基于水平集的牙齿CT图像分割技术

牙齿的计算机断层扫描(CT)图像中存在边界模糊、相邻牙齿粘连等情况,且拓扑结构较为复杂,要实现准确的牙齿分割非常困难。对传统的牙齿CT图像分割方法,特别是近年来用于牙齿分割的水平集方法进行介绍,对其水平集函数中各能量项进行研究,并通过对比实验体现水平集方法的优越性。基于水平集的牙齿CT图像分割方法中水平集函数的能量项主要包括:竞争能量项、梯度能量项、形状约束能量项、全局先验灰度能量项、局部灰度能量项。实验结果表明基于混合模型的水平集方法分割效果最佳,切牙与磨牙分割准确率分别为88.92%和92.34%,相比自适应阈值和传统水平集方法,分割准确率总体提升10%以上。在综合利用图像信息和先验知识的基础上,通过对水平集函数中能量项进行优化和创新,有望进一步提高分割的准确率。     

基于圆形约束C-V水平集的肺部CT图像病灶分割

针对肺部CT图像中圆形病灶区域的分割问题,对Chan-Vese水平集图像分割方法进行了分析和改进,提出了基于圆形约束的C-V水平集模型,进而提出了基于圆形约束水平集的肺部图像病灶分割算法,解决了图像中大小不同的多圆检测问题。对合成图像和实际临床肺部CT图像进行了分割实验,结果表明,该方法可以较好地分割出图像中的多个圆形区域,算法具有较好的抗噪性,实现速度较快,有利于实现肺部CT图像肺结节自动检测。     

基于增强补种的混合水平集CT图像分割

针对医学图像CT图像像素不均匀对图像局部分割算法影响较大的问题,提出一种基于Lagrangian粒子增强补种算法的混合水平集医学CT图像分割算法。首先,针对局部图像的非均匀性,通过在计算水平集公式前先计算Lagrangian标记粒子来重建内嵌交接界面,从而提高水平集算法的质量守恒特性;其次,针对传统粒子方法在处理界面奇异性和复杂几何相关问题上的不确定性,通过增加速度矢量和单位法向量来促进奇异点和拓扑变化点速度场的收敛;最后,通过在合成数据测试集和真实CT图像上的仿真测试表明,所提算法在边缘分割收敛精度及运算速度上均要优于对比算法。     

改进的双水平集医学图像分割方法

由于基于简化M_S模型的多相水平集图像分割模型仅仅利用了图像的区域信息,对图像的另一个重要信息(边缘信息)没有有效的利用,同时在分割的过程中需要对水平集函数不断进行重新初始化.为了解决上述模型的不足,本文提出改进的双水平集医学图像分割方法.该方法主要是在基于简化M_S模型的多相水平集图像分割模型的基础上将图像的边界信息项和为避免重新初始化水平集函数的惩罚项加入模型中.实验结果表明,添加了边界信息后的模型能够在边界位置定位更容易,同时改进后的双水平集模型在实现多目标分割时,无需重新初始化水平集函数,减少了计算量,简化了算法实现的复杂度.     

多尺度框架下基于C-V模型的肺纹理分割

使用水平集法对CT图像进行肺纹理分割时存在运算时间长、噪声影响大等问题。为此,提出一种多尺度框架下基于C-V水平集法的三维肺纹理分割方法。根据小波变换理论,对低频图像进行三维体数据的C-V水平集分割,参照演化结果初始化高频图像水平集,逐步得到原胸肺CT三维图像的分割结果。实验结果表明,该方法能缩短运算时间,并减小噪声对分割结果的影响。     

心脏CT图像分割方法

借助手术导航技术的微创消融将逐渐成为外科治疗房颤的主流方法。快速、准确地分割心室、心房是微创消融的关键技术之一。针对心脏CT图像的具体特征提出一种分割技术,将基于像素的传统方法和基于水平集的活动轮廓模型相结合,完成图像预分割。分割结果直接作为变分水平集的初始轮廓,经若干次迭代后,得到心室、心房的光滑轮廓。     

一种自约束的小样本缺损图像分割方法

针对现有的图像分割技术在小样本量数据集上容易过拟合,不能有效分割缺损图像的问题,提出了一种自约束图像分割方法.首先,基于传统无监督水平集图像分割方法,提出一种可微分水平集层.第二,将可微分水平集层嵌入U-Net等有监督图像分割模型中,使得水平集方法对函数的拓扑约束,可以随着梯度反向传播过程,对卷积参数起到约束作用.实验结果表明,在MNIST和Fashion-MNIST简单数据集上,本文方法的分割准确率比CV等基于水平集的方法分别提升8.3%和11.7%,比U-Net等分割网络分别提升7.5%和15.6%;在背景复杂的Weizmann horse数据集上准确率较基于水平集的方法提高54.9%,较U-Net等分割网络提升13.4%,显示出本文方法在小样本缺损图像数据集上的有效性与鲁棒性.     

基于水平集和形状描述符的腹部CT序列肝脏自动分割

肝脏分割是计算机辅助肝脏疾病诊断的重要前提和基础.本文提出了一种新的基于水平集和形状描述符的腹部CT序列图像肝脏自动分割方法.首先, 对原始腹部CT序列图像进行预处理, 去除与肝脏不相关的器官和组织.然后, 利用灰度偏移场, 结合周长项、距离正则项和相邻切片肝脏分割结果构建水平集能量函数, 实现CT序列肝脏自动分割.为避免分割误差累积, 提出一种基于形状描述符和瓶颈率的肝脏边缘优化方法, 在每张切片分割完毕后去除由于灰度重叠造成的过分割.通过对XHCSU14数据库和Sliver07数据库中腹部CT序列的肝脏分割实验, 以及与其他肝脏分割算法的比较, 表明了本文方法的有效性, 且分割精度高, 鲁棒性强.     

基于C-V模型的眼底图像交互式杯盘分割

针对眼底图像视杯和视盘水平集分割中C-V模型自适应能力不强等问题,提出一种基于C-V模型的视盘和视杯交互式水平集分割算法。该方法通过交互方式给定不同的视盘初始轮廓和C-V模型参数,对眼底图像的杯盘进行精确地分割。实验结果表明,该方法可克服噪声污染、光照不均匀、对比度低等特点对眼底图像分割的影响,对彩色眼底图像中的视杯和视盘进行精确分割。     

参数化形态学梯度修正的水平集肝肿瘤分割

针对单一水平集算法处理低对比度或边缘模糊肝脏CT图像时,在梯度局部极小值区域或虚假边缘处常常会出现曲线停止演化现象的问题,提出了一种参数化形态学梯度修正的水平集图像分割方法进行研究.首先对图像进行形态学梯度变换,增强图像的对比度;然后以此为基础,在特定邻域内建立结构元素半径与梯度级的函数关系对图像进行梯度修正,增强目标边缘聚合度并去除图像噪声及非规则细节引起的局部极小值,同时减小目标轮廓位置的偏移;最后根据图像梯度信息运用水平集方法实现图像中单个或多个目标分割.实验结果表明,该算法有效地解决了标准水平集分割方法中存在的伪分割问题,能够对肝脏肿瘤进行较准确分割.     

基于DICOM格式的肝脏肿瘤CT图像分割

为减少数据损失与处理时间,直接从DICOM格式的CT胸腹部图像中分割出肝脏肿瘤。为有效地分割出肿瘤,先设置恰当的窗宽窗位。利用ITK读取图像,用均值曲率流滤波法去除图像上的噪声。对目前几种在图像分割领域应用较多的阈值分割及区域生长分割算法进行了探讨,结合获得的活体CT图像进行实验研究,得到较为满意和有效的结果。实验表明：肝脏肿瘤这一目标区域的面积较小,区域生长分割算法中的“置信连接阈值法”能从胸腹腔CT图像中很好地分割出肝脏肿瘤。     

一种新的多区域肝脏CT图像分割方法

肝脏CT图像分割是肝脏计算机辅助诊断系统中最关键的部分,也是医学图像分割中的一个难点.已有的算法一般只能分割出多区域肝脏CT图像中某一区域,针对这一问题,提出了一种新的多区域肝脏CT图像分割方法.首先利用自动双阈值方法进行初步分割,然后利用图像的灰度信息及相邻肝脏CT图像的面积、形状变化比较小等信息来进行多区域肝脏CT图像分割.通过仿真实验,证明该方法能够准确、快速的对多区域肝脏CT图像进行自动分割.     

基于感兴趣窄带区域的同步分割与配准方法及在IGRT中的应用

医学图像分割与配准是图像引导放疗(Image guided radiation therapy, IGRT)系统中的关键技术. 为提高基于CBCT (Cone beam CT)的IGRT系统实施胸腹部肿瘤放疗的实时性与自适应性, 特别是实现重要危及器官肝脏区域照射剂量的合理控制, 本文提出一种基于感兴趣窄带区域的同步分割与配准方法, 目标是实现放疗计划系统中计划CT和CBCT图像目标区域的分割与配准. 通过构建感兴趣窄带模型, 并且与活动轮廓模型相结合实现初始分割, 然后与基于光流场(Optical flow field, OFF)的形变配准方法进行循环迭代, 从而构造ASOR分割与配准同步模型(Active contour segmentation and optical flow registration synchronously, ASOR). 在方法实施时, 首先利用非线性扩散模型和窄带活动轮廓模型在CT图像中提取肝脏空间初始位置信息, 为同步模型提供合理的肝脏初始轮廓. 然后将该轮廓及相应窄带区域经仿射变换映射到CBCT图像, 进而结合构造的ASOR同步模型, 用光流场确定活动轮廓水平集的运动情况, 使分割与配准在同一个演化过程中完成迭代. 实验结果和临床应用表明, 本文提出的方法应用于基于CBCT的IGRT系统时, 可实现肝脏组织的自动分割与放疗剂量分布的快速计算. 同时, 我们将同步过程中获得的形变域用于实现肝脏与肿瘤靶区等剂量线从计划CT到CBCT的自适应转移, 进行自适应放疗效果的临床测评.     

一种改进FCN 的肝脏肿瘤CT 图像分割方法

精准的医学图像分割是辅助疾病诊断和手术规划的必要步骤。由于腹部器官边界 模糊、对比度不高,肝脏肿瘤的自动分割一直是一个难题。针对传统全卷积神经网络(FCN)实 现端到端分割精度不佳等问题,提出了一种卷积型多尺度融合FCN 的CT 图像肝脏肿瘤分割方 法。首先,通过提高对比度、增强和去噪的方式对原始的CT 图像数据集进行预处理;然后使 用处理后的数据集对所设计好的FCN 网络进行训练;最终得出能够精确分割肝脏肿瘤的网络模 型。实验效果采用多种评价指标进行分割结果的评估,并且与多种常见的分割网络进行对比。 实验结果表明本文方法可以精准分割CT 图像中各种形状和大小的肝脏肿瘤,分割效果良好, 能够为临床的诊断提供可靠的依据。     

肝脏及肿瘤图像分割方法综述

肝脏肿瘤是一种发病率高且恶化概率高的疾病,为了快速地诊断肝脏疾病,需要从计算机断层扫描(CT)中准确地分割出肝脏及肿瘤。为了分析肝脏及肿瘤图像分割领域的现状及发展趋势,针对肝脏及肿瘤图像的分割方法进行了研究,总结了近些年肝脏及肿瘤图像的分割方法。肝脏及肿瘤图像分割方法包括传统方法以及深度学习方法。传统方法需要较多的人工参与,不能实现完全自动化。深度学习方法从分割网络的维度可分为2D、2.5D以及3D方法,这些方法分割精度高,硬件需求高。在考虑深度学习与传统方法优缺点的同时,它们的结合也被不断探索,图割法和条件随机场等传统方法经常被用于细化深度学习方法的分割结果。     

一种新的肝肿瘤CT图像分割方法

传统的分割方法难以实现医学图像准确地分割,提出了基于最大信息熵原理的医学图像分割方法。该方法集成了阈值分割、边界跟踪和数学形态学,提高了分割的精度和速度。分析和实验结果表明,采用该方法对肝肿瘤CT图像进行分割时,能自动准确地提取出医生感兴趣的区域。     

融合超像素和CNN的CT图像分割方法

提出了一种融合超像素和CNN的CT图像器官主动轮廓分割方法。用超像素SLIC方法将CT图像网格化并分配标签;将网格化后图像作为数据集训练CNN网络分割出器官（如肝脏、肺部等）边界超像素,并将这些超像素的种子点连接成为粗分割边界;将粗分割边界作为初始轮廓,进行模糊主动轮廓分割得到CT图像中器官的边界。经过实验对比,该方法对肺部CT图像的分割平均DC系数达到97%、平均ASD系数达到1.23 mm。在肝脏CT图像方面与参考算法进行相比,在保证分割精度的前提下,VOE系数平均减少1%,切片图像的分割时间平均提高10 s。     

结合改进分水岭和GVF的三维肝脏分割方法

三维肝脏分割是当前医学图像处理的热点问题,如何准确快速地从腹部CT序列中分割出肝脏是肝部病变诊断的基础。针对传统活动轮廓模型对轮廓线敏感、运算量大的问题,改进了传统轮廓线设置方法,并把算法扩展到三维。首先,在一幅腹部CT图片中采用改进的分水岭算法,按照灰度和纹理的相似性原则从一个种子块开始生长出整个肝脏,再用其边缘作为相邻CT序列的起始轮廓,用GVF算法从序列图片中分割出肝脏,重复该过程,直至分割出整个腹部序列图像的切片,进行三维重建。     

基于混合高斯模型MRF场的CT图像分割*

提出了一种基于混合高斯模型的马尔可夫随机场CT图像分割方法.此方法根据工业CT图像的特点,建立混合高斯逼近的图像灰度统计模型;用混合高斯模型作为Markov随机场的先验模型,提出混合高斯Markov随机场分割模型.实验表明,该方法较单高斯模型有很大的改善,对工业CT图像分割效果好.