基于弹性匹配活动轮廓模型心脏超声图像分割

超声医学图像由于受成像机理的影响,图像对比度不高、边缘不明显.基于传统活动轮廓线模型(snake模型)的分割方法可能产生过分割或泄漏问题.由于医学图像中拓扑结构已知,因此基于先验知识的活动轮廓线分割方法是解决这个问题的一个有效途径.建立一种新的基于弹性匹配活动轮廓线模型,该方法将待分割曲线的形状与原型曲线用弹性匹配测量变形量或相似度.曲线在演化过程中,根据变形量或相似度,可以准确分割模糊的边缘,同时保持整体目标分割形状.通过对二维小儿超声心脏图像的左心房内壁进行分割,经比较,基于弹性匹配活动轮廓线分割比传统活动轮廓线分割的误差有显著减少,避免了传统活动轮廓线的过分割或泄漏问题.     

脉冲耦合神经网络与最大相关准则的图像分割

基于脉冲耦合神经网络（Pulse Coupled Neutral Network,PCNN）模型,提出了一种基于Canny算法的图像预处理方法,增强了图像的模糊边缘,提高或抑制了对应神经元的相似群捕获能力,利用最大相关准则确定神经元的衰减阈值和实现神经元相似群捕获强度的控制,避免了神经元完全捕获对分割图像的过平滑,成功实现了灰度图像的自动分割。该方法得到的分割图像取得了较好的结果,体现了更多细节,与相关文献相比,大大减少了神经元参数对分割结果的影响。     

基于Level Set方法的医学图像分割

对图像分割进行了研究,这是医学图像处理中的关键问题之一。提出了一种结合Fast Marching算法和Watershed 变换的医学图像分割方法。首先用非线扩散滤波对原始图像进行平滑，然后利用Watershed算法对图像进行过度分割，最后用改进的Fast Marching方法对图像进行分割。除此之外，根据区域之间的统计特性的相似度重新定义了Fast Marching 方法的速度函数。实验结果表明，该方法能够快速、准确地得到医学图像的分割结果。     

结合时域信息的区域生长算法及其在动脉超声造影图像分割中的应用

为了有效地提取动脉超声造影图像中的血管边界,提高动脉内膜附近血流流场超声测量的准确性,提出一种结合时域信息的区域增长算法进行动脉超声造影图像的血管边界分割.该算法根据超声造影微泡在血液内的流动特性,利用连续两帧图像之间的灰度差异构造窗帧差,令其作为生长条件,结合邻域灰度进行区域生长;采用数学形态学的闭合运算与一种自定义的边界平滑方法对区域生长结果进行处理,填补了区域生长中产生的空洞并平滑了不规则边界.最后通过大鼠颈动脉的超声造影图像实验,验证了文中算法的有效性和可行性,该算法能够准确地提取出模糊的动脉边界,时间复杂度低.     

基于改进广义模糊增强的图像分割方法研究

本文提出了一种基于改进广义模糊增强的图像分割方法。该算法就Pal模糊增强算法的不足进行分析,提出一种改进的广义模糊增强算法且将其应用于图像分割中,并就模糊参数选择缺乏理论依据的问题提出一个解决方案。在与各类传统分割方法的分割效果进行比较后,实验结果证明该方法的算法复杂度低,分割速度快且分割质量高。     

模糊聚类方法在医学病理图像分类中的应用

图象分割和对象提取是从图象处理到图象分析的关键步骤。本文将经典的模糊C-均值聚类算法和模糊测度和模糊积分结合起来，并将这两种算法应用于医学病理图象的分割。经典的模糊C-均值聚类算法采用欧式距离计算像素之间的相似度，本文中采用模糊测度和模糊积分计算像素之间的相似度，基于模糊测度和模糊积分的特点，这种计算方法可以提高计算的准确度。最后对两种算法的处理结果进行了比较，结果表明改进的模糊C-均值算法对医学病理图像的分割效果比原算法有所改进。     

改进的Fast Marching方法在医学图像分割中的应用

Fast Marching方法应用于医学图像分割取得了较好的分割结果,但是Fast Marching方法对边缘比较模糊的图像不能准确完整地分割出来。提出了一种结合像素间信任连接算法和Fast Marching方法的医学图像分割方法,首先用高斯滤波器对图像进行滤波,然后对图像用基于像素间信任连接的算法提取待分割图像中目标区域,取得较大的同质区,最后用Fast Marching方法对图像进行分割。实验结果表明,该方法对边缘模糊和目标内部存在伪边缘的医学图像能取得较好的分割结果。     

基于直方图梯度计算的 T2加权脑部 MR 图像自动分割

针对脑部核磁共振图像分割问题,提出了一种直方图梯度计算方法。首先,对 MR 图像的直方图进行平滑处理,从而去除三个体素中出现的最低灰度级;然后,在预处理后的直方图上计算梯度;最后,计算对象数和其所在位置的梯度,并对图像进行自动分割。基于直方图处理进行梯度计算,大大降低了计算复杂度。在 T2加权脑部 MR 图像上的实验结果表明,该方法可以有效地从二维和三维图像中提取出主要脑部区域,并在临床环境中获得的人类脑部 MR 图像上成功实施,分割效果优于其他几种现有分割算法。     

基于遗传模糊聚类的医学超声图像分割方法

医学超声成像技术以其实时性、无损性与廉价性等优点被广泛应用于医疗诊断,但由于其固有的斑点噪声和与组织相关的纹理特性使得医学超声图像的分割一直是一个难题。模糊C均值聚类算法（FCM）具有较强的抗噪声能力,能够较好地完成医学超声图像的分割任务,但其局限性在于对聚类中心的初值较敏感,当随机选取初始聚类中心时,很有可能使分割过程陷入局部极小,影响分割结果。利用遗传算法（GA）能够寻找全局最优解的特点,提出一种基于遗传算法寻找初始聚类中心的模糊聚类方法,应用于医学超声图像分割并取得了良好效果。     

基于阈值和snake模型的三维医学图像自动分割

提出了一种利用snake模型和基于连通性阈值算法进行三维医学图像的自动分割方法。根据三维医学图像的特点，首先选取该图像的中间层图像，利用基于连通性的阈值算法对其分割；其次利用邻层图像分割结果和snake模型来指导下一层的图像分割。实验结果表明，该方法可以明显提高分割的准确率和速度。