基于形态学的MR图像左心室自动定位算法

左心室重建为3D空间模型能快速评价各种心脏病,左室扭转揭示了重要的生理及病理发现.但由于左心室MRI图像具有弱边缘、与周围的组织之间存在低对比度区域,利用Snake模型分割左心室图像时,一般需要采用半自动的方法获取初始曲线.为解决此问题,本文提出一种MR图像的左心室自动定位算法,用于的左心室MRI图像分割算法.该算法利用形态学理论自动获取左心室的重心以及边界形状变化允许空间,勾画出相应初始轮廓曲线,以便进行重建.文中以小香猪左室加标记MRI作为应用研究对象,进行了全图像序列的研究.实验表明改算法能够精确的获取左心室区域信息,实现其自动定位.     

分水岭优化的Snake模型肝脏图像分割

Snake算法是主动轮廓模型的经典算法,是近年来图像分割和视频领域研究的热点。针对Snake模型中存在的初始轮廓敏感和能量函数中曲率约束不足等问题,提出将分水岭变换和主动轮廓模型相结合的主动轮廓分割算法。首先通过引入标记函数和强制最小值技术解决传统分水岭变换可能导致的过分割问题,然后利用改进的强制标记分水岭算法优化Snake模型的初始轮廓曲线,最后通过在Snake模型中增加一项与曲线形状相关的外部力弥补能量约束函数中曲率约束的不足,从而实现更精确的图像分割。改进后的Snake模型应用于腹部MR图像中,对肝脏图像的识别和分割取得了良好效果。     

基于图划分的形状统计主动轮廓模型心脏MR图像分割

为有效分析心脏功能,高精度分割左、右心室是必要的.心脏MR图像中存在图像灰度不均,左、右心室及周围其它组织灰度接近,存在弱边缘、边缘断裂及噪声造成边缘模糊等现象,给精确分割左、右心室轮廓带来困难.本文在基于图划分的主动轮廓方法基础上,通过对训练形状进行配准及变化模式分析,定义左、右心室轮廓形状变化允许空间,提出基于图划分的形状统计主动轮廓模型来分割心脏MR图像.该方法通过图划分理论将图像分割问题转化为最优化问题,所以能够得到全局最优解,具有较大的捕捉范围.还引入形状统计来引导曲线的演化,有效处理曲线演化时存在的边缘泄漏问题,提高分割精度.实验结果表明,本文方法较以往方法具有更高的分割精度和更好的稳定性,为临床应用提供一种较可行的方法.     

基于预测-校正改进Snake的心脏MR图像左心室外轮廓分割

在心脏MR图像中,由于左右心室结合处的灰度非常靠近,在左心室外轮廓上形成弱边界,基于Snake模型分割左心室外轮廓时就会有边界泄漏的问题.本文先定义了两种局部信息用于边缘增强,并构造了合理的外力场,然后将传统Snake模型的形变结果作为对轮廓新位置的预测,基于左心室外轮廓形状的先验知识对预测的结果进行校正,使得Snake的形变由预测、校正两步来完成.实验结果表明,这种预测-校正两步形变Snake模型对心脏MR图像左心室外轮廓分割有较好的效果.     

一种心脏核磁共振图像左室壁内、外膜分割方法

为了充分利用心脏核磁共振图像(magnetic resonance image,简称MRI)中关于左心室的解剖和功能信息,必须先分割左室壁内、外膜.提出一种基于Snake模型的左室壁内、外膜分割方法.首先提出了Snake模型的卷积虚拟静电场外力模型CONVEF(convolutional virtual electric field),该外力场捕捉范围大、抗噪能力强、在C形凹陷区域等问题上性能突出,而且基于卷积运算,采用快速Fourier变换可以实时计算.就左室壁内膜的分割而言,考虑到左室壁的形状近似为圆形,引入基于圆形约束的能量项.对于左室壁外膜的分割,充分挖掘了左室壁内、外膜形状上的相似性和位置上的相关性,构造了形状相似性内能和一个新的边缘图,该边缘图用来计算新的外力场.基于所有这些策略并采用内膜的分割结果初始化,可以自动、准确地分割外膜.通过对一套活体心脏MR(magnetic resonance)图像进行分割并和手工分割结果和GGVF(generalized gradient vector flow) Snake模型的分割结果进行比较,结果表明该方法是有效的.     

一种基于广义梯度矢量流Snake模型的心脏MR图像分割方法

提出了一种基于广义梯度矢量流Snake模型的心脏核磁共振图像左心室内、外膜分割方法。首先构造了一种基于目标边缘的方向广义梯度矢量流(edge-based directional generalized gradient vector flow, EDGGVF) Snake模型,该模型在传统GGVF的基础上,结合目标边缘图梯度方向信息,将左心室内、外膜区分为正边缘和负边缘,从而实现左心室内外膜的全自动分割。其次,根据左心室近似为圆形的形状特点,引入了圆形能量约束,有利于克服由于图像灰度不均、乳突肌等引起的局部极小。实验结果表明,该方法可以高效准确地自动分割出左心室内、外膜。     

基于能量最小化的星载SAR图像建筑物分割方法

针对星载合成孔径雷达 (Synthetic aperture radar, SAR) 图像信噪比低、建筑物目标几何变形大以及周围背景复杂的特点, 本文提出了一种基于能量最小化的星载SAR图像建筑物分割方法.基于星载SAR图像数据构造条件概率能量项, 推动变形曲线向建筑物目标边界演化; 在能量泛函模型中定义长度能量项以保证变形曲线的平滑; 在水平集方法获取的SAR图像初始分割结果的基础上, 以高分辨率光学遥感影像中建筑物目标的轮廓作为先验信息, 构造先验形状能量项约束曲线在第二阶段的演化, 最终实现SAR图像建筑物的分割.实验结果表明, 该方法显著提高了建筑物目标轮廓的分割精度.     

基于方向Snake模型的心脏磁共振图像左心室内外膜分割

针对心脏磁共振图像(MRI)左心室内膜与外膜边缘方向不同的特点,提出一种基于曲线演化框架的方向主动轮廓模型进行左心室内外膜分割。曲线演化方程中包含基于图像边缘与区域灰度特征的混合几何流。几何流中的边缘信息项由经Fast Marching方法扩展后的动态方向梯度矢量流场（DDGVF）构成,用以引导曲线向具有不同方向的目标边缘运动,而区域灰度信息项则由Chan-Vese (CV)模型构成,用以防止曲线在演化过程中受其他边缘成分的影响而发生泄漏。最终的曲线演化方程采用水平集方法求解。实验结果表明,所提方法能够较为准确地分割出心脏MRI图像中的左心室内外膜并具有较好的鲁棒性,对于实现基于心脏MRI图像的左心室心肌区域自动快速分割和心脏功能分析与评价具有一定的应用价值。     

小波多尺度水平集算法与心脏超声图像鲁棒分割

由于斑点噪声的存在,超声图像的灰度分布是非高斯的,传统的基于高斯模型的图像分割方法不能解决心脏超声图像分割问题。但小波分解后的高阶低频小波系数近似服从高斯分布,利用这个特点,论文提出一种新颖的小波多分辨率框架下的水平集曲线演化算法。首先对超声心脏图像做小波分解,得到各层的低频图像。从小波分解的顶层低频图像开始,利用边界和区域复合约束动态轮廓线模型(ActiveContourModel)寻找左心室内边界;然后通过插值将结果向下一尺度低频图像传递,并利用尺度间形状约束和边界约束复合ACM进一步细化曲线,使其符合局部图像特征,如此逐层重复直至原始图像。由于采用了小波多尺度框架和尺度间形状约束,算法具有曲线演化结果稳健鲁棒、不易陷入局部极小和发生边界泄漏等优点,非常适合心脏超声图像噪声高、对比度低、边界灰度梯度不显著的特点。在实际临床三维超声图像上的实验表明,算法分割结果和人工分割结果很接近。     

基于多元信息的高斯混合模型左心室MR图像分割

水平集模型在核磁共振图像(MRI)分割中具有十分重要的地位。但由于MR图像往往具有弱边界和强噪音,传统的水平集模型用于图像分割时一般依据图像梯度信息,因而很难得到真实解。高斯混合模型使用了图像全局信息,能较好地处理弱边界问题。但传统的高斯混合模型仅使用了灰度值分布信息,未对像素的位置进行考虑,这使得其在处理噪音图像时效果并不是很理想。该文利用图像多种信息构造新的信息场,使得由信息场构造的高斯混合模型更能处理噪音等影响,同时防止从弱边界泄漏。在取得心脏内壁后构造能量方程,运用形状约束和图像信息以得到心脏外壁。对左心室MR图像分割实验表明该模型具有较好的分割效果。