基于Random Walks算法的心脏双源CT左心房分割

针对在传统的CT介入式治疗过程中,胸腔中软组织较多软组织的厚度和注射的造影剂在心脏中呈现的不均匀分布,导致在采用CT成像的图像中胸腔内部各组织之间存在边界模糊或者确实等状况,本文提出一种采用形态重构和随机行走相结合的分割方法。首先利用形态学开闭运算对图像进行化简,并使得心脏CT腔体边界分离,进而使得各个组织组织分离,再结合Random walks算法。从而使得不需要标记太多种子点的情况下提高了分割的速度和准确性,实验证明该方法能够达到预期的目标。

基于Random Walk算法的CT图像肺实质自动分割

针对复杂情况下肺实质的分割问题,提出了一种基于Random Walk算法对肺实质自动分割的方法。首先,根据胸部组织解剖学及其计算机断层扫描(CT)图像的影像学特征,在肺实质及其周围组织分别确定目标区域种子点和背景种子点位置;然后,使用Random Walk算法对CT图像进行分割,提取近似肺区域的掩模;接下来,对掩模实施数学形态学运算,来进一步调整目标区域种子点和背景种子点的标定位置,使其适合具体的复杂情况;最后,再次使用Random Walk算法分割图像,得到最终的肺实质分割结果。实验结果显示,该方法与金标准的平均绝对距离为0.44±0.13 mm,重合率(DC)为99.21%±0.38%。与其他分割方法相比,该方法在分割精度上得到了显著提高。结果表明,提出的方法能够解决复杂情况下肺实质分割的问题,确保了分割的完整性、准确性、实时性和鲁棒性,分割结果和时间均可满足临床需求。

基于改进Random Walk算法的磁共振图像脑组织分割

在Random Walk算法中,边的权重对算法分割性能有着重要的影响,针对原算法在计算权重时仅使用相邻像素灰度值变化信息的局限性,通过引入图像局部熵,使得权重函数同时反映相邻像素灰度变化信息和图像局部灰度离散度信息,增强算法对目标内容和边界的识别能力。同时通过Fisher评价函数构造最佳分类阈值的选取法则,增强了算法的判别能力。实验表明改进后的算法对目标内容和边界的识别能力有较大提高,且对噪声具有更好的鲁棒性。

基于Random-Walk算法的DR图像分割方法

本文算法对原图像进行快速Mallat小波分解得到骨干图后,利用其高频子带梯度信息优化边的权重,并在概率阈值的准则下对争议区域做进一步划分,最后把最大到达概率所在类的标签赋予未标定顶点,并扩展到原图像,得到分割边界。用微软GrabCut分割数据库图像和实际DR图像对该算法进行了验证,该算法能快速而有效地分割出特定的图像,适用于DR图像的分割,为进行组织增强和进一步提高DR图像质量打下基础。