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。

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)。

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.

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。

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。