基于改进的L-BFGS稀疏降噪自编码网络的MRI脑图像识别方法

随着人类科技的飞速发展以及医学影像设备的不断更新,医学影像技术在脑部病变的辅助诊断中起到了越来越重要的作用,为此,提出一种基于改进的L-BFGS稀疏降噪自编码网络模型(ILSDAE),并将其应用于MRI脑图像的阿尔茨海默病的识别与脑部疾病的辅助诊断。实验数据源取自ADNI数据集,经过校正、配准、分割、平滑等操作,获得脑部灰质图像,随后将改进的无监督贪婪预训练方法和L-BFGS算法相结合,对深度自编码网络进行训练并通过Softmax回归训练学习特征,从而实现对病症患者脑部图像的识别。ILSDAE网络模型具有很好的鲁棒性,与堆栈式自编码和自学习方法相比,实验结果证明了所提方法的有效性。

USformer-Net:基于U-Net和Swin Transformer的脑部MRI图像质量评价方法

针对现有的脑部MRI图像质量评价方法准确率低、难以应用于实际临床环境中的问题,提出一种基于提取感兴趣区域的脑部MRI图像质量自动评价模型USformer-Net,并创建了带有主观质量评价标签的脑部MRI图像数据集。USformer-Net模型基于U-Net和Swin Transformer模型构建并针对脑部MRI图像的特殊性进行了改进。首先,利用轻量化的U-Net网络对具有临床诊断价值的大脑主要区域进行分割,提取出感兴趣区域;其次,利用Swin Transformer的串联窗口自注意力运算(W-MSA)、滑动窗口自注意力运算(SW-MSA)以及其特征融合方式,将特征金字塔(FPN)、兴趣区域匹配(ROI Align)及全连接网络(FC)结合在Swin Transformer骨干特征提取网络中进行图像质量评价。USformer-Net模型能够忽略无关噪声,准确提取出影响诊断的主要区域并进行图像质量评价。实验结果表明,在MRI图像质量评价任务中该模型准确率为87.84%,精度为91.84%,召回率为92.05%,F1-score为91.99%,相较于其他评价方法各项指标均有不同程度提升。最终结果显示该模型能够有效保证脑部MRI图像质量评价的准确性,创建的带有主观质量评价标签的数据集也为该领域的研究提供了更好的数据支持。

基于差分曲率分组混合模型的脑部MRI图像超分辨重建

核磁共振成像(magnetic resonance imaging,MRI)能够提供丰富的病理信息,在脑损伤的诊断和治疗中具有重要意义,受采样时间和现有医疗设备的限制,临床上很难获得高分辨率的MRI图像.为此,提出一种基于差分曲率分组混合模型的超分辨重建方法.首先在梯度特征提取的基础上引入差分曲率算法,进一步检测图像的边缘、斜坡等特征结构,并将特征块分为平滑区域、纹理区域和边缘区域3组;然后基于学生t分布混合模型分别学习3组特征区域的模型参数;最后选取多个似然概率较大的子分布共同重建高分辨率图像块.在癌症成像档案库数据集上的实验结果表明,在×2,×3和×4超分辨任务下,所提方法的平均峰值信噪比分别为41.36 dB,35.01 dB和31.32 dB,平均结构相似度分别为0.9848,0.9415和0.8795;与现有的超分辨重建方法相比,该方法重建的MRI图像纹理细节更丰富、边缘更清晰,并且重建时间更短.

MRI脑序列图像的三维重建算法研究

针对MRI脑图像分割和三维重建中存在精度与效率不高的问题,提出了一种MRI脑图像分割与三维重建方法。首先,采用双边滤波法对MRI脑图像进行去噪;其次,通过一种改进的区域增长算法对MRI脑图像进行了颅骨去除;同时,再利用改进的模糊空间聚类对脑图像中的组织进行聚类,以准确提取脑白质;最后,将提取出来的脑白质通过规则移动立方体法进行了三维重建。所给实例表明,对MRI脑序列图像的重建效果良好,为后续的定量分析和可视化打下了良好的基础。

基于图割的MRI脑部图像肿瘤提取方法

针对当前医学图像特征提取仅从局部特征出发的问题,提出一种基于图割的脑部肿瘤提取方法。为克服图割仅适用于较少像素的图像和倾向于小割集的缺陷,对图像进行聚类以提高特征提取的准确度和速度,并构建聚类图的Gomory-Hu割树。按照割值的大小,依次去掉值较小的边提取出聚类图的子图,映射到原图像得到对应的子图像。将该方法应用到MRI脑部图像肿瘤提取中,实验结果表明,其能准确提取出MRI脑部图像中的肿瘤。

基于图割与粗糙集的MRI脑部肿瘤图像检索方法

背景:基于内容的医学图像检索是一门涉及多领域的学科,由于各种医学图像的成像原理不同,产生的图像在颜色、纹理和形状等视觉特征方面存在差别,使得此方法的实现还存在许多需要解决的问题。目的:针对基于内容的医学图像检索中存在特征提取困难、检索时间长的问题,提出一种基于图割与粗糙集结合的相似图像检索方法。方法:为克服图割仅适用于较少象素的图像和倾向于小割集的缺陷,首先对图像进行聚类,然后构建图像的Gomory-Hu割树,按割值大小依次去掉值较小的边,提取出图像的特征子图并构建特征库。为实现快速检索,借助粗糙集对特征库中的特征进行约简,有效减少参与相似性比较的特征数量。并将此方法应用到MRI脑部肿瘤图像的检索。结果与结论:实验结果表明该方法能快速有效地检索出MRI脑部图像库中的肿瘤图像,检索的平均查准率为78.4%,平均查全率为62.9%。

脑部MRI图像自动分割算法的研究

准确的MRI图像分割是脑部定量分析和三维重建的基础,对病变的诊断和治疗具有重要意义。传统的模糊C均值聚类方法针对脑部MRI图像处理存在一定局限性,未能获得满意的分割结果。为此,提出一种改进的模糊C均值聚类分割方法,不但考虑了图像偏移场,而且通过在传统的模糊聚类算法中引入邻域信息约束分割过程。实验结果显示,改进的模糊C均值聚类方法优于传统的模糊C均值聚类方法,有利于从脑部MRI图像中较好的分割出白质、灰质和脑脊液。

一种基于多特征的MRI脑部图像检索方法5000

针对目前基于内容的医学图像检索技术中存在的问题，提出一种基于多特征的MRI脑部图像检索方法。根据MRI脑部图像特点。设计多特征向量求解算法。提取脑部图像的纹理、边缘和灰度特征并组合为多特征向量。为加快检索速度，对多特征向量进行降维，初步实验结果表明提出的检索方法是可行的。

合理利用空间信息的MRI脑部图像分割

在合理利用空间信息的基础上,提出了一种更准确,紧致性和分离性更好的分割算法。该算法首先定义一个空间函数,并在其中引入一个控制参数,该参数可以对噪声点、边缘点以及区域内部的点进行区别对待,然后用空间信息更新隶属度。实验结果表明,该算法效果要明显优于sFCMpq算法及其改进算法(EsFCMpq)。

一种分割脑磁共振图像的改进FCM聚类算法

噪声和偏移场是影响磁共振(MRI)图像质量的主要因素。以含加性噪声和乘性偏移场的脑MRI图像组织分割为目标,提出一种抗噪局部相干模糊聚类算法,通过在目标函数中加入模糊算子和一致局部信息约束,达到同时抑制噪声和偏移场不利影响的目的,提高分割准确性和稳定性。采用20例合成图像、60例来自Brain Web的模拟脑MRI图像、100例来自IBSR真实脑MRI图像,对算法的聚类性能进行评价。实验结果表明,在噪声和偏移场干扰并存的情况下,所提出算法与其他几种经典FCM改进算法相比,对合成图像集的平均分类准确度SA达到0.97,高于其他算法,最大可提高0.37;对真实脑MRI图像集的脑脊液分割有明显优势,相似性测度KI平均提高约0.1。分析表明,所提出算法有更好的分类准确性和稳定性。

PDE降噪改进模糊聚类的图像局部分割

利用传统的降噪算法对脑MRI图像降噪时,会使脑MRI图像的纹理、边缘和血管等重要信息丢失.而偏微分方程(PDE)降噪算法能够在降低噪声的同时,可以有效缓解上述情形,确保细节的保留.模糊C均值(FCM)聚类算法和图像降噪算法在图像分割中有广泛的应用.本文将这两种方法结合起来,提出一种PDE降噪和模糊C均值聚类算法相结合的图像分割算法.首先利用改进的模糊C均值聚类算法(SKFCM)对图像进行初始分割;然后采用PDE降噪算法对感兴趣的部分进行精确分割,进而提取目标区域;最后通过仿真实验验证了此方法.结果表明该算法对噪声有很强的抑制能力,并且得到很好的分割效果。

基于灰度直方图多峰值选取的脑组织MRI图像K-means聚类分割方法研究

针对传统的K-means聚类算法随机选取初始聚类中心的问题,根据脑MRI图像的灰度直方图呈现出多个"波峰"和"波谷"的特点,将鲁棒选取的"波峰"点用作代表脑白质、脑灰质、脑脊液的K-means聚类算法的初始聚类中心,提出了一种基于灰度直方图多峰值选取的脑MRI图像K-means分割算法,实验结果表明,该分割算法克服了传统K-means聚类算法随机选取初始聚类中心带来的迭代次数多、分割效率低、精确度不高、结果不稳定等不足,能够高效、准确、稳定地分割出了脑白质、脑灰质、脑脊液等脑组织。该算法直方图"波峰"点选取思想具有较为广泛的适用性。

改进偏微分方程的脑MRI图像降噪比较研究

对于噪声降低的时候传统的脑MRI医学图像降噪算法会使脑MRI医学图像的纹理、边缘和血管等的重要信息产生丢失.而偏微分方程(PDE)的脑MRI医学图像降噪算法能够在降低噪声的同时可以非常有效的缓解上述的情形确保细节的存留.主要介绍了几种PDE降噪模型.研究发现全变分的模型与四阶PDE模型降噪情况好于其余算法的降噪情况,但是水平线的生成对于成为水平集算法的初始水平集的情形较差,而四阶PDE模型迭代次数较多,运行时间长,在实际应用中有较强的限制.

利用感兴趣区域从脑部MRI中提取脑组织

从脑部核磁共振成像(MRI)图像提取脑组织是影像学分析中的一项重要的预处理过程。提出了一种基于感兴趣区域和混合水平集方法的脑组织提取方法。该方法先采用脑组织提取工具(BET)方法得到脑组织的感兴趣区域,然后在该感兴趣区域内演化改进的混和水平集得到真实的脑组织边界。改进的混合水平集采用了一个非线性的速度函数,能够有效地防止边界泄露。该方法所用到的MRI数据均来自于IBSR(Internet brain segmentation repository web)网站。利用18组IBSR网站的MRI数据,该方法得到的结果接近于标准手动提取结果,并且在多个评价参数上都取得最好结果。实验结果表明该方法提取脑组织具有一定的准确性和稳定性。