MRI图像的基于窄带的递进多分区C-V分割方法

提出了递进的基于窄带的多分区C-V方法，并对多幅医学脑部MRI图像进行了分割实验。由于该递进方法分为多个阶段，每阶段只需一个水平集函数，并且在每一阶段应用窄带区域，即只处理窄带区域中的点，从而使计算量大大减少。实验结果证明本算法是有效的，在提高计算速度的同时，可大大改进复杂几何结构的分割效果。     

LATE水平集图像分割模型的矩形窄带法

窄带法是水平集图像分割的一种常见的加速方法.传统窄带仍然存在冗余的计算区域;传统窄带法与LATE （Local Approximation of Taylor Expansion）水平集模型结合时,图像分割效率反而可能下降.针对这些问题,本文提出了一种基于LATE水平集图像分割模型的矩形窄带法.在每次LATE水平集迭代之前,对水平集做如下窄带处理.首先找出水平集的所有过零点;然后对过零点做活动约束,剔除不活动的过零点,有效缩小窄带范围;再对活动约束的过零点生成矩形窄带;对重叠的矩形窄带进行合并优化,使得矩形窄带总面积尽可能小.最后,在矩形窄带范围内求解水平集微分方程,更新水平集,完成本次迭代.在水平集演化的不同阶段,对传统窄带法的窄带面积与本文矩形窄带面积进行了比较.随着迭代次数增加,矩形窄带面积与传统窄带法的窄带面积之比逐渐减小到0,说明矩形窄带法有效地减少了冗余计算量.针对不同程度的灰度不均匀图像,本文方法与LATE方法、结合LATE模型的直接窄带法、以及结合LATE模型的DTM窄带法进行了比较.直接窄带法和DTM窄带法的分割速度反而慢于LATE方法.对灰度严重不均匀的图像,直接窄带法和DTM窄带法的分割质量受到了较大影响.本文方法在保持较好分割效果的条件下,分割速度快于LATE方法.本文的矩形窄带方法有效地降低了算法复杂度,提高了图像分割效率.     

一种新的窄带快速区域水平集C-V模型图像分割方法

Chan-Vese提出了区域水平集图像分割C-V模型,该模型随着水平集函数的演化,演化曲线能自然地改变其拓扑结构,因而在很多研究领域有着广泛的应用,特别是在图像分割、目标跟踪领域取得了显著的效果。基于区域的水平集函数比基于梯度的水平集函数在抗噪声方面也表现得更优秀,但是其演化水平集函数也更复杂,主要缺点是演化速度特别慢,限制了在大型高分辫率图像分割中的应用。针对此问题,提出了一种窄带快速区域水平集C-V模型,即先利用GV水平集在低分辨率的图像上检测出大致的边缘,然后映射到高分辨率的图像上,在其边缘的一个窄带内检测更为精确的边缘,其检测速度有了很大的提高。采用高分辫率的大型合成孔径雷达(SAR)遥感图像进行的实验证明了该方法能够快速而有效地提取出海岸线,满足工程中的实际应用。     

基于变动权值的混合水平集图像分割模型

基于局部区域的活动轮廓模型(LRAC)分割图像时对初始轮廓的严重依赖性,提出一种基于局部和全局区域结合的水平集图像分割算法。结合Chan-Vese水平集模型和LRAC模型的特点,在构造水平集函数时定义了变动的权值参数,将水平集函数的局部和全局能量泛函项结合起来,其中,权重参数由图像梯度和图像演化曲线内外局部均值定义。另外,在水平集函数演化时采用窄带法,以减小计算的时间复杂度。实验结果表明,该算法模型兼有CV模型和LRAC模型的优点,比LRAC模型对初始轮廓选取的依赖性低,收敛速度快;比窄带CV模型的对目标边缘分割效果好。     

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.     

核磁共振图像脑组织自动提取方法

核磁共振图像的脑组织提取是神经图像处理研究中的一个重要步骤。将传统的几何活动轮廓模型与二值水平集函数相结合,提出了一种新型的二值水平集活动轮廓模型,并基于该模型提出了一种能够自动、准确实现MRI脑组织提取的方法。该方法在脑组织内部自动设定最优初始轮廓曲线,将该演化曲线隐含地表示成一个高维函数的零水平集,零水平集在基于区域的图像力驱动下不断演化并达到待分割脑部图像的边缘。将基于该方法的脑组织提取结果与作为金标准的专家手动分割结果和其他流行算法相比较,结果表明提出的脑组织提取方法能够自动、准确和快速地提取MRI脑组织,是一种鲁棒性较好的MRI脑组织提取方法。     

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.     

基于窄带水平集的带标记线左心室核磁共振图像的自动分割

提出了一种全自动分割带标记线左心室核磁共振图像的方法.它主要由两部分组成:先采用支持向量机(SVM)进行左心室定位,从而给出初始轮廓线;然后用改进的窄带水平集(Level Set)方法演化曲线得到最终分割结果.该方法改进了窄带生成方法,减少了窄带生成时间.针对带标记线左心室核磁共振图像的成像特点,引入了块像素变差和灰度相似性的思想对水平集方法的速度项进行了改进.实验结果表明,该方法能全自动、快速、准确地实现左心室的分割.     

MRI脑部图像头骨剥离方法研究

头骨剥离是脑组织分割过程中的关键环节.针对传统的MRI脑组织分割中头骨剥离速度较慢,分割精度不高的问题,提出一种基于水平集的头骨剥离方法.首先根据脑部图像灰度特征确定初始分割曲线,然后将曲线看成高维函数的零水平集,最后利用灰度和形态特征控制高维函数水平集演化,通过高维函数的演化确定曲线的演化,使曲线达到待分割图像边缘.对基于水平集的方法和现有的典型方法进行仿真,仿真结果表明该方法在分割精度上有明显提高.实验证明方法可精确地将脑部组织和非脑组织分离,达到头骨剥离的目的.     

一种基于新的图象力的水平集算法

针对用传统的水平集方法处理心脏MRI(核磁共振图)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的问题,这里将聚类信息和图像ROI信息相结合,构造基于新的图像力的水平集速度函数,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。实验表明该方法具有良好的分割效果。     

一种基于模糊主动轮廓的鲁棒局部分割方法

针对局部分割方法对初始轮廓敏感的问题,本文提出一种基于模糊主动轮廓的鲁棒局部分割方法.该方法利用图像的局部信息,定义一种新的平均模糊能量函数.通过对演化曲线进行形态学膨胀和腐蚀运算构建窄带,并在窄带范围内求解模糊能量函数的最小值来实现局部分割.为防止演化曲线陷入局部极小值,在迭代过程中加入对比度约束判断条件,进一步提高了分割方法对初始轮廓的鲁棒性.对合成图像和医学图像的分割实验结果表明,与已有的几种局部分割方法相比,本文方法在分割精度和鲁棒性等方面都有较大提高.     

窄带主动轮廓模型及在医学和纹理图像局部分割中的应用

提出一种新的基于二值水平集的窄带主动轮廓模型用于局部分割.通过对二值水平集进行形态学膨胀和腐蚀操作, 提出一种稳定灵活可控的窄带控制方案,该方案可使得曲线进化精度从一个像素宽度灵活变化到任意大小. 考虑到局部分割一般要求初始轮廓置于待分割目标内部并不断膨胀进化直至目标边缘,本文提出用形态学闭运算作为新的曲线平滑方案. 与传统的高斯平滑和曲率平滑方案相比,形态学闭运算不仅能够更好地促进曲线的膨胀进化,而且有利于保持水平集函数的二值性. 此外,本文提出的方法是一种通用的自然框架,可以根据不同的需求设计不同的速度函数. 为了证明所提出的局部分割框架的有效性和鲁棒性,本文以医学图像和纹理图像为例分别设计了两个速度函数: 一个是融合了磁共振脑图像的非严格对称信息的速度函数用于大脑皮质下结构的局部分割;另一个是融合了局部熵和局部梯 度算子的速度函数用于纹理图像的局部分割. 在合成图像、医学图像和纹理图像上的实验证明了本文方法在局部分割中的有效性和鲁棒性.     

基于窄带M-S模型的猪序列切片图像的交互式分割

提出了一种基于窄带M-S模型的图像交互式分割方法,解决了简化M-S的C-V方法针对图像全局,迭代速度慢和不能直接利用窄带法的问题;通过交互标记点和样条插值在目标附近建立初始曲线,以此曲线作为零水平集曲线,建立窄带,克服了窄带法局部求解的不足;实验表明,该方法大大提高了分割速度和精度,将此方法用于猪序列切片图像的分割,取得了较好的效果.     

基于各向异性滤波和空间FCM的MRI图像分割方法

针对具复杂目标和边界模糊的MRI图像中多感兴趣区域的分割中分割MRI图像软组织难的问题, 提出了一种基于各向异性滤波和空间模糊C-均值聚类(SFCM)的MRI图像分割方法; 用新型各向异性滤波对图像进行预处理, 解决去噪平滑的同时弱化图像细节的问题; 用邻域空间信息设计空间函数, 改进传统FCM的目标函数; 用图像的空间信息实现图像各目标准确分类、有效解决孤立区域的正确归类问题, 进而使分割区域完整; 用直方图拟合曲线初始化分类数和初始聚类中心, 加快算法迭代到最优解, 进而减少运行时间。通过实验证实了各向异性滤波和空间FCM的MRI图像分割方法的综合应用显著提高了分割灰度重叠、目标不连续和目标边界模糊的MRI图像的分割效果。     

一种基于区域相关性的三维核磁共振图像快速分割方法

本文针对三维核磁共振图像的自动分割问题,结合分水岭算法与SharonE等人提出的SWA分割算法,提出一种基于区域相关性的快速分割算法。该算法的优点是减少了计算复杂核磁共振图像及具有复杂纹理的单张切片图像进行准确的分割 。     

Adaptive pixon represented segmentation (APRS) for 3D MR brain images based on mean shift and Markov random fields

In this paper, we proposed an adaptive pixon represented segmentation (APRS) algorithm for 3D magnetic resonance (MR) brain images. Different from traditional method, an adaptive mean shift algorithm was adopted to adaptively smooth the query image and create a pixon-based image representation. Then K-means algorithm was employed to provide an initial segmentation by classifying the pixons in image into a predefined number of tissue classes. By using this segmentation as initialization, expectation-maximization (EM) iterations composed of bias correction, a priori digital brain atlas information, and Markov random field (MRF) segmentation were processed. Pixons were assigned with final labels when the algorithm converges. The adoption of bias correction and brain atlas made the current method more suitable for brain image segmentation than the previous pixon based segmentation algorithm. The proposed method was validated on both simulated normal brain images from BrainWeb and real brain images from the IBSR public dataset. Compared with some other popular MRI segmentation methods, the proposed method exhibited a higher degree of accuracy in segmenting both simulated and real 3D MRI brain data. The experimental results were numerically assessed using Dice and Tanimoto coefficients.     

Effective fuzzy clustering techniques for segmentation of breast MRI

The goal of this work is to segment the breast into different regions, each corresponding to a different tissue, and to identify tissue regions judged abnormal, based on the signal enhancement-time information. There are a number of problems that render this task complex. Breast MRI segmentation based on the differential enhancement of image intensities can assist the clinician to detect suspicious regions. In this paper, we propose an effective segmentation method for breast contrast-enhanced MRI (ce-MRI). The segmentation method is developed based on standard fuzzy clustering techniques proposed by Bezedek. By minimizing the proposed effective objective function, this paper obtains an effective way of predicting membership grades for objects and new method to update centers. Experiments will be done with a synthetic image to show how effectively the new proposed effective fuzzy c-means (FCM) works in obtaining clusters. To show the performance of proposed FCM, this work compares the results with results of standard FCM algorithm on same synthetic image. Then the proposed method was applied to segment the clinical ce-MR images with the help of computer programing language and results have been shown visually.     

一种基于规则的脑组织磁共振图像分割新方法

本文将小波算法、分水岭算法及基于区域的模糊C均值算法相结合，提出了一种基于规则的二次分割方法实现对脑组织磁共振图像的分割。首先，采用一种基于小波的滤波嚣去除图像中的噪声；然后采用分水岭算法实现对图像的初始分割。为克服分水岭算法的过度分割问题，本文提出了基于区域的模糊C均值（RFCM）聚类算法实现对过度分割区域的合并。尽管分水岭算法存在过度分割现象，仍有一些区域分割得并不完全，尤其是在脑脊液与灰质，或灰质与白质的过渡区域。为此，本文提出一种局部区域连续性与全局信息相结合的基于规则的多阈值分割方法，对分水岭算法初始分割不完全的区域再次分割。通过对大量模拟数据和真实数据分割的实验证明了此方法的准确性和可靠性。     

A fast level set method for segmentation of low contrast noisy biomedical images

This paper presents a new fast front propagation algorithm for image segmentation. To approximate the partial differential equation (PDE) in level set algorithm, instead of moving the front in a small constant time step, the point with a minimum arrival time will be touched in one iteration. Only in a neighbourhood of this point, should the level set function be updated. Like the previously proposed level set methods, it is a robust method for image segmentation with capabilities to handle topological changes, significant protrusions and narrow regions. It is faster than the narrow band algorithm and more robust than the monotonically advancing scheme in image segmentation. The effectiveness and the capabilities of the algorithm were verified by simulated and real experiments.