乳腺超声图像序列的弹性特征病变分析

在乳腺肿瘤超声诊断中,医师通过手工缓慢加压形成一个超声图像序列.针对乳腺肿瘤病例的单一图像进行识别,存在被干扰而改变的特征,而且不能反映特征在序列中的变化情况.临床研究也显示,乳腺超声图像序列之间的特征变化是判别其良恶性的一个重要指标.针对这个问题,基于手工加压程度变化的评估,提出了5个新型的基于弹性的归一化特征参数,并且联合形态和纹理特征,综合进行病变分析.SVM分类器实验表明,这种方法能够有效地识别肿瘤良恶性,为医师诊断提供必要的辅助诊断信息.

基于隐式模板超声图像序列的分割

研究了超声图像序列中形变结构的分割，根据隐函数对弹性结构的建模能力，提出了用隐式模板逼近形变结构的方法．待分割的结构是由一个能量最小化过程经过逼近而确定出来的．通过对超声心动描记图像进行实验的结果证明，本方法可有效地抑制超声图像序列中噪声对分割的影响，从而有利于对形变结构的提取。

一种用于超声图像序列分割的水平集演化方法

超声图像具有低信噪比、边界模糊、边界部分缺失、灰度不均等特点,对它的分割极具挑战性.而图像分割又是图像定量、定性分析的关键环节,分割的精确性对后续的分析、处理工作影响重大.距离保持水平集演化(DRLSE)方法对超声图像中出现的弱边界、被部分遮挡边界的分割较差,容易受噪声和灰度不均的影响,因此易造成弱边界泄漏、局部最优等误分割问题;并且初始轮廓对位置敏感,这使得分割的正确性严重依赖初始轮廓位置的选择,故不能对图像进行批量处理.为此提出了一种优化策略:融合基于局部区域的灰度信息和基于边缘的梯度信息构造新的边缘停止函数和面积项权系数,使得演化曲线不仅能够自适应地改变演化方向更有利于对图像序列的处理,同时对斑点噪声和灰度不均问题也有很好的抑制能力;另外,构造了一个先验形状约束项,利用前一帧的分割结果对当前帧的分割进行约束,促进曲线正确演化至目标边界,使得对边界部分遮挡的图像也有着更精确的分割效果.通过合成图像和真实超声图像对分割算法进行了性能分析,设计了基于边缘的豪斯多夫距离和平均绝对距离对算法分割轮廓和医生分割轮廓之间的距离差异性进行度量,实验证明优化策略相比于DRLSE模型和其传统优化模型,有着更高的分割精度,分割效果更出色.

基于注意力机制无监督心脏超声序列图像配准

针对基于传统非刚性医学图像配准的心脏超声序列图像配准方法缺乏自动性及配准速度慢、准确率较低的问题,将基于深度学习的医学图像配准算法应用于心脏超声序列图像配准,通过引入通道注意力机制,构建由注意力机制模块、Unet卷积神经网络模块及空间转换模块STN构成的配准模型.实验选取不同的相似性损失函数和平滑损失函数,对比VoxelMorph配准模型,相关配准性能指标都有不同程度的改进,DICE指标提升0.42%,MI指标提升2.5%,SSIM提升3.7%,NRMSE减小9%,表明配准模型的有效性.从配准效果及配准时间分析,配准模型基本可以满足心脏超声序列图像配准的实时性需求,具有一定的临床应用价值.

基于稀疏特征竞争和形状相似性的超声图像序列分割方法

从超声图像序列中精确地分割出目标区域对于提高基于超声图像引导的计算机辅助治疗的效果具有重要的意义.活动轮廓模型被广泛地应用于医学图像的分割,但是超声图像固有的低信噪比、灰度分布不均匀等特点导致活动轮廓容易搜索到错误的区域.为此,学者们提出了不同的目标特征或形状先验知识来约束活动轮廓的演化.目前,大多数目标图像特征的工作仅限于提取目标区域信息的特征,目标形状先验也需要通过对大量训练样本中的目标形状进行学习,而且训练样本中形状是否能足够描述分割目标的形状信息也是值得怀疑的.本文提出了一种基于稀疏特征竞争和形状相似性的超声图像序列分割方法.该方法首先利用稀疏表达理论分别构建目标和背景的特征字典,并根据目标和背景特征字典的重构误差构建一种基于稀疏特征竞争的目标搜索策略,从而提高活动轮廓搜索真实边缘的鲁棒性.然后,对图像序列中目标形状的相似性进行建模,并证明了目标形状的变化符合低秩属性,该属性可看作是对图像序列中目标形状的先验知识进行无监督学习.为了验证该方法的性能,本文采用临床的超声图像序列作为训练和测试集合,并与其他3种典型的分割方法在同一测试集合下进行比较.实验结果显示,针对超声图像中出现的边缘模糊、缺失等缺点,该方法提供了更准确和鲁棒的分割结果,从而提高了计算机辅助治疗的效率和效果.

基于灰阶超声序列图像的乳腺肿瘤良恶性判别

提出了一种评估加压深度的算法,并在此基础上提出了四个经过加压深度归一化的乳腺弹性特征参数。分类判决实验证明,这些弹性参数对乳腺肿瘤良恶性具有较好的区分能力,若进一步联合使用形态特征,最终分类准确度、敏感度、特异度可高达95.19%、98.82%、92.16%。

心脏超声序列图像配准与跟踪技术研究

目前国际上的超声心动图所取得的是心脏中功能性和非功能性运动构成的复合运动信息,不能准确反映其结构中某个部位的运动和变形等功能性运动信息,而本文通过心脏超声序列图像预处理,轮廓边缘提取,标记特征点选取和平滑薄板样条弹性配准等步骤,实现了心脏超声序列图像短轴室壁的轮廓跟踪,从而得到从心脏某结构部位的功能性运动信息。

心脏超声序列图像轮廓的弹性配准

心脏的运动过程中包含着大量的信息,根据所得心脏超声序列图像进行诊断时,需要获取心脏特定部位的收缩和舒张运动信息。本文尝试将基于薄板样条的弹性配准方法运用于心脏超声序列图像短轴室壁轮廓的配准,从而获取其运动信息,文中详细介绍了心脏超声序列图像的标记特征点选取和平滑薄板样条弹性配准的原理及应用结果,该研究为心脏序列帧图像跟踪研究提供了一种新方法。

基于活动轮廓模型的序列超声图像的心内壁运动跟踪方法

提出一种对心脏序列超声图像中的心内壁进行运动跟踪的方法,采用活动轮廓模型将前一帧图像中snake的停留位置作为当前帧snake的初始位置,选择适当的能量函数,使能量函数最小snake变形得到当前时刻的心内壁轮廓,实验结果论证了该算法的可行性。

基于形状相似性的活动轮廓模型

从超声图像中准确地分割出病灶区域在基于图像引导的放射治疗中具有重要的临床意义。活动轮廓模型被广泛地应用于医学图像的分割,但超声图像的低信噪比、灰度分布不均匀等缺点导致活动轮廓容易搜索到错误的区域。为解决以上问题,提出了一种基于形状相似性的活动轮廓模型,将低秩属性作为图像序列中目标形状的先验知识融入到活动轮廓分割框架中,利用矩阵的秩对图像序列中目标形状变化的相似性进行度量,证明了目标形状的变化符合低秩属性。为了验证该方法的性能,采用真实的超声图像序列作为训练和测试集合,并与其他3种分割方法在同一测试集合下进行比较。实验结果显示,针对超声图像中出现的边缘模糊、缺失等缺点,该方法能够提供更准确和鲁棒性更高的分割结果。