基于配准分割的Graph Cuts自动分割算法在肝脏图像中的研究

临床上的肝脏疾病诊断是由医生对肝体影像进行手动分割,获得肝体的准确解剖信息对肝功能进行有效的评价,但手动分割肝脏影像是一项繁琐、费时且不可重现的工作。为了辅助医生对肝脏疾病诊断,论文提出基于配准的GraphCuts自动分割算法,对人体肝脏CT图像进行自动分割。首先使用配准分割算法,对肝脏图像进行有效的分割,然后使用权重投票将所有的配准分割结果融合为一幅预分割图像,最后利用水平集符号距离函数通过预分割图像标记前背景像素,实现Graph Cuts算法对肝脏的自动分割。实验结果表明,论文的自动分割算法精度较高,在一定程度上能够为临床的精确诊断提供科学的理论依据。

基于像素相似性与Graph-Cut的图像自动分割

采用Graph cut的图像分割分为交互式分割与自动分割,为了弥补交互式分割需要用户的参与、分割结果依赖种子点的选取与模型的建立、需要用户的进一步修正才能得到满意结果等不足,介绍基于相似性的自动图像分割。该方法采用Mean-shift平滑图像、转换成YCbCr空间后将图像分割成若干区域块等方法,建立合适的能量函数后利用最大流/最小割定理求最小割。并通过实验证明,该方法在自动性、准确性、时间效率方面都获得较好结果。

骨边界增强滤波的图割算法

精准的骨组织分割是辅助骨科疾病诊断和手术规划的必要步骤. 由于骨边界模糊、对比度低、骨关节处间隔狭窄,骨组织自动分割一直是医学图像分割中的难题. 传统的图割算法仅基于图像强度特征,在分割骨组织时不但需要人工设置种子点,且存在关节处骨边界分割不清晰等问题. 为此,结合骨边界增强滤波、形态学理论和图割算法,提出一种新的图像分割算法. 以图割算法为框架,基于Hessian矩阵设计增强骨边界的滤波器,将滤波结果转换为约束项加入到图割的能量函数中,求解图割模型获取初步分割结果;基于形态学理论提出对初步结果图进行先腐蚀后简易图割的后处理方法,利用腐蚀图替代人工输入初始化图割模型,实现相邻骨组织的自动分离. 使用内部股骨数据集、癌症影像档案馆(TCIA)公开数据集进行算法验证. 实验结果表明,相比阈值分割、区域生长、传统图割,该算法在Dice、精确度、F1分数等指标上均取得了更好的结果,可作为临床诊断的可靠依据.

基于非线性增强和图割的CT序列肝脏肿瘤自动分割

针对腹部CT图像肝脏肿瘤对比度低、边界模糊、灰度多样等因素引起的分割困难,提出基于非线性增强和图割的肝脏肿瘤自动分割.首先根据肝脏区域灰度分布特性,采用自适应分段非线性增强和迭代卷积操作提高正常肝实质与肿瘤组织的对比度;然后将增强结果和图像边界信息有效地融入图割能量函数,实现肝脏肿瘤初步自动分割结果;最后采用三维形态学开操作对初步分割结果进行优化,去除其中的误分割区域,提高分割精度.在3Dircadb和XYH数据库上的实验结果表明,该方法能有效地自动分割腹部CT序列中的肝脏肿瘤,且综合分割性能优于现有多种方法.

基于核图割模型的肝脏CT图像肿瘤分割

计算机断层成像(CT)对疾病的确诊意义重大,在医学图像的自动检测中应用较多的模型为图割模型,但传统图割算法严重依赖于对复杂区域进行大量建立的模型,运算复杂且不利推广。为此,在传统图割理论基础上引入核函数,提出一种基于核图割模型的肝脏CT图像肿瘤分割算法。通过核函数将原始数据映射到高维空间,并在高维图像数据空间用图割理论对CT图像的肝区与肿瘤区域进行分割,以提取疑似肿瘤区域,解决传统图割模型中需要依赖人机交互和对复杂区域建模困难等问题。由Mercer定理得出,核空间的点积运算不需要显式指定图像各区域的具体模型,进行核推广后克服了传统模型通用性不强的弱点。利用临床CT图像数据对该算法进行分割实验,结果表明,基于核推广后的图割算法能够有效对肿瘤和肝区进行分离,可应用于临床实际中作为肿瘤辅助诊断手段。

基于图割与概率图谱的肝脏自动分割研究

提出一种利用均值漂移算法做预处理,将概率图谱与图割算法相结合的肝脏自动分割方法。该方法一方面有效利用概率图谱所代表的形状信息,并且以无参形状建模;另一方面,均值漂移算法对灰度和形状信息组成的综合信息进行过分割处理,利用过分割的区域代替单个像素参与图割算法,降低了优化算法的复杂度。实验结果表明,该方法有效结合了概率图谱和均值漂移算法的优点,提高了图割算法的精度和速度。

一种用于三维重建的多视图前景目标自动分割算法

基于序列图像的三维物体重建之前,从图像中分割前景目标可节约大量时间。但传统的分割算法需要通过用户输入来确定前、后景,而基于图像的三维重建需要大量的图像,造成极大的人工浪费。为此提出一种用于三维重建的多视图前景目标自动分割算法。对每个图像进行颜色一致性和几何一致性分析,确定前景和后景大致区域,得到初始输入,并以此构建能量方程。使用Graph Cut算法求解方程得到粗略分割结果;使用Matting细化分割边界,得到高质量的分割结果;使用分割后图片重建出物体三维模型。实验结果表明,该算法可自动分割出多视图图像的前景目标,且具有极高的准确率和良好的边缘。将该算法用于三维重建的前期图像处理,可大大提高三维重建的速度。

基于先验形状信息核图割模型的肝脏分割方法

由于肝脏核磁图像存在边缘模糊、噪声大、灰度分布不均匀等特点,一般分割算法效果不甚理想。为了提高分割效果,提出了一种基于先验形状信息的核图割(kernel graph cuts,KGC)模型。采用区域增长算法在待分割的肝脏区域进行预分割,再用形态学算子进行膨胀腐蚀操作,形成初始分割轮廓;将形状模板集和初始轮廓配准后进行核主成分分析(kernel principle component analysis,KPCA),训练出先验形状信息;在kernel Graph cuts模型的能量函数中融入先验形状信息,并在初始轮廓的基础上进行进一步精确分割。实验结果表明,提出的方法能准确分割出核磁图像中边界模糊、噪声污染大的肝脏边界,且无边界泄露和相似组织误分割等现象。

统一计算设备架构并行图割算法用于肝脏肿瘤图像分割

统一计算设备架构(CUDA)技术使GPU通用计算(GPGPU)从图形硬件流水线和高级绘制语言中解放出来,开发人员无须掌握图形学编程方法即可在单任务多数据模式(SIMD)下完成高性能并行计算。在研究了CUDA的设计思想和编程方式的基础上,对图割算法进行了并行改造,并在CUDA上实现了其并行化。结合肝脏肿瘤的特点,引入感兴趣区域,改进了交互方法,实现了对肝脏肿瘤的分割。实验结果表明,该方法分割结果准确,鲁棒性强,执行效率高,易于交互和扩展。

基于图谱的肝脏CT三维自动分割研究

目的在肝脏外科手术或肝脏病理研究中,计算肝脏体积是重要步骤。由于肝脏外形复杂、临近组织灰度值与之接近等特点,肝脏的自动医学图像分割仍是医学图像处理中的难点之一。方法本文采用图谱结合3D非刚性配准的方法,同时加入肝脏区域搜索算法,实现了鲁棒性较高的肝脏自动分割程序。首先,利用20套训练图像创建图谱,然后程序自动搜索肝脏区域,最后将图谱与待分割CT图像依次进行仿射配准和B样条配准。配准以后的图谱肝脏轮廓即可表示为目标肝脏分割轮廓,进而计算出肝脏体积。结果评估结果显示,上述方法在肝脏体积误差方面表现出色,达到77分,但在局部(主要在肝脏尖端)出现较大的误差。结论该方法分割临床肝脏CT图像具有可行性。

基于MRF和图割的多尺度图像分割和配准同步方法

图像分割和图像配准是图像处理领域中的两个关键技术.事实上,图像分割和图像配准之间是相互依赖、彼此互惠的.本文以图割理论为基础,结合马尔科夫随机场(Markov Random Field,MRF)模型,提出了一种基于MRF和图割的多尺度图像分割和配准同步方法,该方法通过将分割信息和配准信息耦合在一起,利用两者的相互促进作用,以得到更准确的分割和配准结果,并通过实验证明了该方法的有效性.

改进的肝脏软组织分割算法及实时绘制

提出了一种基于GraphCut算法的高精度CT肝脏软组织分割算法，并利用开放运算语言（OpenCL）实现了肝脏软组织实时高效绘制。这种改进的GraphCut算法分割准确度高，平均正确率达到96．2％，而且利用OpenCL实现的基于八叉树的改进RayCasting算法大大提升了并行绘制速度，得到了近于200倍的加速，从而为实现实时跨平台虚拟手术系统提供了有力保障，也使得医生可以更高效更准确地诊断、治疗病患，该方法有良好的实用前景。

基于先验知识的图割方法在肝脏CT图像分割中的应用

图割理论作为一种全局最优的框架,为腹腔CT图像肝脏提供了一种可行化方法。利用图割理论和先验知识进行CT图像肝脏分割首先需要从CT图像中得到肝脏感兴趣区域,再利用CT图像中存在的关于肝脏的先验知识辅助地选取种子点,减少了交互时间,最后运用最大流最小割算法实现肝脏分割并经过后处理得到较准确的肝区。实验结果表明该方法分割结果准确,执行效率高,鲁棒性好。

基于3D卷积神经网络的肝脏自动分割方法

原发性肝脏恶性肿瘤是我国高发且危害极大的恶性肿瘤。肝脏手术(如肿瘤切除、活体肝移植等)是各种常见肝脏良恶性疾病的主要治疗方法之一。从医学影像中将肝脏组织准确地分割出来,是计算机辅助肝脏疾病诊断与手术规划中一个基础且至关重要的步骤。针对肝脏分割的特异性及分割难点,提出3D卷积神经网络(3DCNN)肝脏自动分割算法模型。3DCNN基于对体数据的训练能很好地学习到肝脏图像平面与空间信息。通过将深度监督机制无缝地整合到3DCNN中,能够有效解决梯度消失或爆炸的优化问题,加快收敛速度的同时提高分辨能力。最后,将初始分割结果作为先验信息,采用基于多星凸约束的图割算法做进一步的分割优化。实验结果表明该分割模型能够将肝脏组织从腹部CT图像中精确分割。

基于视觉显著性和图割优化的图像自动分割

图像分割是从图像处理到图像分析理解的关键一步,考虑到目前越来越大的图像数据量,该文章提出了一种利用视觉显著性和图割优化的图像自动分割方法。已有的图像分割方法多涉及人工交互,通过人力选取图片背景和前景像素进而对图片进行分割,基于此,作者想到结合图像显著性和高斯混合模型代替人工交互部分,并利用图割优化算法对图像进行自动分割,省去人工参与,可以更有效率地处理大量数据。实验表明,该方法可以快速有效地将图片中目的物体从背景中分割出来。

基于空间模糊C均值和图割的肝脏CT序列图像分割

肝脏分割是计算机辅助肝脏疾病诊断、治疗和手术的重要步骤,提出一种基于空间模糊C均值和图割的CT图像肝脏分割方法。首先,为去除毗邻器官和组织对肝脏分割的影响,采用阈值、投影和三维区域生长法从原始CT图像中去除脊柱、肋骨,接着采用K-means聚类和二值形态学重建方法去除右肾。然后,采用空间模糊C均值从初始切片中分割肝脏,再结合CT切片的空间、形状和灰度特性运用图割算法迭代分割剩余切片。最后,根据形态学操作和解剖学知识去除肝脏分割结果中的下腔静脉区域。实验结果证明,与其他同类方法相比该方法可获得更好的分割效果。

基于星形先验和图割的肺部四维计算机断层扫描肿瘤自动分割

肺部四维计算机断层扫描(4D-CT)能准确定位肿瘤靶区,对于实现肺癌的精确放疗有重要意义。但4D-CT图像数量巨大,单纯靠人工分割肿瘤勾画靶区很不现实,而且肺4D-CT图像复杂,目前的自动分割技术难以保证分割精度。针对这些问题,本文提出了一种基于星形先验和图割的肺4D-CT肿瘤自动分割技术。首先,在初始相位图像上选取目标种子点,以此点为中心,形成初始目标块。其次,采用运动估计中的完全搜索块匹配算法,获得下一相位图像中与初始目标块最相似的目标块,同时计算出它们之间的运动位移,以此类推,得到所有相位的目标块以及对应块之间的运动位移。随后,利用这些运动位移和初始相位目标种子点的位置,计算出其余各相位目标种子点,将它们作为星形先验的中心点。最后,在各相位的目标块上使用结合星形先验的图割算法,得到肿瘤分割结果。视觉和量化两方面评价结果均表明,相较于传统图割算法,本文提出的方法不仅能够提高分割的准确性,而且大幅提升了自动化程度。