局部熵驱动的生物医学图像分割偏移场恢复耦合模型

为降低噪声影响同时恢复图像偏移场,提出一种基于局部熵信息的分割与偏移场恢复耦合模型.该模型在水平集理论的整体框架下将局部熵引入耦合模型,进而将其改造成全局凸函数,并利用Split-Bregman方法求得全局最优解.实验结果表明,文中模型可以准确、快速地分割灰度不均匀图像,同时可较好地恢复出图像的偏移场信息,对初始曲线和参数也具有较好的鲁棒性.     

改进的非局部FCM脑核磁共振图像分割与偏移场恢复耦合模型

核磁共振图像技术可用于对疾病的辅助诊断,然而受成像机制的影响往往图像中含有噪声以及偏移场,使得传统的模糊C均值(FCM)算法很难得到较好的分割结果.为此,提出一种基于FCM算法的分割与偏移场恢复耦合模型.首先将偏移场耦合到模型中,以降低灰度不均匀对分割的影响;其次将非局部信息融入模型中,使其在降低噪声影响的同时还能保持细长拓扑结构区域信息;最后引入隶属度正则项,以降低隶属度在过渡区域的影响,改善模型的分割效果.实验结果证明,文中模型对噪声具有较好的鲁棒性,并且在分割过程中能较好地恢复图像偏移场,得到较理想的分割结果及偏移场估计.     

局部熵驱动下的脑MR图像分割与偏移场恢复耦合模型

核磁共振图像受成像机制的影响往往导致图像中含有噪声以及偏移场,使得传统的图像分割方法很难得到较好的分割结果.为此,提出一种基于局部熵的分割与偏移场恢复耦合模型,首先在小邻域内构建基于模糊C均值(FCM)聚类模型的局部统计项并将偏移场信息耦合到模型中,以恢复图像偏移场;其次采用非局部信息来构建邻域正则项,使得模型在降低噪声影响的同时能有效地保留图像结构信息;最后在对局部能量项进行全局积分时引入局部熵信息,使得模型具有各向异性,从而对噪声和偏移场影响更具鲁棒性.实验结果表明,本文方法可以得到较准确的分割和偏移场矫正结果.     

结合非局部信息的脑MR图像分割与偏移场恢复耦合模型

磁共振图像由于成像机制的影响往往导致图像中含有噪声和偏移场,使得传统方法很难得到较好的分割结果.为此,在模糊C均值模型的基础上提出一种分割与偏移场恢复耦合模型.首先构建基于非局部信息的邻域正则项,使得在降低噪声影响的同时能有效地保留图像结构信息;其次在模型求解时引入人工蜂群算法,使得模型能快速逼近凸优解.实验结果表明,该模型对噪声和偏移场均具有较好的鲁棒性,可得到较准确的分割和偏移场矫正结果.     

脑MR图像互信息最大的凸优化分割模型

脑MR图像中普遍存在灰度不均匀性,传统的分割方法无法得到理想的脑组织分割结果.为此提出一种基于互信息最大化准则的变分水平集凸优化分割模型.首先建立最大化图像灰度与标记之间互信息能量的分割模型,并融入偏移场信息;对模型进行水平集表示和凸优化后,再引入边缘指示函数加权的总变差范数;最后采用SplitBregman方法快速求解.实验结果表明,该模型可以得到较准确的脑组织分割和偏移场矫正结果,对噪声和灰度不均匀性有很好的鲁棒性.     

局部区域拟合的快速水平集图像分割方法

目的 由于灰度不均匀图像在不同目标区域的灰度分布存在严重的重叠,对其进行分割仍然是一个难题;同时,图像中的噪声严重降低了图像分割的准确性。因此,传统水平集方法无法鲁棒、精确、快速地对具有灰度不均匀性和噪声的图像进行分割。针对这一问题,提出一种基于局部区域信息的快速水平集图像分割方法。方法 灰度不均匀图像通常被描述为一个分段常数图像乘以一个缓慢变化的偏移场。首先,通过一个经过微调的多尺度均值滤波器来估计图像的偏移场,并对图像进行预处理以减轻图像的不均匀性;然后,利用基于偏移场校正的方法和基于局部区域信息拟合的方法分别构建能量项,并利用演化曲线轮廓内外图像灰度分布的重叠程度,构建权重函数自适应调整两个能量项之间的权重;最后,引入全方差规则项对水平集进行约束,增强了数值计算的稳定性和对噪声的鲁棒性,并通过加性算子分裂策略实现水平集快速演化。结果 在具有不同灰度不均匀性和噪声图像上的分割结果表明,所提方法不但对初始轮廓的位置、灰度不均匀性和各种噪声具有较强的鲁棒性,而且具有高达94.5%的分割精度和较高的分割效率,与传统水平集方法相比分割精度至少提高了20.6%,分割效率是LIC（local intensity clustering）模型的9倍;结论 本文提出一种基于局部区域信息的快速水平集图像分割方法。实验结果表明,与传统水平集方法相比具有较高的分割精度和分割效率,可以很好地应用于具有灰度不均匀和噪声的医学、红外和自然图像等的分割。     

基于改进高斯混合模型的MR图像分割

传统高斯混合模型分割核磁共振图像时严重依赖初值,且易受图像中偏移场与噪声的影响。为此,提出一种基于片信息的改进高斯混合模型。采用模糊C均值聚类方法优化初始值,以减小初值对分割结果的影响,加快算法的收敛速度。使用Legendre多项式对偏移场进行拟合,并融入EM框架中,得到光滑的偏移场。利用邻域信息降低噪声的影响,使模型在降低噪声影响的同时,保留细长拓扑结构信息。实验结果表明,该模型能恢复出偏移场,分割结果较好。     

基于局部区域信息的医学图像分割及偏移场矫正方法

针对医学图像中由于偏移场的存在而导致图像灰度不均匀的问题,提出了一种基于局部区域信息的医学图像分割及偏移场矫正方法,以矫正偏移场使图像变为灰度均匀。该方法利用图像局部区域信息,通过拟合图像和原始图像构造能量函数,采用变分水平集方法进行求解。实验结果表明,该方法能够有效地实现医学图像分割及偏移场矫正,与其它分割及偏移场矫正方法相比,该方法具有较高的分割及偏移场矫正的精度和效率。     

MR图像分割问题基于变分方法的泛化统计模型（英文）

为解决灰度不均的医学图像分割现存问题,提出了基于变分方法的泛化统计模型,该模型可以同时得到偏移场和分割结果。在传统的灰度不均匀图像模型中,MR图像经常被分解为以下三部分:真实图像、偏移场以及服从零均值正态分布的噪声。该假设虽然可以简化运算,但在求解实际问题时仍存在一定的局限性,因为零均值的正态分布并不能适应噪声的复杂多样性。因此本文利用变分方法对噪声的敏感特性,同时松弛假设条件,即假设该噪声符合一般正态分布,经过严密的理论推导及高效的模型求解提出了GMLTD方法。并与两种具有代表性的算法:MLTD和MICO进行了多角度的对比实验,实验证明了该方法在算法鲁棒性、分割精度和收敛速度方面均有可喜表现。该算法可应用于医学图像的分割问题,希望能起到抛砖引玉的作用,获得更多的关注与更深入的研究。     

自适应尺度的局部强度聚类图像分割模型

针对传统活动轮廓模型无法精确分割强度不均匀图像，并且对尺度参数比较敏感的问题，提出了一种基于区域信息的自适应尺度的活动轮廓模型。根据图像的局部熵构建自适应尺度算子，利用图像的局部强度聚类性质构建能量函数。使用一组平滑基函数的线性组合来表示偏移场，这样可以增加模型的稳定性。通过最小化该能量，所提模型能够同时分割图像和估计偏移场，并且估计的偏移场可以用于强度不均匀校正。实验结果表明，与其它4种模型相比，该模型拥有更高的分割精确度，且分割结果对水平集函数的初始化和噪声具有鲁棒性。     

基于NL-Means的双水平集脑部MR图像分割算法

针对脑部MR图像中通常伴有灰度不均、高噪声的缺点,且传统水平集无法有效分割的问题,提出了一种基于NL-Means的双水平集算法。首先,利用改进型NL-Means算法对带有噪声的医学图像进行去噪处理,再通过双水平集算法对图像进行分割,提取多目标区域,为了去除医学图像中灰度不均对分割效果的影响,所提算法引入了偏移场拟合项,进一步改进了双水平集模型,进而对去噪图像分割效果进行了优化处理。实验结果表明,所提算法能有效地解决灰度不均与高噪声的问题,能够将伴有灰度不均的高噪声脑部MR图像完全分割出来,从而获得预期的分割效果。     

Unsupervised active contours driven by density distance and local fitting energy with applications to medical image segmentation

This study presents an efficient variational region-based active contour model for segmenting images without priori knowledge about the object or background. In order to handle intensity inhomogeneities and noise, we propose to integrate into the region-based local intensity model a global density distance inspired by the Bhattacharyya flow. The local term based on local information of segmented image allows the model to deal with bias field artifact, which arises in data acquisition processes. The global term, which is based on the density distance between the probability distribution functions of image intensity inside and outside the active contour, provides information for accurate segmentation, keeps the curve from spilling, and addresses noise in the image. Intensive 2D and 3D experiments on many imaging modalities of medical fields such as computed tomography, magnetic resonance imaging, and ultrasound images demonstrate the effectiveness of the model when dealing with images with blurred object boundary, intensity inhomogeneities, and noise.     

多描述子活动轮廓模型的医学图像分割

目的 医学图像分割结果可帮助医生进行预测、诊断及制定治疗方案。医学图像在采集过程中受多种因素影响,同一组织往往具有不同灰度,且伴有强噪声。现有的针对医学图像的分割方法,对图像的灰度分布描述不够充分,不足以为精确的分割图像信息,且抗噪性较差。为实现医学图像的精确分割,提出一种多描述子的活动轮廓（MDAC）模型。方法 首先,引入图像的熵,结合图像的局部均值和方差共同描述图像的灰度分布。其次,在贝叶斯框架下,引入灰度偏移因子,建立活动轮廓模型的能量泛函。最后,利用梯度下降流法得到水平集演化公式,演化的最后在完成分割的同时实现偏移场的矫正。结果 利用合成图像和心脏、血管和脑等医学图像进行了仿真实验。利用MDAC模型对加噪的灰度不均图像进行分割,结果显示,在完成精确分割的同时实现了纠偏。通过对比分割前后图像的灰度直方图,纠偏图像只包含对应两相的两个峰,且界限更加清晰;与经典分割算法进行对比,MDAC在视觉效果和定量分析中,分割效果最好,比LIC的分割精度提高了30%多。结论 实验结果表明,利用均值、方差和局部熵共同描述图像灰度分布,保证了算法的精度。局部熵的引入,在保证算法精度的同时,提高了算法的抗噪性。能泛中嵌入偏移因子,保证算法精确分割的同时实现偏移场纠正,进一步提高分割精度。     

Unsupervised segmentation of noisy and inhomogeneous images using global region statistics with non-convex regularization

Improving the segmentation of magnetic resonance (MR) images remains challenging because of the presence of noise and inhomogeneous intensity. In this paper, we present an unsupervised, multiphase segmentation model based on a Bayesian framework for both MR image segmentation and bias field correction in the presence of noise. In our model, global region statistics are utilized as segmentation criteria in order to classify regions with similar mean intensities but different variances. Additionally, we propose an edge indicator function based on a guided filter (instead of a Gaussian filter) that can preserve the underlying edges of the image obscured by noise. The proposed edge indicator function is integrated with non-convex regularization to overcome the influence of noise, resulting in more accurate segmentation. Furthermore, the proposed model utilizes a Markov random field to model the spatial correlation between neighboring pixels, which increases the robustness of the model under high-noise conditions. Experimental results demonstrate significant advantages in terms of both segmentation accuracy and bias field correction for inhomogeneous images in the presence of noise.     

抑制纹理信息的偏置场变分图像分割模型

偏置场变分水平集图像分割模型利用原始图像的局部灰度信息,可以对灰度不均匀图像进行有效的分割,但当灰度图像中存在纹理时,分割效果往往很差。针对这一问题,提出抑制纹理信息的偏置场变分水平集图像分割模型。利用一种基于纹理几何结构的纹理描述符描述图像中不同的纹理区域,使得不同纹理区域对比更加明显,相同纹理区域更加平滑,通过抑制纹理信息使后续的图像分割在纹理部分的错分大大减少。实验结果表明,相比偏置场变分模型,所提模型对自然及人工合成纹理图像均获得更好的分割结果。     

用于脑部核磁共振图像分割的具有抗噪能力的BCFCM算法

脑部核磁共振成像(MRI)是脑疾病临床诊断的重要手段,而脑组织的准确分割则是其中一个重要的环节。然而MRI图像中普遍存在的噪声和偏移场给脑组织的准确分割造成了很大的困难。在MRI图像分割算法中,偏移场矫正模糊C-均值算法(BCFCM)在模糊C-均值聚类算法(FCM)的基础上增加了对偏移场的估计和空间信息的使用,可以很好地消除图像偏移场对分割造成的影响。但是BCFCM算法由于没有考虑到噪声对偏移场估计的影响,因此对高噪声图像的分割效果欠佳。针对MRI脑组织分割,在图像预处理过程中提出一种快速的分割方法来去除颅骨及其附属物。此外,提出基于BCFCM的改进算法,该改进算法在迭代过程中可以通过对噪声强度的估计来自适应地改变目标函数窗口的大小。同时,该算法引入高斯核函数对偏移场进行平滑处理,并通过阈值限制偏移场的估计值,以有效地避免偏移场的错误估计对分割结果的影响。实验结果表明,改进后的算法不仅可以有效准确地 分割脑组织,而且具有较强的抗噪声和处理偏移场的能力。