医学形态学实验图像采集教学系统设计

本文针对医学形态学的教学特点，通过对显微图像采集系统的设计，达到自动采集形态学实验显微图像的目的，并以Web Service进行集成和发布，实现医学形态学课程教学辅助效果的改进和提高。     

基于形态学的显微细胞图像处理与应用

为提高医学诊断的准确率和效率,提出了基于形态学的显微细胞图像分析理论来完成对图像的分类、识别与分析.首先,对图像边缘检测算法及流域分割算法进行介绍,设计了完整的基于形态学的显微细胞图像处理方法,有效解决了图像处理中遇到的光照不均匀、染色产生的斑点等问题.然后,在图像分析阶段,把显微细胞图像形态学分析应用到血液病诊断中,同时做了细胞计数及形态参数提取并给出验证结果,最后再对细胞病医学诊断做了初步的理论尝试,研究结果与实际值相比误差小于3%.实验表明本文提出的图像分析理论在细胞病医学诊断上具有一定的应用价值.     

细胞免疫组织化学显微图像分析及实现

病理细胞免疫组织化学图像分析是显微图像分析中的一个重要内容,文章采用细胞形态学和病理学相结合的方法,将医学病理常用的手术切除组织切片经固定后,用Feulgen 染色,由图像采集系统将原始细胞图像存入计算机中,并对细胞图像进行分析、计算,得到阳性细胞的数量、面积分布、百分比分布、积分光密度以及阳性单细胞平均面积等参数,过程快速、准确,可应用于临床分析诊断.     

细胞免疫组织化学显微图像分析及实现

病理细胞免疫组织化学图像分析是显微图像分析中的一个重要内容,文章采用细胞形态学和病理学相结合的方法,将医学病理常用的手术切除组织切片经固定后,用Ｆｅｕｌｇｅｎ染色,由图像采集系统将原始细胞存入计算机中,并对细胞图像进行分析、计算,得到阳性细胞的数量、面积分布、百分比分布、积分光密度以及阳性单细胞平均面积等参数,过程快速、准确,可应用于临床分析诊所,     

医学显微图像识别与分析

随着生物医学的发展,医学已经从组织、器官的研究进入到显微细胞阶段,因此医学显微图像技术已经十分成熟,在医学领域的应用也越来越广泛。目前医学中常使用的医学显微图像多为细胞显微图像,通过对病变细胞显微图像的识别和分析来诊断疾病,诊断率较高。而能够准确的识别显微图像,选择合理的分割方法至关重要。本文简要的为大家介绍医学显微图像常用的分割方法。     

医学DR图像增强处理方法仿真研究

研究医学DR图像增强处理方法.在医学DR图像采集时,由于受到尖锐噪声,曝光量不当、人体组织太厚、分布不均匀等原因的干扰,造成医学DR图像中的像素混杂,图像对比度降低.传统算法很难对这些不可控因素进行预测,造成医学DR图像增强处理效果不好.为了避免上述缺陷,提出了一种基于细胞膜优化算法的医学DR图像增强处理方法.对采集的医学DR图像进行形态学处理,获取图像的结构特征,为图像增强处理提供了数据基础.利用细胞膜优化方法,计算图像中最优像素点空间位置,从而将其作为图像增强处理的依据.利用遗传方法,实现DR图像的增强处理.实验结果表明,利用改进算法进行医学DR图像增强处理,能够有效提高图像的对比度.     

基于均衡化及柔性形态学的显微图像边缘检测

对显微图像进行噪声过滤和增强是对其进行的分类、识别、检测处理的基础,在分析、综合传统的图像增强和图像分割的算法的基础上,将直方图变换和柔性数学形态学组合,提出了基于均衡化及柔性数学形态学的显微图像边缘检测方法,并通过实现表明该方法能够有效的抑制微生物显微图像的噪声,提高检测精度,保护边缘细节,并且易于编程实现.     

基于数学形态学的医学图像分割方法研究

文章介绍了医学图像处理中的医学图像分割的有关概念和数学形态学进行图像分析的基本步骤,重点论述了几种医学图像分割方法和基于数学形态学的分水岭分割算法,并给出了该算法的优点。     

基于数学形态学的显微图像边缘检测技术分析

根据微生物显微图像中微生物形态各异、容易重叠、边缘灰度接近等特性,利用数学形态学方法的思想,用灰度形态学作初步边缘处理,用二值形态学的方法进行边缘修复。并对原始图像用其它微分算子进行边缘检测,实验结果表明基于数学形态学的边缘提取算法对于微生物显微图像边缘检测有很好的效果,能够满足后期识别处理的需求。     

基于形态学重构运算的医学图像分割

医学图像分割是高层次医学图像理解和解释的前提条件,其目的是通过提取描述对象的特征,把感兴趣对象从周围环境中分离出来。文章在形态学基本运算的基础上,介绍了形态学重构运算和形态学图像分割的基本流程,最后用形态学重构运算对脑部MRI图像进行了分割,实验结果表明,这一方法可成功地将脑髓分割出来。     

基于数学形态学的显微图像边缘检测技术分析

根据微生物显微图像中微生物形态各异、容易重叠、边缘灰度接近等特性，利用数学形态学方法的思想，用灰度形态学作初步边缘处理，用二值形态学的方法进行边缘修复。并对原始图像用其它微分算子进行边缘检测，实验结果表明基于数学形态学的边缘提取算法对于微生物显微图像边缘检测有很好的效果，能够满足后期识别处理的需求。     

一种改进的基于模板匹配的显微细胞图像拼接算法

医学显微图像的拼接是后序医学图像处理和医疗诊断的关键。基于对医学显微图像拼接的研究,提出了一种改进的基于模板的图像拼接算法。该算法将一幅图像的模板在另一幅图像上平移,对两幅图像重叠区域作相关性计算,从而获得最佳匹配位置,实现图像的拼接。实验结果证明该算法精度高、速度快。     

基于图像处理的小麦腥黑穗病形态学特征的提取方法

基于图像识别是小麦腥黑穗病分类鉴定中正在研究的一种新技术。文章研究了提取小麦腥黑穗病病菌冬孢子形态学特征的图像处理方法。通过获取小麦腥黑穗病显微图像,对显微图像进行图像分割,中值滤波以及试探性扩张矩形等方法获得了病菌显微图像冬孢子区域的内接矩形,提取了基于灰度共生矩阵的纹理特征与形状特征。实验数据显示该方法能有效地提取出小麦腥黑穗病的形态学特征,对后续基于模式识别鉴定小麦腥黑穗病类别具有参考意义。     

基于多模态特征的医学图像聚类方法

现有的图像特征表达大多使用低层语义特征(如颜色、纹理等)细粒度地比较图像的相似度,然而医生就诊更多依据图像在局部区域高层语义特征(如是否病变、病变类型等)的差异粗粒度地判断图像的相似程度。针对现有的医学图像特征表达忽略了医学图像特有的高层语义特征,致使医学图像聚类效果不佳的问题,提出了一种融合医学图像纹理特征和特有形态学特征的多模态特征医学图像聚类方法。首先一方面提出使用纹理特征融合方法表示医学图像全局底层语义特征;另一方面提出使用图像分割的感兴趣区域(region of interest,ROI)的形态学描述作为形态学特征表示医学图像的局部高层语义信息。其次结合提出的相似性度量方法分别计算脑CT图像两类特征间的相似度。最后利用多核学习方法学习特征融合权重,并在多核谱聚类实验上验证了该方法的有效性。     

基于骨架变换的显微图像拼接方法

针对高放大倍数下显微镜图像视野较小的问题,提出了一种基于骨架变换的显微图像拼接方法.该方法先调整显微镜的轴位置,获取样本的序列显微图像;再对相邻序列显微图像进行拉普拉斯算子对比,得到显微图像清晰区域的二值图像;经过数学形态学处理后,提取出清晰区域的骨架;对相邻骨架插值,得到新骨架,提取出序列显微图像中新骨架与相邻骨架所包围区域,最终拼接出显微图像的清晰区域.试验证明,该技术能得到较好的拼接结果.     

基于白Top—Hat变换的医学图像局部对比度增强算法

提出了一种简单、高效的医学图像局部对比度增强算法.该算法的主要特点是在对医学图像进行多尺度形态学top-hat变换增强对比度时,仅采用白top-hat变换和用增加亮对比度区域的灰度值方法来代替黑top-hat变换,从而避免了常用形态学增强方法中丢失原始医学图像灰度信息的弊端.通过使用CT,MR医学图像与已有的局部对比度增强典型算法进行实验比较,结果表明,本文算法在增强图像局部对比度和减少计算时间均具有优势.     

寄生虫病原体自动识别研究

寄生虫病是影响人类健康的重要疾病。诊断该病的最常用和最可靠的方法是检测疑似患者是否携带有寄生虫病原体,然而寄生虫病原体的形态多样性和复杂性及检测人员的主观因素等严重影响了寄生虫病的正确检测。为了改变人工检测方法的低效率．便于医务工作者开展大规模的寄生虫病普查与防治工作,该文利用医学显微图像自动识别技术对人体寄生虫病原体彩色虫卵显微图像的自动识别进行了研究,并且通过对采集到的10种人体寄生虫卵图像进行识别,取得了较好的识别效果。     

寄生虫病原体自动识别研究

寄生虫病是影响人类健康的重要疾病。诊断该病的最常用和最可靠的方法是检测疑似患者是否携带有寄生虫病原体,然而寄生虫病原体的形态多样性和复杂性及检测人员的主观因素等严重影响了寄生虫病的正确检测。为了改变人工检测方法的低效率,便于医务工作者开展大规模的寄生虫病普查与防治工作,该文利用医学显微图像自动识别技术对人体寄生虫病原体彩色虫卵显微图像的自动识别进行了研究,并且通过对采集到的10种人体寄生虫卵图像进行识别,取得了较好的识别效果。     

基于形态学多尺度算法的肺部CT图像边缘检测

医学图像边缘检测是医学图像处理和分析的基础,传统边缘检测算子对噪声敏感,检测到的图像边缘效果较差.本文提出了一种基于形态学多尺度算法的肺部CT图像边缘检测方法.首先对形态学边缘检测算子进行改进,然后利用形态学多尺度算法检测各尺度下的图像边缘,最后采用非均匀权值方法合成最终边缘.实验结果表明:该方法在检测出肺部图像边缘的同时能够很好地抑制噪声,是一种有效的肺部CT图像边缘检测方法.     

基于柔性数学形态学的医学图像边缘提取

医学图像边缘提取,尤其是病灶部位的边缘提取,是医学图像处理中非常重要的预处理步骤,边缘提取的质量决定了图像的最终处理结果。人们一般习惯于用微分算子和梯度形态学算子提取边缘,但这类算子都不能很好地滤除噪声,也不能提取边缘细节。文章在阐述了数学形态学一般原理与方法及柔性数学形态学原理与性质的基础上,将柔性数学形态学用于左肺上叶周围型肺癌CT图像边缘提取。实验结果表明,这一方法比微分算子和形态学边缘梯度算子更能有效地滤除噪声并将肺部轮廓和肿瘤的大小与边缘准确地提取出来。