基于模糊K-近邻规则的多谱磁共振脑图像分割方法的研究

本文在K 近邻 (K nearestneighbor ,简称KNN)规则的基础上 ,基于模糊C 均值聚类 (FuzzyC meansclustering ,简称FCM)技术 ,提出了模糊K 近邻算法 (FuzzyK nearestneighbor ,简称FKNN) ,并利用该算法对磁共振脑图像进行分割研究。首先对磁共振颅脑图像进行预分割 ,剔除颅骨和肌肉等非脑组织 ,只保留大脑结构 ;然后利用FKNN算法对大脑结构进行分割 ,从脑组织中分别提取出白质、灰质和脑脊液。实验结果表明 ,FKNN方法能有效地从大脑结构中分割出白质、灰质和脑脊液 ,分割效果明显优于KNN方法。

水平集理论在磁共振脑图像分割中的模型研究

灰度不均匀性常出现在医学图像中,给图像分割问题带来很大困扰.为了提高鲁棒性,可在分割模型中引入各种先验知识,例如形状和灰度分布信息.而传统的引入先验知识的分割算法,如神经网络算法,仍存在许多问题,包括数据计算量大和边界不连续等.为了解决这些问题,提出了一种基于水平集理论的分割算法.利用局部区域的灰度信息定义能量函数,然后根据能量函数的最小化机制引导水平集曲线进化并最终收敛到目标边界.在仿真实验中,将局域化的水平集算法与传统的自组织映射神经网络算法进行比较.结果表明,所得到的算法在鲁棒去噪和目标边界的连续性方面效果更佳.

基于纹理特征和支持向量机的磁共振脑图像组织分类

磁共振脑图像的是医学诊断中的一种重要的手段,在此主要研究磁共振脑图像的组织分类。分类以脑图像各组织的纹理特征为依据。在试验过程中采用区分度较高的特征值,组成特征向量,作为支持向量机的输入,用改进的支持向量机进行分类。在特征向量数据优化和支持向量机参数寻优的条件下,可以取得较好的分类效果。

基于K-Means及K-NN的磁共振颅脑图像分割初探

目的对K-均值聚类(K-Means)和K-最近邻规则(K-NN)方法在MR颅脑图像分割中的应用进行研究,分析二者优缺点并提出改进。方法利用K-Means算法和K-NN算法对脑组织进行分割。为了减少人脑的劳动使算法自动进行,提出使用K-Means方法提取K-NN方法的训练样本。结果 K-Means与K-NN及改良后的K-NN算法(KMN)能很好地从大脑结构中分割白质(white matter,WM)、灰质(grey matter,GM)和脑脊液(cerebrospinal fluid,CSF)。结论实验表明K-Means与K-NN能快速有效地分割脑组织,改进后的K-NN方法减少了人工参与,并能获得较好的分割效果。

混合角点检测算法用于脑磁共振图像配准

目的针对现有角点检测算法的不足,提出结合Harris、Susan的混合角点检测算法,并应用于脑MR图像配准中。方法首先通过Harris算子、Susan算子分别提取图像中Harris角点和Susan角点;然后对Harris角点和Susan角点取并集;通过引入两个加权因子ω1和ω2,分别对Harris角点响应值与Susan角点响应值进行加权计算,获得其角点强度,从而筛选出新的角点集合;通过归一化相关法和投票策略筛选出精确匹配的角点对;最后采用Powell算法进一步优化,获得图像最终配准参数值。结果混合角点检测算法应用于脑MR图像配准能获得较高的配准精度和较好的稳定性。结论相比于目前的角点检测算法,本文算法更适用于脑MR图像配准。

多相变分水平集的脑部磁共振图像分割与偏移场矫正的耦合模型

目的为分割有偏移场的脑部磁共振图像,建立了一种多相变分水平集的脑部磁共振图像分割与偏移场矫正的耦合模型。方法依据偏移场特性,定义了基于局部灰度信息的K均值聚类准则,并将聚类准则项整合为变分水平集函数的基本能量项,构造变分水平集的能量函数,求解能量函数的欧拉-拉格朗日方程。将提出的变分水平集算法扩展为多相,最终实现脑组织分割和偏移场的矫正。结果以医生手动分割的脑组织为标准,将本文模型与多相LBF模型的分割结果进行定量分析,结果表明,偏移场强度为20%时,本文模型的分割精度比多相LBF模型提高了10%,且随着偏移场强度进一步增强,本模型的优势更明显。结论本模型抗噪能力强且分割结果受参数影响小,可应用于脑组织的分割和偏移场的矫正。

基于脑磁共振图像配准的动态联合角点检测算法

角点检测算法是基于角特征点的图像配准方法的核心。Harris和Susan是两种重要的角点检测算法,有较好的检测能力,但是其在描述角点信息方面都不全面。因此,联合Harris、Susan两种算法是一种较好的解决思路。其中,如何确定在联合算法中Harris、Susan两种算法的权重是一个关键。设计了一种联合算法,并通过统计实验获取两者的权重,通过引入两个加权因子ω1和ω2分别对Harris角点响应值与Susan角点响应值进行加权计算,获得其角点强度,从而筛选出新的角点集合,使该联合算法的角点检测能力明显提高。最后将该方法用于脑磁共振图像配准实验中。实验比较结果表明,该联合角点检测算法在脑磁共振图像配准的应用中,相对于目前已有角点检测算法,能获得较高的配准精度和较好的稳定性。

基于脑部磁共振图像三维局部模式变换特征提取进行阿尔茨海默病病程预测分类

本文提出一种三维局部模式变换提取进行纹理特征并与常规特征相融合的方法,基于脑部磁共振图像,对认知功能正常的健康人体(CN)、轻度认知障碍(MCI)患者和阿尔茨海默病(AD)患者进行预测分类.首先对46例CN对照组、61例MCI患者和25例AD患者的脑部磁共振图像提取感兴趣区域,然后提取双侧海马体组织、灰质和白质的三维局部模式变换纹理特征和常规特征,并将两类特征融合,使用支持向量机分类算法进行分类.结果显示利用本方法,基于双侧海马体组织对AD组和CN组进行分类的准确率为88.73%、敏感度为78.00%、特异度为95.7%、受试者工作特征(ROC)曲线下面积(AUC)为0.886 5;基于灰质的准确率为85.92%、敏感度为80.00%、特异度为86.6%、AUC为0.854 3.这证明基于海马体磁共振图像,利用本文提出的改进三维局部模式变换提取的纹理特征进行阿尔茨海默病病程分类效果较好,融合常规特征后更可提高分类预测的精度.

基于边缘竞争模糊水平集的脑部磁共振图像自动分割

针对脑部磁共振(MR)图像分割时容易出现的受噪声影响大和边缘定位模糊问题,提出一种以基于核函数的增强模糊C均值(RFCMK)算法结果为先验知识的边缘竞争水平集自动分割方法。首先采用RFCMK算法对图像进行预分割;然后对预分割后的各子类图像进行阈值化处理,并将其边缘作为水平集演化的初始轮廓;最后采用引入竞争机制的边缘指示器对各部分边缘进行演化。该方法对模拟图像不同层切面的分割实验表明,基于面积和基于边缘的评估统计值范围分别为[0.91,0.95]和[0.05,0.22]。对噪声图像的实验结果表明该方法能够有效地抑制噪声对分割结果的影响。

基于核模糊聚类优化算法的脑核磁共振图像分割研究

目的:脑核磁共振(MR)图像中普遍存在噪声的影响,传统的核模糊C-均值(Kernel Fuzzy C-means,KFCM)算法无法得到理想的脑组织分割结果,为此提出一种基于核模糊聚类优化算法的分割模型。方法:首先通过粒子群算法确定KFCM的初始聚类中心,然后利用自适应中值滤波消除图像中的噪声,最后采用该模型分别对不同的图像进行实验。结果:该方法不仅能迅速确定图像的初始聚类中心,并且有效地消除图像中的噪声。结论:与传统KFCM算法相比,提出的模型具有更高的精确度和分割效率。

一种分割脑部磁共振图像的FCM改进算法

脑部MRI的快速准确分割是脑部疾病临床诊断过程的关键步骤之一。针对FCM算法部分参数设置影响分割结果和鲁棒性差的缺陷,提出一种基于非局部空间信息的快速模糊C均值核聚类改进算法,并应用于脑部MRI分割中。依次通过直方图、K-means算法、核函数、基于积分图的非局部空间信息解决了部分初始参数值难以控制、抗噪性差和运算效率低等问题。实验表明,该算法错分率低至2.0%,运行时间平均减少至13.89 s。

基于像素选择的脑部磁共振图像非局部均值滤波

针对传统基于像素选择的非局部均值滤波算法对脑部磁共振图像去噪效果不明显的问题,提出一种传统算法的改进算法。传统算法的原理是通过邻域之间的相似性预先选择像素,如果像素未被选中,其权重将被设置为零。改进算法首先通过邻域间的相似性将像素分为相似像素和不相似像素,然后增大相似像素的权重,同时引入指数函数逐级减小不相似像素的权重。实验结果表明,改进算法对脑部磁共振图像的去噪效果优于传统算法,且能更好地保留图像的细节信息。

基于继承PSO算法的动态脑磁共振图像配准

提出了一种用于动态图像配准的混合角点继承PSO算法。该方法采用混合角点检测算子来提取角点,并将继承最优种群的思想引入到PSO优化算法中,即对当前图像配准得到的最优种群进行动态继承与变化后,再用于指导后续图像的配准。实验表明:所提出的算法不仅克服了传统的随机重启方式的脑磁共振图像配准算法中随机设定参数导致配准速度慢的问题,而且提高了图像的配准精度和稳定性。

磁共振图像的随机场分割方法

基于 Gibbs分布的 Markov随机场是一个重要的先验模型 ,能够简单地通过势能形式表示图像像素之间的相互作用 ,从而把图像的先验知识和图像分割的数学模型相结合 .利用 Markov随机场方法提出了脑磁共振图像最大后验概率的分割模型 ,并通过迭代条件方法求解 ,与传统的 K均值算法作比较 。

一种基于马尔科夫随机场的脑MR图像分割改进算法

高斯混合模型(GMM)易受噪声影响,马尔科夫随机场(MRF)模型能够很好地刻画空间特性。两者结合适用于对含有噪声的图片进行分割,但MRF模型用于图像分割时,容易出现过分割现象。针对这个问题,提出一种自适应权值系数的图像分割改进算法,从核磁共振成像(MRI)中较好地分割出脑脊液、灰质和白质组织。首先,使用K‐means算法得到初始分割结果,通过期望最大化算法(EM)估计GMM参数,进而得到图像像素灰度的联合概率能量函数。然后,利用MRF邻域系统中心像素与邻域像素的灰度值、后验概率和欧式距离得到自适应的权值系数,使用MRF模型得到先验概率能量函数。最后,借助贝叶斯准则得到最终图像分割结果。实验结果表明,该算法具有较强的自适应性,能够较好地克服噪声对图像分割的影响织。与同类算法相比,该算法对含有噪声的脑部MRI图像具有较高的分割精度,可得到较好的图像分割结果。

利用自相似性实现医学图像合成的生成对抗网络

基于深度卷积的跨模态医学图像合成网络具有从大规模数据资源中学习非线性映射关系以进行局部生成的优势,但现有方法忽略了医学图像具有特征自相似性的特点,仅通过卷积来提取像素级别的特征信息,导致深层特征提取能力不足和语义信息表达不充分.为此,提出了基于图注意力块(Graph Attention Block,GAB)和全局块注意力块(Global Patch Attention Block,GPAB)的生成对抗网络(Graph Attention Block and Global Patch Attention Block Generative Adversarial Networks,GGPA-GAN).其中,用图注意力块和全局块注意力块捕捉医学图像切片间以及切片内的自相似性,进行深层特征的提取.此外,在生成器中加入二维位置编码,利用图像的空间位置信息来增强语义信息的表达能力.在HCP_S1200数据集和ADNI数据集上的实验结果表明,提出的网络在3T-7T、T1-T2的脑部MRI图像合成任务中相较于其他网络取得了最优的结果.在3T-7T脑部MRI图像合成任务中,相比Pix2pix合成方法,该方法在峰值信噪比(Peak Signal-to-Noise Ratio)、结构相似性指数(Structural Similarity Index)和平均绝对误差(Mean Absolute Error)方面分别提升了0.55、0.007和6.55.在T1-T2脑部MRI图像合成任务中,相比Pix2pix合成方法,在PSNR、SSIM和MAE分别提升了0.68、0.006和8.77.这些结果充分证明了此方法的有效性,为临床诊断提供了有力的帮助.

基于参数化互信息的脑MR图像分割与偏移场矫正模型及快速算法

脑核磁共振(Magnetic Resonance简称MR)图像中存在灰度不均匀现象使得传统方法很难得到理想的分割与偏移场矫正结果.针对这一问题,本文首先提出Legendre基函数拟合偏移场下的参数化互信息度量,建立脑MR图像的分割与偏移场矫正的变分模型.最后,给出了基于分裂Bregman迭代方法的快速分割与偏移场矫正算法.实验结果表明本文方法可以得到较准确的分割和偏移场矫正结果,而且具有较快的收敛速度.

图谱法脑部MRI图像自动分割技术发展及应用

脑部MRI图像自动分割是计算机技术运用于医学上的一个典型工作,脑部图像分割技术对于人类研究脑部疾病具有重要意义。虽然有一些非常广泛应用的图像分割方法,如阈值法、区域增长法、聚类法等,但在脑部MRI图像分割中,这些方法都没有图谱法具有更为实际的医学研究与临床价值。本文回顾了脑部图像配准、分割的发展历程,介绍了图谱分割算法的发展及基本原理,以及当前比较前沿的多图谱分割系统的组成和应用。最后本文对图谱法脑部自动分割在实际临床医学中的应用前景作了总结和展望。

基于改进模糊聚类分析的医学脑部MRI图像分割

结合MRI图像的直方图统计信息,提出了一种改进的快速FCM(HF-KFCM)算法。算法首先利用多尺度窗口遍历的方法找到直方图的峰值点,然后将其作为模糊聚类的初始化中心,并使用基于统计信息的快速聚类方法进行遍历,以减少每次迭代的运算量。仿真结果表明,该算法相比于标准FCM算法和其他改进算法,在聚类有效性和模糊性上的分割效果显著提高。

高斯混合模型融合SSC的脑部MR图像分割

针对脑补核磁共振图像分割问题,提出一种基于高斯混合模型融合半监督聚类方法。首先,从原始数据集随机选取MR图像切片;然后,利用k-均值算法聚类;最后,利用统计学和所得聚类的类标签信息完成分类。实验结果表明,该方法加快了收敛速度。相比两种有监督高斯混合模型,该方法取得了更好的分割结果,且无需标记训练数据集。