改进水平集模型的海岛边界快速分割方法研究

海岛是海洋开发和利用的一个重要载体。海岛边界的快速分割方法研究具有重要的科学价值和战略意义。遥感技术由于具有远距离对地观测的特点,为研究海岛提供了重要的数据资源。鉴于遥感数据波段数多、实时性强和面积覆盖广等特点,提出了一种海岛边界快速分割模型。该模型分为两方面:基于K均值聚类算法实现海岛边界的粗分割;将海岛边界的粗分割结果作为输入,基于水平集方法实现海岛边界优化。以福建省福州海域某两个海岛的边界分割为例,将改进模型与传统的Chan-Vese模型、测地活动轮廓模型和二值化高斯滤波水平集模型进行比较,结果表明:改进模型的计算耗时和迭代次数较传统分割模型至少降低了50%;改进模型的海岛边界结果精度更加逼近目视解译分割结果。由此可见,改进模型有效地解决了传统分割模型效率低、过分割等现象,为海岛普查等提供了一种快速分割方法。     

基于覆盖分割和活动轮廓模型的图像边缘提取算法

针对传统算法对边界模糊的图像分割效果不理想,分割结果多毛刺的问题,提出了一种由粗到细的图像边缘提取方法,主要由像素覆盖分割方法和Chan-Vese模型组成。将改进的覆盖分割方法和活动轮廓模型相结合,首先使用原始覆盖分割算法对图像进行分割,利用多方向模糊形态学边缘检测算法提取不同物体之间的边界;然后采用改进的像素覆盖分割方法给边界像素重新分配覆盖值;最后,运用活动轮廓算法进行细化的图像边界提取;分别进行了分割结果的定性比较,抗噪性测试以及提取的边缘对比实验。实验结果表明,该方法对具有模糊边界的图像,提取边缘结果优于其他可比文献中提出的方法。     

基于多尺度特征和注意力机制的航空图像分割

利用神经网络能通过进行建筑像素标记实现航空图像分割,但也存在分割边界模糊的问题,导致分割结果不理想.为此,本文以卷积神经网络U–net和FCN–8s基本网络模型,实现端到端训练.在此基础上,结合建立了全卷积神经网络结合多尺度特征和注意力机制的网络模型,提升了分割边界的清晰度.将多尺度特征和注意力机制的模型与基本模型进行对比,分析了真实与预测之间的相关度和相似度,并将预测结果进行对比.实验结果表明,结合多尺度特征和注意力机制的分割模型,分割边界更清晰,相对于相同训练规模的全卷积网络交并比高2%, Dice系数高3%,得到较好的分割结果.     

水平集方法在肝脏CT图像分割中的应用

本文从理论上分析了无需重新初始化的水平集方法的主动轮廓图像分割模型,此模型有很大的优越性,但对于目标与背景对比度较小这种情况不能得到一个好的分割效果。该模型应用于CT图像中肝脏的分割时,主动轮廓曲线会跨越肝脏边界从而导致错误的分割结果。通过修正边缘检测函数,加强了其在目标边界处的约束效果,使得主动轮廓曲线在目标物体边界处停止演化,这样能够准确的将肝脏分割出来,保证了分割的正确性。实验证明了该方法的可行性。     

基于自适应局部统计量的CV模型

针对传统CV模型的分割结果易受初始曲线位置影响的问题,将传统模型与测地线模型有机结合,提出一种基于自适应局部统计量的全局优化CV模型,通过极小化能量泛函对图像进行分割,避免了收敛于局部极小的问题,采用边缘函数进行边界检测,能够较好地分割对比度较低的边界。仿真实验结果表明,与传统模型相比,该CV模型具有更高的分割精度。     

勾画式交互的网格模型分割

提出一种基于区域增长的交互三维网格模型分割方法。在区域增长的基础上,首先由用户利用基于勾画的交互方式选定部分顶点作为目标和背景,其余顶点作为未知区域,利用区域增长的方法自动生成目标的边界,从而完成模型的分割。此方法中边界顶点分割结果的好坏直接影响到了最终的分割结果,因此,在利用区域增长方法形成边界时,将既与目标相邻又与背景相邻的顶点标记为特殊点,在其余未知部分分割完成之后,重新对特殊点进行一次区域增长算法。此时由于大部分顶点的状态已经确定,获得的边界将更为准确。实验表明分割结果有了很大程度的改进。     

改进CV模型的医学图像分割

基于水平集的图像分割方法能有效处理拓扑结构较复杂、有分支的目标,分割结果对目标初始轮廓的位置不敏感,对图像中对比度低的边界的识别效果不佳。广义模糊算子能有效提高图像边界区域与非边界区域的对比度,图像细节分明、失真度小。运用广义模糊算子来改进水平集分割方法中的Chan-Vese模型（简称CV模型）的速度函数;并扩大传统CV模型的边界检测范围以减少迭代次数,加快收敛速度;最后消除误分割区域以进一步提高分割的准确性。对模拟和真实医学图像分割的实验结果表明：改进后的模型能较大提高分割的准确性及效率。     

面向三维模型分割的边界感知点云神经网络

为了能够更好地应用深度神经网络学习三维模型的空间特征,获得更好的三维模型分割效果,提出面向三维模型分割的边界感知点云神经网络.首先,采用边界感知的网格点云化方法,将网格分割问题转化成点云标记问题;然后,利用数据切片方法对转化而来的点云数据进行重采样;最后,利用不同大小卷积核的滤波器提取点云数据的空间特征,并将点云标记的结果对应到原网格模型,得到三维模型分割的结果.在ShapeNetCore数据库上的实验结果表明,该方法不仅能够明显地提高分割的准确率,而且具有边界感知的特性,能够有效地避免过分割现象.     

结合语义边界信息的道路环境语义分割方法

语义分割是实现道路语义环境解释的重要方法,深度学习语义分割由于卷积、池化及反卷积的作用使分割边界模糊、不连续以及小目标漏分错分,影响了分割效果,降低了分割精度。针对上述问题,提出了一种结合语义边界信息的新的语义分割方法,首先在语义分割深度模型中构建了一个语义边界检测子网,利用网络中的特征共享层将语义边界检测子网络学习到的语义边界信息传递给语义分割网络;然后结合语义边界检测任务和语义分割任务定义了新的模型代价函数,同时完成语义边界检测和语义分割两个任务,提升语义分割网络对物体边界的描述能力,提高语义分割质量。最后在Cityscapes数据集上进行一系列实验证明,结合语义边界信息的语义分割方法在准确率上比已有的语义分割网络SegNet提升了2.9%,比ENet提升了1.3%。所提方法可以改善语义分割中出现的分割不连续、物体边界不清晰、小目标错分漏分、分割精度不高等问题。     

基于方向气球力活动轮廓模型的图像分割

针对传统参数活动轮廓模型存在对轮廓线初始位置敏感的缺点,提出了方向气球力活动轮廓模型并应用于MRI图像分割。该模型利用底层图像分割的结果确定外力的方向,使气球力方向始终指向目标边界,引导轮廓线变形。当轮廓线运动到目标边界附近时,在高斯势力作用下继续变形,完成图像高层分割。实验结果表明,该模型与轮廓线初始位置无关,能实现MRI图像的自动分割。     

Model-based quantitative AAA image analysis using a priori knowledge

Abdominal aortic aneurysm (AAA) is a serious vascular disease which may have a fatal outcome. AAA shape and size is important for diagnostics and intervention planning. In this paper, we present a new method for segmentation of AAA from computed tomography (CT) angiography images. The method works by segmenting the inner and the outer aortic border. Segmentation of AAA is a challenging problem because of low contrast of the outer aortic border. In our method, the inner aortic border is segmented using a geometric deformable model (GDM) and morphological postprocessing. The GDM is implemented using the level-set algorithm. The outer aortic border is segmented by a preprocessing method utilizing a priori knowledge about the aorta shape, followed by the GDM-based method, and morphological postprocessing. The preprocessing algorithm operates on a slice-by-slice basis with some information flow among neighboring slices. The GDM performs three-dimensional (3D) segmentation, reducing possible errors in the previous step. The proposed method is automatic and requires minimal user assistance. The method was statistically validated on 12 patient scans having a total number of 497 image slices. Statistical analysis has confirmed high correlation between the results obtained by the proposed method and the gold standard obtained by manual segmentation by an expert radiologist.     

利用多模态U形网络的CT图像前列腺分割

计算机断层扫描（computed tomography,CT）可应用于前列腺癌的检查诊断,但是它对软组织结构对比度不高,因此很难从中分割病变;而核磁共振成像（nuclear magnetic resonance imaging,MRI）具有较高的对比度,能为病变提供丰富的影像信息。为了提升CT图像的前列腺分割精度,本文提出一种新的基于深度学习的多模态U形网络图像分割模型MM-unet,充分运用MRI图像与CT图像间信息互补的特点。具体地,首先运用迁移学习思想分别训练MRI与CT图像的初始分割模型,然后通过设计一种新型的多模态损失函数MM-Loss,建立不同模态分割模型之间的联系,联合训练基于MRI与CT图像的MM-unet。为验证所提模型MM-unet的有效性,我们在某合作医院提供的Prostate数据集上进行了实验,实验结果表明,与U-net方法相比,MM-unet能够获得高出3个百分点Dice的CT图像分割精度。     

利用层间相关性的岩心CT图像半自动分割方法

目的 由于岩心CT图像分辨率不高,目标边界较为模糊,无法完全自动化地对岩心CT图像的目标分割和提取。为保证效果,在分割过程中往往需要进行人为干预。但作为3维重建的岩心CT图像,图像数据规模较大,达到成百上千帧。如果对每一帧都进行人为干预,工作量将会很大。针对这种情况提出一种在保证分割效果的前提下只需进行少量人为干预的高效实用的分割方法。方法 先对CT图像中的某一帧设定分割阈值,利用CT图像层间相关性对相邻帧自动计算合适的分割阈值,从而分割出整个CT图中的目标。并根据需要,选定其中分割效果较好的一帧,其他帧根据此帧进行自动区域生长修复,从而更加完善分割效果。还可以手工修复其中一帧中的目标,其余帧的所有相关目标将会自动进行识别和修复。结果 通过对多组不同数据规模和分辨率的岩心CT图像进行实验测试,使用本文方法均可达到期望的分割效果,并且分割速度较大津分割法提高近1倍,与固定阈值分割方法速度相当。结论 岩心CT图像分割方法充分利用图像层间相关性,可快速有效地批量提取具有连续性的序列图像中的目标。     

Three-dimensional shape reconstruction of abdominal aortic aneurysm

This paper presents an effective computational technique for reconstructing a three-dimensional shape of an abdominal aortic aneurysm (AAA), from a limited number of computed tomography (CT) images. The three-dimensional template geometry of a healthy abdominal aorta is used as a priori knowledge, and the template geometry is deformed by extended free-form deformation (EFFD), to generate a patient-specific AAA geometry. A two-step optimization scheme is devised to find an optimal set of EFFD parameters that match the cross-section of a deformed template with an AAA contour shown in a CT image. The geometric continuity of a deformed model is maintained by raising the order of the polynomial function used in EFFD. Experimental results show that the proposed method creates the three-dimensional shape of AAA suitable for structural finite element analysis and computational fluid dynamics for medical diagnosis.     

基于双解码U型卷积神经网络的胰腺分割

计算机断层成像(computed tomography, CT)中, 胰腺分割作为医学图像分析中最具挑战的任务之一, 由于其体积小、形状多变的特点, 导致传统的自动分割方法无法达到理想的分割精度. 利用高级语义特征指导低级特征的思想, 提出一种基于双解码U型卷积神经网络的单阶段胰腺分割模型. 模型由一个编码器和两个解码...     

一种改进FCN 的肝脏肿瘤CT 图像分割方法

精准的医学图像分割是辅助疾病诊断和手术规划的必要步骤。由于腹部器官边界 模糊、对比度不高,肝脏肿瘤的自动分割一直是一个难题。针对传统全卷积神经网络(FCN)实 现端到端分割精度不佳等问题,提出了一种卷积型多尺度融合FCN 的CT 图像肝脏肿瘤分割方 法。首先,通过提高对比度、增强和去噪的方式对原始的CT 图像数据集进行预处理;然后使 用处理后的数据集对所设计好的FCN 网络进行训练;最终得出能够精确分割肝脏肿瘤的网络模 型。实验效果采用多种评价指标进行分割结果的评估,并且与多种常见的分割网络进行对比。 实验结果表明本文方法可以精准分割CT 图像中各种形状和大小的肝脏肿瘤,分割效果良好, 能够为临床的诊断提供可靠的依据。     

An improved biogeography based optimization approach for segmentation of human head CT-scan images employing fuzzy entropy

The present paper proposes the development of a three-level thresholding based image segmentation technique for real images obtained from CT scanning of a human head. The proposed method utilizes maximization of fuzzy entropy to determine the optimal thresholds. The optimization problem is solved by employing a very recently proposed population-based optimization technique, called biogeography based optimization (BBO) technique. In this work we have proposed some improvements over the basic BBO technique to implement nonlinear variation of immigration rate and emigration rate with number of species in a habitat. The proposed improved BBO based algorithm and the basic BBO algorithm are implemented for segmentation of fifteen real CT image slices. The results show that the proposed improved BBO variants could perform better than the basic BBO technique as well as genetic algorithm (GA) and particle swarm optimization (PSO) based segmentation of the same images using the principle of maximization of fuzzy entropy.     

融合多注意力机制的脊椎图像分割方法

针对脊椎CT、MR图像分割模型分割性能不高的问题,基于U型网络提出了脊椎分割网络MAU-Net。首先引入坐标注意力模块,使网络准确捕获到空间位置信息,并嵌入到通道注意力中;然后提出基于Transformer的双支路通道交叉融合模块代替跳跃连接,进行多尺度特征融合;最后提出特征融合注意力模块,更好地融合Transformer与卷积解码器的语义差异。在脊柱侧凸CT数据集上,Dice达到0.929 6,IoU达到0.859 7。在公开MR数据集SpineSagT2Wdataset3上,与FCN相比,Dice提高14.46%。实验结果表明,MAU-Net能够有效减少椎骨误分割区域。     

Geometrical methods for level set based abdominal aortic aneurysm thrombus and outer wall 2D image segmentation

Abdominal aortic aneurysm (AAA) is a localized dilatation of the aortic wall. Accurate measurements of its geometric characteristics are critical for a reliable estimate of AAA rupture risk. However, current imaging modalities do not provide sufficient contrast to distinguish thrombus from surrounding tissue thus making the task of segmentation quite challenging. The main objective of this paper is to address this problem and accurately extract the thrombus and outer wall boundaries from cross sections of a 3D AAA image data set (CTA). This is achieved by new geometrical methods applied to the boundary curves obtained by a Level Set Method (LSM). Such methods address the problem of leakage of a moving front into sectors of similar intensity and that of the presence of calcifications. The versatility of the methods is tested by creating artificial images which simulate the real cases. Segmentation quality is quantified by comparing the results with a manual segmentation of the slices of ten patient data sets. Sensitivity to the parameter settings and reproducibility are analyzed. This is the first work to our knowledge that utilizes the level set framework to extract both the thrombus and external AAA wall boundaries.     

基于RandomWalk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。