基于序列注意力和局部相位引导的骨超声图像分割网络

在超声辅助的骨科手术导航中,需要从采集的超声图像序列中精确分割出骨结构,并展示给医生,来辅助医生进行术中决策.但是,图像噪声、成像伪影以及模糊的骨边界导致从超声图像序列中精确分割提取骨结构十分困难.为解决该问题,提出一种新的基于序列注意力与局部相位引导的骨超声图像分割网络.该网络一方面自适应地利用超声序列帧之间的关系即序列注意力来辅助骨结构的语义分割.另一方面,该网络通过引入局部相位引导模块,突出骨边缘信息,进一步提高分割精度.利用包含19050幅图像的骨超声数据集,进行交叉实验、消融实验并与最新的超声骨分割方法进行比较.实验结果表明所提方法对骨结构分割精度高,优于现有的超声骨分割方法.

基于SEEDS的医学超声图像分割算法

针对高强度聚焦超声(HIFU)治疗过程中肿瘤的快速识别与自动定位问题,提出了一种基于SEEDS超像素的自动分割方法,能够为医生快速、准确地定位肿瘤提供帮助,大大减少医生的工作量。该方法基于分裂合并的思想,先利用SEEDS将图像分裂成超像素,再提取超像素的纹理和边界信息,使用纹理边界编码压缩算法完成超像素合并,最后在先验信息的限制下实现肿瘤的自动分割。实验结果表明,该方法可以应对图像质量低、背景复杂等不同情况下的肿瘤分割问题,分割结果比较准确。

基于特征融合的边缘引导乳腺超声图像分割方法

针对乳腺超声图像边缘模糊、斑点噪声多、对比度低等问题,提出了一种融合多特征的边缘引导多尺度选择性核U-Net(Edge-guided Multi-scale Selective Kernel U-Net,EMSK U-Net)方法。EMSK U-Net采用基于U-Net的对称编解码结构可以适应小数据集医学图像分割的特点,将扩张卷积与传统卷积构成选择性核模块作用于编码路径,并提取下采样过程中的选择性核特征进行边缘检测任务,在丰富图像空间信息的同时细化边缘信息,有效缓解斑点噪声和边缘模糊的问题,在一定程度上可以提升小目标的检测精度。然后在解码路径通过多尺度特征加权聚合获取丰富的深层语义信息,多种信息之间相互补充,从而提升网络的分割性能。在3个公开的乳腺超声图像数据集上的实验结果表明,与其他分割方法相比,EMSK U-Net算法各项指标表现良好,分割性能有显著提升。

双态形状重构及其在前列腺超声图像分割中的应用

前列腺超声图像在临床中的准确分割对于后续诊断具有重要的影响,而当前已有研究结论无法精确分割各个部分。提出了一种基于点分布模型和流形学习的双态形状重构的方法,并对前列腺超声图像进行分割:通过随机森林指示隐态表达进行目标初定位;改进边界算子以改善粗分割准确性;使用显态表达与噪声部分相邻的部分灰度显著点来进行插值计算,从而恢复整体形状。该分割方式不仅减少了数据计算量,还增加了分割可靠性。实验表明,该方法的DSC指标为97.38%,mIoU指标为95.24%,精度强于当前热门分割神经网络。

多参数Gabor预处理融合多尺度局部水平集的超声图像分割

针对超声图像边缘较弱且不连续、图像灰度分布不均的特点,提出一种基于多方向、多频率的Gabor滤波融合多尺度水平集的边缘提取算法。将超声图像成像的不连续性看作随机方向的纹理,利用Gabor滤波的方向性进行不同角度的滤波,通过最大值融合多图像,得到待分割区域和背景之间的差异且最大程度地保留原图像信息的中间图像。同时,使用多中心频率的Gabor滤波核以满足超声图像复杂的频率分布特性,并通过均值融合的方式减弱噪声的影响。再针对融合图像边缘较弱且灰度变化不均的缺陷,改进传统的局部聚类水平集方法,采用不同方差大小的高斯卷积核来适应图像不同部分的灰度变化情况,通过均值融合构造多尺度能量函数。通过在增强图像上迭代改进后的多尺度水平集函数,获取最终边缘。为验证算法的有效性,对胃部超声图像进行测试,分割结果的相关性系数和敏感性系数分别达到了0.856和0.910,相比传统局部强度聚类水平集方法分别提升了20.7%和5%。实验结果表明,该算法可以显著提高超声图像边缘提取的连续性和准确性,有效降低因超声图像灰度不均和边缘较弱造成的过分割现象。

医学超声图像分割的一种新方法

有效地实现超声图像的分割依然是临床疾病诊断亟待解决的一个难题。本研究将图像树型框架小波变换、尺度共生矩阵、KL变换主分量分析和自组织神经网络聚类相结合应用于医学超声图像,提出一种分割新方法。实验表明,对于不同的医学超声图像,应用本研究方法均可得到比较清晰的分割结果,且显著地提高了分割图像的对比度,这对于固有对比度较低的医学超声图像来说不啻一种很有效的图像分割新方法,为临床诊断提供新的借鉴。

胎儿超声图像分割及自动径线测量

为从超声图像中准确估计胎儿股骨长度、头围、双顶径和枕额径,提出一种新的胎儿超声图像分割和径线自动测量方法。首先使用结合空间邻域信息的二维模糊聚类,在抑制斑点噪声的同时提取胎儿超声图像中的骨骼部分;接着将骨骼提取的结果细化作为霍夫变换的输入;然后根据股骨和头部不同的形态特征,分别设计了直线霍夫变换加二次曲线拟合的股骨参数提取方法,以及椭圆二次迭代霍夫变换的头部参数提取方法。本研究对60组胎儿超声图像自动计算所得的股骨长度和头围与手动测量间的差异分别为(0.069±0.066)cm和(-0.508±0.458)cm。结果显示本方法所得结果基本与手动测量的结果吻合,可以提高测量的客观性,有望应用于临床的产前监护。

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。

基于自动随机游走的涎腺肿瘤超声图像分割方法

针对涎腺超声图像斑点噪声强、对比度低和边界弱的特点,提出了一种结合形态学检测的自动随机游走分割方法。该方法首先利用形态学操作获得目标的初始轮廓,然后提取目标区域和背景区域骨架结构的有效标记点作为随机游走算法的种子点,最后利用种子点对预滤波后的肿瘤图像实现随机游走分割。实验选取大量临床采集的涎腺肿瘤超声图像进行测试,结果表明该方法计算复杂度低,解决了传统随机游走模型初始种子点的人工干预问题,有效实现了涎腺肿瘤的自动分割。

基于改进测地线模型的前列腺超声图像分割

利用变分法,消除了测地线中的重初始化过程,使运算速度加快;结合先验知识,改进了测地线活动轮廓的边缘检测函数;使用最小方差,提高了分割算法的精度。实验表明,该方法能够有效地进行分割前列腺超声图像,并且避免边界泄露问题。

基于改进的区域生长与GVF snake的超声图像分割

针对传统的区域生长法应用于超声图像时,在选取相邻的生长阈值的情况下会分别出现欠分割与过分割而导致分割失败的现象,提出一种改进方案,在生长之前先将每个待生长像素进行压缩之后再与种子点进行比较,并通过改进的方案与各向异性滤波技术的结合获得超声图像目标区域并提取其轮廓,然后将此轮廓作为GVF Snake模型的初始轮廓收敛获得最终的分割结果。通过对临床采集的超声图像进行的实验结果表明,改进后的区域生长法能成功地应用于超声图像,并能很好地作为GVFSnake的初始模型从而获得理想的分割结果。

基于改进粒子群的模糊聚类超声图像分割

医学超声图像由于存在斑点噪声等模糊和不确定性的特点使得分割一直是一个难题。模糊C-均值聚类算法是一种结合无监督聚类和模糊集合概念的技术,广泛应用于图像分割,但存在着受初始聚类中心和目标函数高度非线性影响,极易收敛到局部极小的缺点。将集群智能的粒子群优化算法(PSO)与模糊C-均值聚类算法相结合,实现了基于粒子群模糊C-均值聚类的图像分割算法。实验结果表明,该方法具有搜索全局最优解的能力,因而可得到很好的图像分割结果。

一种新颖的前列腺超声图像分割方法

现有的基于先验知识的超声图像分割方法往往都需要对先验形状进行建模,由于建模一般都是对形状的整体进行学习,造成最终分割结果往往在细节上会有所不足,并且在分割过程中都涉及到对形状的迭代,对分割时间也会造成一定的影响。为了克服现有先验知识的不足,提出一种新颖的图像分割方法。该方法提出了一种边界描述符,定义了分割过程中前后检测点的空间关系,使用该空间关系能够将边界点检测过程中出现的异常(噪声)点自动过滤掉,从而摒弃掉了对先验知识的依赖。同时,该描述符改进了传统的法向量对比度边界算子,考虑了其邻域法向量上的边界信息,使得边界检测性能得到了极大的提升。实验结果表明,使用该边界描述算子能够直接将前列腺的边界分割出来,相比传统的边界检测过程,迭代次数可以忽略不计,在时间和精度上都得到了极大的提升。

基于三阶样条曲线拟合的改进Snake模型在医学超声图像分割中的应用

鉴于医学超声图像所具有的复杂性,采用基于样条曲线拟合的改进Snake模型来实现对心脏超声图像的分割.为了克服传统Snake模型对初始轮廓的依赖性,采用扇形法获得靠近目标边界的初始轮廓点,并且得到的轮廓点是有序点集.能量最小化过程运用贪婪算法来获得图像的特征边缘点,最后采用三阶样条拟合的方法来获得连续的图像边缘.实验结果表明,采用本方法可以获得连续、封闭的边缘曲线,能够较好地将目标从图像中提取出来.

基于改进主动形状模型的前列腺超声图像分割算法

为了提高前列腺超声图像的分割精度,提出了一种基于改进主动形状模型的前列腺超声图像分割算法.首先,提取前列腺超声图像的特征集合,该特征集合由Gabor纹理特征和局部二值模式(LBP)特征组成.然后,通过利用k均值算法对提取的特征集合进行聚类分析,得到超声图像的聚类表示图.最后,在聚类表示图上应用ASM获取超声图像中前列腺的形状信息.结果表明,该算法可以准确地定位前列腺边界信息,与医生手动标记的前列腺轮廓相比,平均绝对距离仅为1.559 6 mm,戴斯相似度系数最高可达93.88%.利用超声图像的聚类表示图可以获得更加精确的前列腺轮廓信息,可用于海扶高聚焦超声(HIFU)手术中的精准导航.

基于相位的C-V模型乳腺超声图像分割方法

为了提高乳腺超声图像分割的准确率,提出了一种基于相位特征的C-V模型超声图像分割方法.首先,采用LOG-Gabor滤波器对超声图像进行6个不同方向的滤波,提取最大能量所对应的相位信息,得到超声图像的相位特征.然后,采用SRAD方法对超声图像降噪,并将降噪后的图像与相位特征点乘,增强图像目标与背景的对比度.最后,运用C-V模型的分割算法识别图像中的目标区域,并采用腐蚀方法使目标区域边缘完整、平滑.实验结果表明,与基于灰度的C-V模型、GAC模型以及基于相位特征的人工神经网络方法相比,利用该方法分割乳腺超声图像,分割的精确度明显提高,达到92.40%.

基于小波变换和尺度共生矩阵的超声图像分割

超声图像所固有的特性使得图像分割比较困难,尤其是应用计算机实现超声图像的自动分割技术远不能达到实际需要,因此,超声图像的分割是亟待解决的一个难题。文中将图像树型框架小波变换、尺度共生矩阵和自组织神经网络聚类相结合应用于超声图像提出一种分割方法。实验表明,应用所提出的方法可得到比较清晰的分割结果,显著提高分割图像的对比度。

基于改进边缘活动轮廓模型的超声图像分割

为克服传统边缘函数(edge-stop functions,ESFs)不能停止模糊边界问题,提出一种方法构建一组边缘停止函数的活动轮廓模型实现模糊边界的分割。该方法包括一组带有灰度信息和概率评分的标准分类器,ESF可以由任意分类算法构造,将其应用到基于边缘的水平集分割方法中。采用距离正则化水平集演化方法结合k-近邻算法(k-nearest neighbor,kNN)或支持向量机(support vector machine,SVM)对超声图像进行分割,实验结果表明,该方法能够有效分割超声图像,明显优于其它分割方法。

基于全局和区域可伸缩拟合局部熵活动轮廓模型的超声图像分割

针对区域可伸缩拟合局部熵(region-scalable fitting based on local entropy,RSF_LE)模型图像分割效率低的问题,本研究提出一种改进的RSF_LE模型。定义带有加权局部灰度拟合项以及辅助的加权全局灰度拟合项的能量泛函,其中加权局部灰度拟合项负责对目标边界附近的轮廓进行诱导,使其靠近目标物边界,加权全局灰度拟合项利用图像的全局信息来引导远离目标的轮廓向目标靠拢,该方法可以克服传统的RSF_LE模型分割算法效率低下的问题,并提高了该方法的鲁棒性。