算的时间比原M

医学图像分割技术中变形模型方法的研究综述

医学图像分割是医学图像处理中的一个经典难题。医学图像分割技术的发展不仅影响到医学图像处理中其他相关技术的发展,如可视化、三维重建等,而且在生物医学图像的分析中也占有极其重要的地位。近年来,由于一些新兴学科在医学图像处理中的应用,医学图像分割技术取得了显著的进展。对近年来兴起的基于变形模型的医学图像分割技术进行研究,综述了其发展历程和基本原理,分析和比较了基于变形模型的图像分割的各种技术的优缺点,展望了该技术领域以后一段时间内的发展趋势。

一种基于三维直方图的改进C-V模型水平集图像分割方法

对Chan-Vese提出的基于简化Mum ford-Shah模型的水平集图像分割方法(C-V模型)做了改进.传统的C-V模型仅将灰度同质(homogene ity)作为区域分离准则,这使其对于对比度明显的图像能够取得很好的分割结果,但单一的分离准则往往致使其在分割噪声信息丰富的、灰度分布复杂的医学、遥感以及自然图像等时产生大量的冗余轮廓.为此,本文在改善C-V模型全局优化特性的基础上,整合图像的灰度分布信息、邻域空间信息以及图像所固有的模糊信息构造三维向量(灰度值、模糊均值和模糊中值),提出了一种基于三维直方图的改进C-V模型水平集图像分割方法.自然图像和红外光学图像的试验结果证明了该方法的有效性.

基于Snake模型的病变CT肺部图像分割

传统的肺实质分割算法大多基于阈值法、区域增长、边缘提取以及形态学等方法,这对健康肺部CT图像可以得到比较理想的分割结果,但临床上所面临的CT图像大多具有各种病变,严重时会导致肺实质大面积缺失或呈区域性离散块状,这使得传统的肺实质分割算法效果不理想。为此,提出一种以生理解剖学知识为基础并基于Snake模型的肺实质分割算法。通过多组CT图像实验表明,无论肺内有无病变,该算法对CT肺部图像分割效果理想,而且速度快、完全自动。

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 。