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。

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。

深度迭代融合的脑部磁共振图像颅骨去除网络

目的去除颅骨是脑部磁共振图像处理和分析中的重要环节。由于脑部组织结构复杂以及采集设备噪声的影响导致现有方法不能准确分割出脑部区域,为此提出一种深度迭代融合的卷积神经网络模型实现颅骨的准确去除。方法本文DIFNet(deep iteration fusion net)模型的主体结构由编码器和解码器组成,中间的跳跃连接方式由多个上采样迭代融合构成。其中编码器由残差卷积组成,以便浅层语义信息更容易流入深层网络,避免出现梯度消失的现象。解码器网络由双路上采样模块构成,通过具有不同感受野的反卷积操作,将输出的特征图相加后作为模块输出,有效还原更多细节上的特征。引入带有L2正则的Dice损失函数训练网络模型,同时采用内部数据增强方法,有效提高模型的鲁棒性和泛化能力。结果为了验证本文模型的分割性能,分别利用两组数据集与传统分割算法和主流的深度学习分割模型进行对比。在训练数据集同源的NFBS(neurofeedback skull-stripped)测试数据集上,本文方法获得了最高的平均Dice值和灵敏度,分别为99.12%和99.22%。将在NFBS数据集上训练好的模型直接应用于LPBA40(loni probabilistic brain atlas 40)数据集,本文模型的Dice值可达98.16%。结论本文提出的DIFNet模型可以快速、准确地去除颅骨,相比于主流的颅骨分割模型,精度有较高提升,并且模型具有较好的鲁棒性和泛化能力。

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。

基于直方图统计快速FCM算法的医学脑部图像分割

针对模糊聚类算法(FCM)在脑部MRI图像分割中存在计算量大的缺点,提出了一种结合直方图峰值信息和统计信息的快速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,并采用基于直方图统计的快速聚类方法减少每一次迭代的运算量。仿真结果表明,相比于FCM算法和其他改进FCM算法,该算法的分割结果在聚类有效性和模糊性上提高显著。

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。

基于K均值聚类的图割医学图像分割算法

图割是一种同时基于区域和边界的交互式图像分割算法。传统的基于高斯混合模型的图割具有时间慢和描述组织中灰度分布不准确的缺点。为此,提出一种基于K均值聚类的图割算法。通过用改进的图割来分割仿体的和真实的脑部核磁共振图像,显示出该方法的有效性。该方法不但能提高图割在分割时的速度,在有噪音和灰度不均匀的图像上也能在较短的时间内得到更准确且鲁棒的结果。

一种基于自适应空间信息改进FCM的图像分割算法

为了更好地改善图像分割效果,提出一种自适应空间信息的模糊聚类算法(adaptive spatial information fuzzy clustering,ASIFC)。算法将图像空间信息与FCM算法相结合,改进了FCM算法的目标函数;使用信息最大化识别噪声数据和消除异常值。在合成图像和核磁共振脑部图像数据库Brainweb上的实验结果表明,该算法能自适应地实现图像分割,有效识别噪声数据,解决了FCM的空间信息缺乏问题,增强了算法的鲁棒性,相比其他几种较新的聚类算法,取得了更好的分割效果。

采用DenseNet模型的AD自动分类方法

为研究深度学习算法对阿尔茨海默病分类的准确性,提出密集卷积神经网络方法,对阿尔茨海默病进行分类.利用预处理后的数据训练密集卷积神经网络结构,并分类阿尔茨海默病和认知正常者.测试结果表明,文中方法获得的分类准确率为98.91%,分类阿尔茨海默病和轻度认知障碍的准确率为94.54%,准确率较其他算法有一定提升,为阿尔茨海默病的精准分类提供了一种有效的解决方案.