基于灰度插值直方图线性化的医学MR图像处理设计与实现

为了解决医学MR图像边缘模糊、亮度不合理和噪声抑制效果不好等问题,提出了一种灰度插值直方图线性化算法。该方法先对含混合噪声的医学MR图像进行直方图线性化处理,抑制部分噪声,使亮度达到合理的范围,进一步将得到的结果进行多项式插值运算,消除象素块间的灰度差异,使图像达到层次清晰。仿真实验结果表明,该算法获得的图像亮度、峰值信噪比的值和结构相似性指数指标均最大,其中,峰值信噪比值高出其他方法约为1.6~3.2 dB,结构相似性指数指标高出其他方法约为5%~7%。该方法可有效地降低噪声,较好地保持了医学MR图像边缘和细节信息,其效果明显优于自适应直方图均衡化和直方图局部线性化等方法。

基于图像片马尔科夫随机场的脑MR图像分割算法

传统的高斯混合模型(Gaussian mixture model,GMM)算法在图像分割中未考虑像素的空间信息,导致其对于噪声十分敏感.马尔科夫随机场(Markov random field,MRF)模型通过像素类别标记的Gibbs分布先验概率引入了图像的空间信息,能较好地分割含有噪声的图像,然而MRF模型的分割结果容易出现过平滑现象.为了解决上述缺陷,提出了一种新的基于图像片权重方法的马尔科夫随机场图像分割模型,对邻域内的不同图像片根据相似度赋予不同的权重,使其在克服噪声影响的同时能保持图像细节信息.同时,采用KL距离引入先验概率与后验概率关于熵的惩罚项,并对该惩罚项进行平滑,得到最终的分割结果.实验结果表明,算法具有较强的自适应性,能够有效克服噪声对于分割结果的影响,并获得较高的分割精度.

基于Tamura纹理特征提取和SVM的多模态脑肿瘤MR图像分割

在Tamura纹理特征和支持向量机(SVM)算法基础上提出一种多模态脑肿瘤图像分割算法.将4种模态下的多序列核磁共振图像(MRI)的局部灰度特征与Tamura纹理度量相结合,尽可能提取足够多的图像信息;在SVM模型中输入已知样本并进行训练;用训练好的SVM模型处理其他脑肿瘤图像.实验通过对20例患者的图像进行展开,从实验数据来看,提出的方法可以精准有效地分割出脑肿瘤区域,得到脑肿瘤的边界,并且对脑肿瘤图像的差异性表现出较强的自适应能力.

基于层次MRF的MR图像分割(英文)

核磁共振图像(MRI)的定量分析在神经疾病的早期治疗中有很重要作用.提出了一种基于层次Markov随机场模型的MRI图像分割新方法.在高层次的标记图象中采用了混合模型,即区域的内部用各向同性均匀MRF来建模,边界用各向异性非均匀MRF来建模.所以方向性被引入到边界信息中,这样可以更准确的表达标记图象的特性;在低层次的像素图像中,不同区域中像素的灰度分布用不同的高斯纹理来描述.分割问题可以被转换成一种最大后验概率估计问题.采用基于直方图的DAEM算法来估计SNFM参数的全局最优值;并基于MRF先验参数的实际意义,提出一种近似的方法来简化这些参数的估计,实验显示该方法能获得更好的结果.

烟花算法优化的软子空间MR图像聚类算法

现有的软子空间聚类算法在分割MR图像时易受随机噪声的影响,而且算法因依赖于初始聚类中心的选择而容易陷入局部最优,导致分割效果不理想.针对这一问题,提出一种基于烟花算法的软子空间MR图像聚类算法.算法首先设计一个结合界约束与噪声聚类的目标函数,弥补现有算法对噪声数据敏感的缺陷,并提出一种隶属度计算方法,快速、准确地寻找簇类所在子空间;然后,在聚类过程中引入自适应烟花算法,有效地平衡局部与全局搜索,弥补现有算法容易陷入局部最优的不足.EWKM,FWKM,FSC,LAC算法在UCI数据集、人工合成图像、Berkeley图像数据集以及临床乳腺MR图像、脑部MR图像上的聚类结果表明,所提出的算法不仅在UCI数据集上能够取得较好的结果,而且对图像聚类也具有较好的抗噪性能,尤其是对MR图像的聚类具有较高的精度和鲁棒性,能够较为有效地实现MR图像的分割.

脑MR图像互信息最大的凸优化分割模型

脑MR图像中普遍存在灰度不均匀性,传统的分割方法无法得到理想的脑组织分割结果.为此提出一种基于互信息最大化准则的变分水平集凸优化分割模型.首先建立最大化图像灰度与标记之间互信息能量的分割模型,并融入偏移场信息;对模型进行水平集表示和凸优化后,再引入边缘指示函数加权的总变差范数;最后采用SplitBregman方法快速求解.实验结果表明,该模型可以得到较准确的脑组织分割和偏移场矫正结果,对噪声和灰度不均匀性有很好的鲁棒性.

基于加权相似性度量的脑MR图像特定组织分割

基于多图谱的分割方法能有效解决脑MR图像中特定对象如海马体、杏仁核等组织的自动精确分割问题.为加快处理速度,该方法需要从大型图谱数据集中挑选与目标分割图像比较近似的若干图谱作为分割参考.传统的多图谱分割方法在选择图谱时通常只依据图谱图像与目标图像在灰度上的相似性,没有考虑到两者在分割对象局部形态上的相似性,使得所选择的图谱对分割的参考价值难以保证.针对这一问题,文中提出一种图谱图像与目标图像的以分割对象为中心的加权相似性度量方法,首先通过将图谱图像向目标图像作全局配准得到分割对象在目标图像中的估计位置,然后根据分割对象在两幅图像间的局部扭曲形变来度量它们的相似性.文中将这种加权相似度应用到多图谱分割方法中,在图谱选择时只挑选与目标图像具有较高加权相似度的部分图谱,在融合分割标记时将加权相似度作为权重.对IBSR脑MR图像中豆状核壳核组织的分割实验结果表明,基于该加权相似性度量的多图谱分割方法可以得到较高的分割精度.

基于小波变换的MR图像的去噪处理

根据小波变换多尺度下图像信号与噪声不同性质的理论,提出了一种新的MR图像去噪处理 算法,这种算法直接比较相邻小波域的系数,根据比较结果设立滤波器去除噪声。计算机模拟结果表明:这种算法的速度快,能去除渗噪图91%的噪声,图像的信噪比从3.1861提高到了13.4784。

结合双树复小波变换和改进密度峰值快速搜索聚类的乳腺MR图像分割

针对乳腺MR图像组织复杂、灰度不均匀、难分割的特点,本文提出双树复小波(DTCWT)变换结合密度聚类的图像分割方法.首先利用复小波域双变量模型结合各向异性扩散函数对图像进行去噪处理;进而通过简单线性迭代聚类(SLIC)算法将图像划分成一定数量的超像素区域,根据事先设置的阈值搜索每个超像素的近邻,从而降低基于K近邻的密度峰值快速搜索聚类(KNN-DPC)算法寻找每个样本近邻的时间;最终,引入超像素区域的近邻信息度量样本密度,采用KNN-DPC算法的分配策略自适应聚类.仿真和临床数据分割结果表明,所提算法能有效的实现乳腺MR图像的分割.

基于多尺度水平集的MR图像海马区分割方法

针对MR图像中海马区存在灰度不均匀性,基于区域动态轮廓的C-V模型只利用区域信息无法获得准确的海马区分割问题,结合多尺度边缘约束的演化思想和图像区域的全局信息,提出了一种结合边缘和区域信息的多尺度水平集MR(magnetic resonance)图像海马区分割方法。首先,在C-V模型的基础上采用内部约束能量项,消除水平集的重初始化,提高分割速度;其次,改进水平集函数中外部能量项的图像区域全局信息,解决由于灰度不均匀所引起的分割不准确问题;最后,在水平集函数的外部能量项中加入基于多尺度图像边缘的梯度信息,作为边缘约束停止项,使分割效果达到优化。实验结果表明,该算法对存在灰度不均匀性的图像海马区分割速度快、准确率高。

结合非局部均值的快速FCM算法分割MR图像研究

针对FCM算法分割医学MR图像存在的运算速度慢、对初始值敏感以及难以处理MR图像中固有Rician噪声等缺陷,提出了一种结合非局部均值的快速FCM算法。该算法的核心是首先针对MR图像中存在的Rician噪声,利用非局部均值算法对图像进行去噪处理,消除噪声对分割结果的影响;然后根据所提出的新的自动获取聚类中心的规则得到初始聚类中心;最后将得到的聚类中心作为快速FCM算法的初始聚类中心用于去噪后的图像分割,解决了随机选择初始聚类中心造成的搜索速度慢和容易陷入局部极值的问题。实验表明,该算法能够快速有效地分割图像,并且具有较好的抗噪能力。

结合Hough变换与测地线轮廓模型的MR图像左心室自动分割

通过对MR图像左心室分割中各种主流方法的分析,提出一种自动分割MR图像左心室内外轮廓的算法.利用短轴图像上左心室心肌内外轮廓近似圆形的先验形状知识,先用Hough变换自动定位左心室的初始轮廓,然后在测地线轮廓模型基础上,结合K均值聚类提供的区域信息及心肌的生理结构约束对左心室的内外轮廓同时进行自动分割.实验结果表明,该算法能够有效地分割左心室内外轮廓.

基于水平集的人脑MR图像分割方法

为了更好地对解剖结构和形状复杂的非均匀分布人脑图像进行分割,在水平集Chan-Vese模型的基础上引入Otsu技术,给出了基于水平集的人脑磁共振(magnetic resonance,MR)图像分割方法.该方法利用Heaviside函数描述区域内图像分布信息,通过最大类间方差来反映区域间图像分布方差信息,2部分信息经融合后构建新的能量函数,以引导图像分割过程,最终得到所期望的人脑图像分割结果.采用2个数据集提供的人脑图像数据进行实验,结果表明:所提方法在相似性度量和正误率度量方面,与其他方法相比都有明显的优势,可以很好地实现人脑图像的分割.

融合候选区域提取与SSAE深度特征学习的心脏MR图像左心室检测

左心室检测在计算机辅助心脏MR图像诊断方面具有重要价值,针对由于成像质量、部分容积效应、目标复杂多变等因素影响,导致左心室自动检测准确度较低的问题,提出一种融合候选区域提取与栈式稀疏自编码器(SSAE)深度特征学习的心脏MR图像左心室检测方法.在候选区域提取阶段,先用超像素算法产生初始区域,然后对SSAE学习到的深度特征采用层次聚类算法生成候选区域;在检测阶段,先使用SSAE提取候选区域的深度特征,然后训练SVM分类器对候选区域进行分类,并使用难分负样本挖掘算法对模型进行调节.对心脏图谱数据集左心室目标检测的实验结果表明,相对于手工特征及基于候选区域等方法,该方法取得了有竞争力的检测精度.

基于阈值和B样条插值的MR图像增强算法

提出了利用双门限分割灰度级后再进行三次B样条插值非线性变换的MR图像增强算法,将图像灰度级按两个灰度阈值分割为目标区、过渡区、背景区,对这三个不同的区域采用不同的灰度变换方法。在徐军等提出的对比度和目标细节评价标准基础上,提出了一个新的图像质量客观评价标准来评价图像质量。该客观标准可以动态调节对比度和细节的权重参数!,具有交互性。通过寻求该标准最优时的三次B样条插值非线性变换来增强MR图像。实验表明,和目前主要的灰度图像增强算法相比,用该算法增强后的图像不仅提高了图像对比度,也加强了目标的细节,而且具有交互性,特别适合于MR图像处理。

基于局部统计信息的快速CV模型MR图像分割

Chan-Vese(CV)模型以其能较好地处理图像的模糊边界和复杂的拓扑结构而广泛运用于图像分割中。但由于核磁共振(MR)图像广泛存在强度不均匀性,因此CV模型不仅不能进行准确的分割,而且迭代过程需要对所有图像数据进行反复计算,分割效率很低。针对以上缺点,提出了一种基于局部统计信息的用于快速进行图像分割的CV模型,即首先在局部区域内,通过计算统计量来得到像素点归类的贝叶斯后验概率,并以此作为曲线演化的依据,这样,就能对强度不均匀的MR图像进行准确的分割;然后设置两个表分别存储曲线内外部邻点,并通过更新这两个表内的点来实现曲线演化,从而不但大幅提高了计算速度,并保持了水平集方法能自动处理拓扑结构变化的优点。

形状统计Mumford-Shah模型的MR图像左心室外轮廓分割

左心室的分割是左心室运动重建的前提,分割的精度直接影响重建的真实性.由于左心室外轮廓存在弱边界,甚至边界的断裂,使得精确分割左心室外轮廓变得相当困难.文章在详细分析左心室外轮廓的基础上,采用了形状统计Mumford-Shah模型的分割方法,同时对原模型做了如下两点改造:(1)用期望最大(EM)算法求得图像中每点属于心肌的后验概率,通过此后验概率构造“伪灰度”图像来替代原灰度图像,以达到目标与背景灰度呈阶跃型分布的目的;(2)用边缘图替代Mumfor-Shah模型中的梯度项,以增强弱边缘,提高分割精度.实验结果证明,此方法可以有效地改进分割精度,适合整个心动周期.

带标记线左心室MR图像的自动分割

带标记线核磁共振 (MR)图像能够提供了大量的运动信息 ,为实现左心室的运动重建提供了有利条件 ,但图像中存在灰度的不一致性、弱边界、伪影、标记线的影响等现象 ,这些都给带标记线左心室 MR图像的分割带来了困难。目前带标记线核磁共振图像的左心室分割主要靠人工完成 ,为此提出了一种自动分割方法 ,它是基于分级处理的分割方法 ,主要由 3部分组成 :首先用数学形态学的方法实现左心室的自动定位 ;然后用 K均值聚类、模板匹配和基于骨架的心肌形状恢复方法给出左心室的内外初始轮廓线 ;最后用改进的水平集方法对初始轮廓线进行演化而得到最终结果。实验结果证明 ,此方法有较强的鲁棒性 ,是行之有效的方法。

基于核聚类算法和模糊Markov随机场模型的脑部MR图像的分割

为了更有效地对被噪声污染的脑部MR图像进行分割,提出了一种基于模糊核聚类和模糊Markov随机场的脑部MR图像分割算法。该算法在使用高斯径向基函数的核聚类目标函数中,引入了基于Markov随机场的补偿项,作为分割算法的空间约束。这种空间补偿项用Gibbs分布描述,实际上是一种归一化的核函数,其和用来度量灰度特征的核函数的形式是相似的,并且这种空间约束利用了分割结果的模糊信息。这种基于核函数和Markov随机场模型的算法克服了传统聚类以及核聚类算法的缺陷,不仅提出了更加合理的空间约束,而且改善了原有的分割模型,因此可以得到更加分段光滑的聚类结果。通过对合成图像、模拟MR图像以及临床MR图像进行的分割实验以及和标准分割结果的比较表明,该算法优于相关算法,可以有效地分割被污染的MR图像。

基于MS-FCM算法的MR图像分割方法

针对传统模糊C-均值(FCM)聚类算法在分割低信噪比图像时准确性较差的问题,提出一种用于MR图像分割的改进算法MS-FCM。针对脑部MR图像相邻像素属于同一分类的模糊隶属度相近的特性,在迭代过程中对隶属度数据集进行滤波,以降低噪声对聚类精度的影响。模拟脑部MR图像和临床脑部MR图像的分割实验证明,该算法可以提高图像分割精度。