基于变形模型的肝CT序列图像分割

研究了一种基于变形模型的肝轮廓提取方法 该方法以人的经验知识作为先验信息 ,利用灰度特征、肝CT序列图像特点、肝区轮廓的整体几何信息作为区域聚合依据进行肝区图像分割 实验表明该方法能够较好地克服噪声和轮廓初始位置的影响 。

CT序列图像分割的分割及重建

目的探讨CT序列图像分割的分割及重建。方法主要结合B样条蛇线算法和模糊边缘增强算法使一些组织器官在CT图像上的二维分割得以实现,同时采用提绘制三维重建分割后的序列图像。临床实践证实,该方法具有良好的效果。程序作为子功能使用,其以Java的医学图像分析系统为基础。结果三维重建的效果对二维分割的精确度极为敏感,有跳变出现在某一幅图像或几幅图像上均会显著影响实体重建。因此,重建效果能够从一定程度上对分割的准确性进行验证。结论运用B样条蛇线算法结合模糊边缘增强算法使分割得以实现,同时运用体绘制方法三维重建分割后的序列图像。实现过程中依据实际改进了这几种算法。图像二维切片、三维重建的结果均显示了良好的效果。

一种新的肝脏CT序列图像区域生长算法

为了提高区域生长的分割精度,减少种子点选取对分割结果的影响和用户交互量。提出一种通过置信区间和区域竞争计算目标区域最优阈值区间,用于医学序列图像的区域生长分割算法。在方法上区域生长方法考虑的是图像的局部信息,而置信区间和区域竞争方法考虑的是图像的全局信息。该文的算法融合了两者的优点。通过在一张图片上选择目标对象和背景对象的多个种子点,实现了复杂背景下的序列图像分割。使用一组腹部CT原始图片进行的实验结果表明,算法在只需很少交互的情况下,有效地提高了分割精度。