基于非线性各向异性散布滤波器的磁共振颅脑图像的分割方法

目的介绍一种有效的分割磁共振颅脑图像中的大脑结构的方法。 方法它是一个多步处理过程 ,首先 ,粗略地勾画出磁共振颅脑图像中的大脑结构作为感兴趣区 ;其次 ,对感兴趣区进行各向异性散布滤波处理 ;然后 ,对滤波图像进行二值化处理作为图像模板 ;最后 ,利用该模板从原始图像中提取出大脑结构。 结果该方法能有效地分割出磁共振颅脑图像中的大脑结构。 结论利用基于非线性各向异性散布滤波器的图像处理技术能很好地从磁共振颅脑图像中分割出大脑结构。该算法具有很强的鲁棒性和稳定性。

遗传神经网络在颅脑磁共振图像分割中的应用

采用全局最优化算法——实数遗传算法改进BP神经网络的学习算法.在此基础上,提出了一种新的基于实数遗传神经网络的磁共振图像分割算法.实验结果表明,新算法可以有效地降低噪声和边缘模糊对分割结果的影响.另外,设计了一个新的加速遗传算子,可以提高实数遗传算法的收敛速度.

颅脑磁共振图像分割评价的统计学方法

目的评价颅脑磁共振图像分割算法的分割效果;方法设计新的评价方案,并采用统计学方法,客观分析评价结果;结果遣传神经网络分割算法的抗噪声能力强于其他算法;结论统计学评价方法有助于客观地评价分割效果。

非负Laplacian嵌入在颅脑MR图像分割中的应用

在图理论的基础上,将非负Laplacian嵌入应用于颅脑核磁共振图像分割。该算法首先利用均值漂移算法对图像进行预分割,然后利用Gabor滤波器组对分块进行纹理特征提取,再将各分块映射为图中的每一个顶点,最后对图进行非负Laplacian嵌入得到每一小块的聚类结果。实验表明,相对于传统的Laplacian嵌入方法,非负Laplacian嵌入能够得到更好的分割结果。

基于小波包和改进的FCM的医学图像分割

提出应用最优小波包变换对磁共振颅脑图像做分解,以各子带小波包系数的能量形成纹理特征集;并运用基于核函数的模糊C均值聚类算法(Kernel-Based Fuzzy C-means Algorithm,KFCM)对所提取到的特征集进行聚类分析,从而实现了对磁共振颅脑图像的有效分割。实验证明应用KFCM算法做分割的收敛速度和抗噪性明显优于FCM算法。

利用统计学评价结果辅助颅脑MRI分割方法的参数设计

目的:设计适用于颅脑磁共振图像分割的神经网络算法。方法:设计新的评价方案,并采用统计学方法客观分析分割的结果,根据分析结果确定合适的参数。结果与结论:统计学评价方法有助于颅脑MRI分割方法的参数设计。

基于深度学习的三叉神经区域自动检测及TensorRT加速

利用深度学习技术对颅脑核磁共振图像(MRI)中三叉神经区域进行自动检测可为后续三叉神经分割提供可靠的输入图像,有效解决了人工筛选三叉神经对临床医生专业素养要求高、耗时长等弊端。采用YOLO网络自动检测颅脑核磁共振图像中三叉神经区域提高推理速度,并系统性地评估NVIDIA TensorRT框架在不同计算平台下的推理性能。实验结果表明,通过YOLO目标检测网络能够准确检测出三叉神经所在的区域,同时在NVIDIATensorRT框架下,当输入的颅脑MRI分辨率为(204×204)时,CPU平台、嵌入式GPU平台、桌面GPU平台及专业GPU计算卡平台下,YOLOv2网络检测优化后的三叉神经目标的每秒帧率分别可达到0.1 FPS,23.4 FPS,112.5FPS和793.7 FPS,这为后续开发便携式的三叉神经分割设备提供了可参考的重要依据。