基于水平集的三维脑部肿瘤分割

脑部肿瘤的分割在临床的诊断、治疗以及研究方面都有很重要的作用,但是由于脑肿瘤的大小、类型、位置等的多变性,脑部肿瘤分割一直是一个难点问题.根据脑肿瘤在核磁共振图像上的梯度以及图像中点的强度分布提出了一种新的基于水平集的分割方法.算法定义了一个新的能量函数,更好地匹配图像中肿瘤区域的强度分布.在实际的脑部核磁共振图像上进行实验,文中算法可以准确地分割出脑部肿瘤.与传统的水平集方法比较,该算法分割结果更加准确.     

基于水平集接力的图像自动分割方法

为了实现图像的完全分割,基于无须重新初始化的水平集方法提出了一种接力水平集方法.该方法在待分割图像中自动交替地创建嵌套子区域和相应的初始水平集函数,使水平集函数在其中演化并收敛,然后重复这个过程直到子区域面积为0.与原始算法及经典的基于区域的水平集方法相比,该方法具有如下优点:1) 自动完成,无须交互式的初始化;2) 多次分割图像,能够比原始算法检测到更多的边缘;3) 对于非匀质的图像,能够取得比经典的基于区域的水平集方法更好的分割效果;4) 提供一个开放的分割算法框架,其他单水平集方法稍作修改后也可替换这里所使用的单水平集方法.实验结果表明,此算法对人造图像和医学影像实现了无须交互的完全分割,对非匀质图像分割表现出更好的鲁棒性.     

基于权重能量自适应分布的三维形状分割算法

针对三维形状分割问题,提出一种引入权重能量自适应分布参与深度神经网络训练的全监督分割算法.首先对三维形状表面进行过分割得到若干小块,提取每一个小块的特征描述符向量作为神经网络的输入,计算权重能量自适应分布,将经过加权后的分割标签作为神经网络的输出,训练深度神经网络.对于新的未分割的三维模型,提取模型表面三角面片的特征向量后输入到神经网络中进行预测分割后,对预测分割的边缘进行修整得到分割结果,实现三维模型的自动分割.在普林斯顿三维模型分割数据集上的实验结果表明,算法通过在训练过程中引入权重能量自适应分布,可以大幅降低神经网络训练时的均方误差,提高神经网络预测结果的准确率;与传统算法相比,该算法具有高准确率、强鲁棒性、强学习扩展能力等优点.     

BEMD-分层水平集侧扫声纳图像快速分割算法

针对侧扫声纳图像不同区域的像素分布特点,提出了一种改进的BEMD(二维经验模态分解)-分层水平集分割算法。介绍了CV(Chan和Vese)水平集模型和分层水平集模型,利用分层水平集模型进行三类分割。为了提高分割精度,利用BEMD重新描述模型的能量函数。通过BEMD的加权参数,在不影响分割精度的前提下提高模型的抗噪性能。分析了c-均值算法与水平集算法的联系,利用改进的c-均值算法初始化水平集演化曲线,以减少迭代次数。对水平集能量函数添加惩罚项,以提高水平集演化速度。利用改进的BEMD-分层水平集分割算法进行无监督的图像分割实验并与其他算法比较,验证了该算法的抗噪性、分割的准确性和快速性。     

基于圆形约束快速水平集的原生质体细胞分割

原生质体细胞的显微图像具有边界模糊、内部分布不均匀的特点,利用传统分割方法较难取得理想分割效果.针对原生质体细胞的圆形特点,在快速水平集分割算法中加入圆形先验知识,提出一种新的基于圆形约束的快速水平集模型.为解决多个原生质体细胞分割问题,首先对图像进行预分割,然后利用多个水平集表示的圆形约束快速模型进行再分割.对传统快速水平集进行改进得到一种基于直方图统计的快速水平集模型,利用该模型进行预分割可以取得较好的效果.对多个不粘连细胞和多个粘连细胞,分别采用八链码跟踪法和随机霍夫圆检测法对预分割后的目标区域进行分裂.实验结果表明,本文快速水平集算法可以有效地解决单个及多个原生质体细胞分割问题.     

多速度函数水平集算法及在医学分割中的应用

以往的水平集算法都只有一个单一的速度函数,在零水平集的演化过程中,能量函数最小化是一个很复杂的过程,而单一的速度函数存在很多问题.在此基础上,根据不同分割区域属性的异同,提出了一种具有多个速度函数的多水平集分割算法:以不同的待分割区域构造多个不同的水平集函数,相应地构造多个不同的速度函数.多个零水平集同时演化,相互作用,以达到分割的目的.该方法不但提高了分割的精度,而且能够很好地解决单一速度函数水平集算法难以处理的边界缺口问题.将此算法应用于医学MRI和CT的图像分割,得到了很好的分割结果.     

基于水平集的牛乳体细胞图像分割方法的研究

水平集分割算法已被广泛地应用在图像分割中,主要缺点是计算效率低.在分析基于水平集各种分割算法的基础上,提出一种基于模板优化的水平集算法,对牛乳体细胞图像进行分割.经实验验证,该算法在分割精度和速度等方面都取得较为满意的效果.     

基于水平集方法的软组织图像序列分割

医学图像分割是医学图像处理中的关键问题之一.图像序列的分割操作是医学图像三维重建的必要准备,而软组织图像分割则是医学图像分割中的一大难点.基于曲线演化理论的,借助偏微分方程等数学工具的水平集方法已经被广泛应用于医学图像分割领域.介绍了水平集方法的数学模型,并设计了一种基于窄带水平集方法的,专门针对软组织图像分割的算法.用边界追踪等方法提取第一层图片中的软组织相关轮廓;将它们作为初始水平集曲线,再利用窄带水平集方法进行演化;经过两个阶段的迭代处理,最终自动分割出整个软组织图像序列.实验表明该算法具有较高效率、分割结果精确,所产生的分割结果可以作为三维重建的合适的数据集.     

基于元胞自动机各向异性扩散模型的图像分割算法

介绍了一种基于元胞自动机各向异性扩散模型的图像分割算法.在扩散模型基础上,引入跨膜介质,构建各向异性扩散模型;然后模拟热扩散方程的活动轮廓模,建立热量场,通过 LBADM 模型对图像进行分割获得目标分割边缘.实验结果表明,该算法模型能够取得闭合的分割曲线,同样能够很好的处理图像拓扑结构的变化.通过与水平集方法和窄带水平集方法进行计算速度实验对比,表明该算法能够大大减少了分割的计算量.     

G~0和Gamma联合建模的水平集水体分割

针对传统水平集水体分割方法无法适应高分辨率SAR影像统计分布特性的问题,在影像金字塔结合水平集理论的多尺度迭代处理框架下,提出一种G~0和Gamma联合建模的多尺度水平集高分辨率SAR影像水体分割方法。该方法在金字塔顶层,考虑到水平集初始化对分割效率和性能的影响,引入快速模糊C均值聚类初始化水平集函数,然后基于G~0和Gamma联合分布对SAR影像整体综合建模和构建全局能量泛函进行能量最小化迭代分割,更好地拟合了高分辨率SAR影像的统计分布特性。最后,将得到的分割结果反演至下一层金字塔的分割,使分割结果在多尺度迭代链中不断精化,最终实现水体的精确分割。采用1m分辨率TerraSAR影像进行算法分割性能的对比实验。实验表明,该方法分割精度较高,是一种较为实用的高分辨率SAR影像水体分割方法。     

基于水平集和迭代自组织算法的图像分割

提出了基于水平集和迭代自组织数据分析的岩心砾石图像分割方法,既可克服水平集算法伴生的图像过分割问题,也可解决迭代自组织算法产生的图像边缘飘移问题。该方法首先运用水平集算法获取目标颗粒的准确边界,运用迭代自组织算法提取目标颗粒的整体;其次将两种方法提取的图像给以迭加综合处理,克服水平集算法伴生的图像过分割和迭代自组织算法产生的边缘飘移的缺陷,进而得到既完整又边界准确的目标颗粒。该方法运用于岩心砾石图像的分割,取得了良好的效果。     

基于Level Set算法的医学图像分割的研究与实现

提出了一种改进的结合基于阈值分割特点的Level Set方法.首先用滤波器对原始图像进行平滑,然后根据当前曲线找到区域的统计特性,最后根据区域之间的统计特性的相似度重新定义了Level Set方法的演化停止准则,从而提高了算法的准确性和自动性.实验结果表明,该方法具有较好的分割效果和较高的分割效率.     

Automatic segmentation of human facial tissue by MRI–CT fusion: A feasibility study

The aim of this study was to develop automatic image segmentation methods to segment human facial tissue which contains very thin anatomic structures. The segmentation output can be used to construct a more realistic human face model for a variety of purposes like surgery planning, patient specific prosthesis design and facial expression simulation. Segmentation methods developed were based on Bayesian and Level Set frameworks, which were applied on three image types: magnetic resonance imaging (MRI), computerized tomography (CT) and fusion, in which case information from both modalities were utilized maximally for every tissue type. The results on human data indicated that fusion, thickness adaptive and postprocessing options provided the best muscle/fat segmentation scores in both Level Set and Bayesian methods. When the best Level Set and Bayesian methods were compared, scores of the latter were better. Number of algorithm parameters (to be trained) and computer run time measured were also in favour of the Bayesian method.     

结合均值聚类的窄带水平集曲线演化

水平集方法是目前常用的一种图像分割方法,但它在构造速度函数时仅使用了图像的梯度信息,对于MRI这类含有强噪音、弱边界等现象的图像很难取得理想的分割结果.针对这一问题,将图像的区域信息和梯度信息相结合,构造新的基于K-均值聚类的水平集速度函数,该速度函数有较强的抗噪性能,并且能够处理含有弱边界、低对比度的图像.对左心室MR图像的分割实验表明该方法具有良好的分割效果.     

基于支持向量机与水平集的颅内血肿图像分割方法研究

颅内血肿图像的正确分割是血肿三维重建和血肿体积计算的关键,其结果可为医生的临床诊断提供帮助。由于脑部血肿CT图的特性,采用单一的分割方法很难分割出目标区域,首先采用全局阈值对图像预处理,再采用支持向量机(SVM)和水平集(Level Set)相结合的方法分割颅内血肿,方法具有一定的新颖性,经过实验证明,该方法能够自动、较准确地分割颅内血肿。     

针对弱边缘信息的左心室图像分割算法

基于距离正则水平集模型（DRLSE）的左心室MR图像分割算法对梯度信息有很强的依赖性,在图像弱边缘区域容易陷入局部最优,且对初始轮廓的选取敏感。为降低算法对初始轮廓的敏感程度,提高其在左心室图像弱边缘的分割能力,提出一种适用于弱边缘信息的左心室分割算法。在DRLSE的基础上,该分割算法提出运用拟合方法计算基于变异系数分割模型（PSM）的新局部项,算法依靠梯度与图像局部信息驱动曲线演化,降低了DRLSE对初始轮廓的敏感度;引入形状约束力,克服DRLSE算法在左心室外膜弱边界处出现边界泄露的情况。为验证所提算法分割的准确性,基于多伦多市患病儿童医院影像科提供的数据库,利用DRLSE、保持凸性水平集模型（CPLSE）模型、U-Net网络以及提出的内膜算法对心内膜进行分割;利用DRLSE、引入外膜形状约束力的DRLSE模型（DRLSE-shape）、U-Net网络以及提出的外膜算法对心外膜进行分割。实验结果表明,针对左心室内、外膜,所提算法优于上述算法,能降低DRLSE对初始轮廓的敏感程度,提升对左心室弱边界MR图像分割的精确度。     

应用最小生成树实现点云分割

点云分割是点云参数化、形状识别、编辑造型等领域的关键基础算法。提出一种基于最小生成树的点云模型分割算法,包括生成带状分割边界、区域增长、拆分带状分割边界以及生成最终区域4个步骤。算法采用Snake模型提取分割曲线并向两侧扩展形成带状分割边,利用最小生成树实现区域增长来提取区域内部点,最后拆分带状分割边界并与已有区域合并形成最终区域。实验结果表明,该算法能够有效避免过分割和欠分割,能够生成光顺分割边界,与Level Set分割算法相比具有较高的效率。     

A medical analytical system using intelligent fuzzy level set brain image segmentation based on improved quantum particle swarm optimization

Medical image segmentation demonstrates a significant part in curative image exploration and dispensation, is a multifaceted and perplexing assignment for reckoning efficiency and dissection precision. Segmenting an image is essential to dissection different components of the image, which is prominent fact to identify region of defect accurately. An Intelligent Fuzzy Level Set Method (IFLSM) along with an over-all search proficiency of Improved Quantum Particle Swarm Optimization (IQPSO) for image segmentation is proposed to improve the steadiness and meticulousness thus aiming at reduction of opening sensitivity. The proposed algorithm aims at optimizing the opening contours by utilizing the IQPSO method in addition with intelligent fuzzy clustering method, and segments the image using enhanced Level Set Method (LSM). A stable cluster head is identified using the comprehensive quest aptitude of IQPSO. The iteration period will also provide a pre-segmentation contour which is nearer to Region of Interest (ROI). The implementation of the proposed work for segmenting brain tissues through Magnetic Image Resonance (MRI) images provides an optimized result which is 15% more than the original FLSM algorithm. The obtained contours from the proposed work shows more stability than the original FLSM. The proposed work shows a promising significant improvement in the image segmentation process.     

基于快速Level Set的红外图像分割方法

针对传统红外图像分割算法精度差以及单纯基于边界信息或区域信息Level Set的图像分割算法实时性差等问题，提出了一种同时基于边界信息和区域信息的快速Level Set的红外图像分割算法。通过自适应系数T1和T2很好地将边界信息和区域信息相结合，在保证分割精度的同时加快了图像分割速度。通过实验仿真并与其他红外图像分割算法结果比较，证明了该算法的有效性和实时性。     

一种基于分层Mumford-Shah模型的颅脑图像分割方法

在介绍简化Mumford-Shah模型和水平集（LevelSet）方法的基础上,针对颅脑多目标分割问题,提出了一种基于分层Mumford-Shah模型的图像分割方法,并运用改进图像分割方程进行计算求解,对颅脑MR图像的分割实验证明了该方法的有效性。