基于多光谱的宫颈细胞图像迭代分割算法

详细介绍了一种基于显微多光谱宫颈图像的迭代分割方法,该方法将多光谱分析应用到宫颈显微图像分割中。由于显微宫颈细胞图像十分复杂,普通的分割方法不能解决分割问题,该文给出了一个较好的解决方案。算法首先对大量多光谱波段进行筛选,接着利用细胞的多光谱信息并采用迭代分割算法不断优化分割精度,经过大量实验证明算法具有分割速度快、精度高、算法稳定性好等特点。文中的多光谱波段的筛选对于利用多光谱手段进行其他图像分割都有很大的借鉴意义。     

光谱比值在细胞多光谱图像分割中的应用

为了对细胞多光谱图像进行快速、准确的分割，首先探讨了光谱比值在细胞多光谱显微图像分割中的应用，然后提出了利用多光谱图像的光谱信息，并结合传统分割方法的一种新的细胞自动分割方法。该方法首先通过从扣除背底后的多光谱图像中选择两个波段图像进行光谱比值操作来生成一幅比率图像，然后对该图像进行自动多阈值分割、二值形态学操作，最终获得了细胞的胞浆和胞核覆盖层。该方法首次将光谱比值技术应用到细胞多光谱显微图像分割中，对骨髓细胞图像的自动分割实验表明，该方法具有分割准确、分割速度快、受外界干扰少的特点，该方法也可以推广到其他多光谱显微图像的分割中。     

显微细胞图像的自动分割

由于细胞组织本身的复杂特性以及显微镜的影响,细胞图像的分割成为图像分割中的一大难题,考虑到边缘检测可以准确的为分割提供边缘点,提出了基于区域一致性测度的边缘检测算法,针对细胞图像的特点,实现其初始轮廓的自动获取,运用活动轮廓模型对初始轮廓进行优化,从而达到在大样本条件下直接对彩色细胞图像自动分割的目的。     

一种基于光谱比值的细胞多光谱图像自动分割方法

提出了一种基于光谱比值的细胞多光谱显微图像的自动分割方法。首先,从扣除背底后的多光谱图像中选择两个最佳波段图像相除,生成一幅比率图像,然后对该图像进行自动多阈值分割、二值形态学操作,最终获得了细胞的胞浆和胞核覆盖层。首次将光谱比值技术应用到细胞多光谱显微图像分割中,对骨髓细胞的自动分割试验证明该方法具有分割准确、分割速度快、受外界干扰少的特点。     

基于卷积神经网络的医学宫颈细胞图像的语义分割

显微细胞分割的精度直接影响疾病的判别诊断,特别在宫颈细胞的显微病理图像中,细胞核的形态大小、与细胞质之间的比例参数等对于病情的良恶诊断具有重大的意义。为提高宫颈细胞核质分割的精度,提出一种基于卷积神经网络的医学宫颈细胞图像的语义分割方法。标定宫颈细胞显微图像中的细胞核和细胞质轮廓,制作基于长沙市第二人民医院的基于新柏氏液基细胞学检测TCT(Thinprep cytologic test)制片技术的宫颈TCT细胞涂片的CCTCT数据集;通过卷积神经网络对核质分割模型进行训练,避免人工提取特征;通过反卷积达到图像的语义分割。实验结果表明,该算法在宫颈细胞的显微病理图像中的核质分割准确率高达94.7%,具有很高的鲁棒性和适应性。     

显微细胞图像有形成分分割方法研究

本文研究了一种显微细胞图像有形成分分割方法。首先,利用传统的边缘检测及阈值分割法对显微细胞图像有形成分进行分割比较,然后基于显微细胞图像特点提出了一种改进的二维最大熵阈值结合形态学分割方法。最后通过分割实验进行验证,结果表明利用本文方法能较好地实现显微细胞图像有形成分分割。所以本文提出的分割方法在医学上具有一定的实用价值。     

基于支持向量机的多光谱显微细胞图像分割

文章根据多光谱图像数据维数高的特点,以像素各个波段的灰度值为特征,采用支持向量机(SVM)方法为核心来分割多光谱显微细胞图像。为提高计算速度,在亮度和色度分量上利用阈值分割法进行预处理;同时,对SVM分割后的图像,采用基于区域灰度差的生长准则进行后处理,获得了更好的分割效果。最后把支持向量机(SVM)方法与径向基神经网络(RBFNN)方法进行比较,实验结果表明,SVM分割效果优于RBFNN,是一种精度高、速度快的多光谱显微细胞图像分割方法。     

一种基于PCNN的图像自动分割方法

脉冲耦合神经网络(PCNN)是20世纪90年代形成和发展的一种新型神经网络,在图像处理领域得到广泛的应用。本文提出了一种基于简化的PCNN与类内最小散度类间最大方差相结合的自适应图像分割方法,在每次迭代时将脉冲耦合神经网络点火的神经元对应的像素作为目标,未点火的神经元对应的像素作为背景,计算目标和背景像素灰度值的类间方差与类内散度,取类间方差与类内散度比值最大的分割图像作为最终结果。实验结果表明,本文算法可以有效地对不同图像进行自动分割,是一种可行的与有效的图像分割方法。     

一种基于ＣＴＡ图像的冠状动脉自动分割算法

基于计算机断层血管造影（Computed Tomography Angiography ,CTA）的冠状动脉自动分割是后续冠脉狭窄和斑块等病灶识别的重要前置步骤。本文算法首先结合窗宽窗位调整和基于灰狼优化算法的多级阈值处理,实现了对肺部血管的抑制,提升了冠状动脉和背景组织的对比度。然后基于升主动脉和冠脉的三维解剖结构特征,采用光流法识别升主动脉根部的冠状动脉起始层,为后续冠状动脉分割提供起始种子点。最后利用结合端点检测的自适应区域生长法提取完整的冠状动脉。在20例CTA数据上的实验结果表明,相比于不带端点检测的区域生长算法,本文算法Dice和Jaccard系数分别提高了4%和8%,达到了0.70和0.57,MSD和MAXSD分别降低了2%和4%,达到了0.40和2.66。本文算法实现了冠状动脉树的自动提取,减少了人工干预,克服了传统区域生长法易产生的过分割现象以及对细小血管的漏分割现象,提高了冠状动脉分割的准确性。。     

一种基于遗传算法的骨髓细胞图像分割方法

本文设计了一种基于熵的遗传聚类分割算法。该方法以像素的灰度值为特征向量进行编码,利用直方图熵法准则函数作为适应度函数,采用基于排名的选择操作,以一定的概率进行算术交叉和变异,并结合聚类分析设定种群的聚类中心对细胞图像进行遗传聚类分割,获得了较好的分割效果。     

基于形态学约束的B-Snake模型的细胞图像自动分割方法

由于在细胞图像中经常出现细胞重叠的现象，从而给后续处理带来了困难，为了准确分离细胞，提出了一种自动分割方法，即首先使用一种可变腐蚀元的迭代腐蚀算法来产生改进的距离图，然后提出了受数学形态学约束的B样条活动轮廓模型，利用形态学方法初始化活动轮廓，最后通过该模型求出各细胞的准确边界。实验结果表明，该方法能有效地分离重叠细胞，并能准确定位细胞的完整边界。     

基于改进U-Net的宫颈细胞核图像分割

原始的U-Net采用跳跃结构结合高低层的图像信息,使得U-Net模型有良好的分割效果,但是分割结果在宫颈细胞核边缘依然存在分割欠佳、过分割和欠分割等不足.由此提出了改进型U-Net网络图像分割方法.首先将稠密连接的DenseNet引入U-Net的编码器部分,以解决编码器部分相对简单,不能提取相对抽象的高层语义特征.然后...     

基于最大内切圆的肝影像自动分割方法

针对肝脏区域提取中的手动选择种子点以及提取时的准确性和完整性问题，提出了一种基于最大内切圆的肝影像自动分割算法。采用最大区域面积测量法锁定二值化后的肝脏区域，通过寻找锁定肝脏区域的最大内切圆的圆心来自动获取种子点位置；采用改进的区域生长算法进行图像分割。实验结果表明，该方法有效地解决了区域生长的种子点手动选取问题，并且能够精确、完整地分割出肝脏组织，避免了受主观因素影响而将种子点选取在边缘或噪声等错误位置。     

基于模糊膨胀模型的细胞核轮廓提取方法

针对细胞核之间经常出现重叠聚堆的现象,提出了一种新的基于模糊膨胀模型的细胞核轮廓提取方法．结合细胞核的椭圆边界信息,将图像数据映射到反映与细胞核颜色和位置关系的多个模糊域;基于这些模糊映射关系,建立了一种新的主动轮廓模型进行细胞核轮廓跟踪．采用一种自适应的膨胀机制帮助曲线克服局部极小值快速膨胀直到收敛到真实边界．多种信息的融合使得模型具有较强的边界跟踪能力．实验表明,对细胞核边界的残缺或重叠部分具有较好的分割效果,且分割性能很稳定．     

结合卷积神经网络和超像素聚类的细胞图像分割方法

针对细胞图像尺寸大、细胞形状各异,导致从图像中分割出精准的细胞十分困难的问题,以卷积神经网络为基础,结合染色校正方法和简单线性迭代的超像素聚类算法,提出了一种新的结构来进行细胞图像分割。首先,利用染色校正方法对细胞图像进行预处理,提高图像的颜色对比度;然后利用卷积神经网络获得初步分割结果;最后再将简单线性迭代聚类获得的超像素边界信息反馈到初分割图像上进行改进提升。提出的算法可以有效地减少图像局部信息的冗余,更准确地获得目标区域的边界位置。实验表明,本文提出的算法细胞分割准确率达到了92.72%,与经典卷积神经网络、阈值分割等其他细胞分割算法相比,具有更好的分割效果。     

基于各向异性扩散的彩色细胞图像自动分割

本文采用基于各向异性扩散与均值位移相结合的分割算法对医学图像分割进行研究。将图像分成色度和非色度信道,分别对这两个信道进行各向异性扩散,把扩散后生成的结果进行平均值位移聚类分割,得到图像的最终分割结果。这一方法在有效抑制过分割现象的同时,保留了面积很小但对比度高的感兴趣区。实验表明该算法简单有效且稳定,并以癌细胞为例,给出分割结果。     

电视节目自动分割算法

近年来,视频内容的结构化分析逐渐成为一个研究热点．传统意义上认为场景是最高层次的视频处理单元．然而随着研究工作的不断深入,需要提出一种更高层次的视频处理单元——节目(program)．通过节目管理大量存在的场景,形成更丰富的层次;另外,节目还可以作为视频节目分类算法的输入,从而实现从分割到分类的全部自动化．在传统层次结构的基础上,进一步拓宽视频处理单元的概念,在场景层与视频层之间增加节目层．并且提出一种针对特定电视频道的视频流的节目自动分割算法,实验结果表明该算法具有较好的性能．