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.     

基于两阶段区域生长的肝内血管分割算法

提出一种基于两阶段区域生长法的肝内血管分割算法。在第一阶段,使用三维区域生长法从CT图像序列中提取出肝脏,区域生长法的生长准则由均值和方差双阈值来决定。分别通过形态学运算和中值滤波对分割出的肝脏序列进行降噪处理。在第二阶段,再次利用区域生长法从已经得到的三维肝脏图像序列中分割出血管,区域生长法的生长准则仅由均值作为单阈值决定。对两阶段区域生长法的实验结果进行三维重建,与传统区域生长法的三维重建结果相比较,能够体现出该算法的准确性。     

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.     

CT系列图像的三维层次化子块生长分割

准确地从CT系列图像提取感兴趣的组织是手术规划的基础,针对肝脏轮廓分割存在分割不全的问题,提出了基于三维区域生长算法的腹部CT图像分割方法。算法首先由用户选择若干个生长点,然后充分利用CT系列图像层间的相似性,提出基于子块的改进区域生长算法,实现三维的层次化子块区域生长,以更准确提取肝脏区域,其中生长准则由系统分析用户选择的生长点的邻域子块属性获得,以减少用户的干预。实验结果表明,算法能在较少的干预下快速分割出来CT系列图像中的肝脏轮廓。     

面向生物医学图像的交互式分割算法

结合阈值法和区域生长算法,提出一种面向生物医学图像的交互式分割算法。利用阈值法对图像中用户选取的感兴趣区域进行预分割,通过阈值分割得到的目标区域确定区域生长算法的种子像素与相似性准则,获得最终分割结果。实验结果表明,该算法简单快速、对生物医学图像可取得良好的分割效果。     

根系CT序列图像区域生长分割的新方法

在对传统区域生长算法改进的基础上,针对原位根系CT序列图像的特点,提出了一种基于区域生长的植物根系CT序列图像分割算法。通过对208幅JPEG格式的植物根系CT序列图像进行直方图分析,确定植物根系区域的分割阈值范围,结合阈值分割实现改进区域生长法对单层根系图像进行分割得到目标区域。在此基础上,利用植物根系在介质环境中的空间连续性,进一步实现仅在选择单幅图像种子点的情况下一次性完成整套CT序列图像的分割。借助MITK（Medical Imaging Toolkit）工具箱对分割好的原位根系CT序列图像进行三维重建,对三维模型进行不同角度观测来判断分割的正确性。实验结果表明,该算法分割速度快、精度高,能够有效地去除CT图像背景中杂质像素,准确提取出植物根系目标区域。     

CT序列图像中肝脏及其管道的分割

把肝脏及其内部各种管道从CT序列图像中分割出来,为后续肝脏及其管道的三维重建及最终的虚拟手术模拟提供正确的数据。在结合CT序列图像之间的相似性基础之上,提出一种动态自适应的区域生长算法。首先对原始CT数据进行中值滤波,去除部分噪声,然后采用相应的序列化区域生长分割模型,对CT序列图像中肝脏及其内部管道分别进行提取。实验结果表明,应用该方法能得到准确的肝脏及管道分割结果。     

基于自适应区域生长算法的肝脏分割

把肝脏器官从医学图像中提取出来,为肝脏的三维重建及最终的仿真手术模拟提供正确的数据。针对腹部CT图像中脏器组织多、图像纹理结构复杂、灰度差别小、边缘不明显等特点,提出一种改进的自适应区域生长分割算法。该算法基于两个局部参数：待生长点的局部平均灰度和局部平均梯度,对传统区域生长算法的生长准则进行了改进。实验结果表明,得到的肝脏分割结果比传统区域生长算法分割结果更精确,可以为后续的肝脏三维重建及仿真手术提供准确的数据。     

改进DRLSE的分步式肝脏及肿瘤分割方法

为了提升CT图像肝脏及肝脏肿瘤的分割精度,提出一种改进DRLSE的分步式肝脏及肿瘤分割方法。第一阶段：采用分步式分割方法对肝脏进行分割,（1）采用阈值处理、形态学方法、自适应区域生长方法进行肝脏的粗分割;（2）采用数学形态对分割结果进行优化,进行肝脏的细分割。第二阶段：构造参数梯度形态学和各向异性扩散滤波的距离正则化水平集演化（改进的DRLSE）模型进行肝脏肿瘤分割。实验利用3Dircadb数据集验证方法的有效性,计算了DICE、VOE、ASD和MSD指标评估分割的性能。实验结果表明该方法无需进行训练过程和统计模型的建立,对于复杂的形状和强度变化的CT图像分割效果尤为明显。由定量分析的数值结果显示,分割性能均优于比较算法,提高了分割准确率,具有较强的鲁棒性,为医生诊断和治疗肝癌提供帮助。     

置信连接的自动肝脏分割方法

肝脏分割是计算机辅助肝病诊断和手术计划制定的基础,文中结合置信连接的区域生长算法实现了肝脏的全自动分割.首先利用改进的曲线各向异性扩散滤波对CT图像进行平滑预处理,以便在去除噪声的同时保存边缘信息,进而通过对预处理图像的灰度分析自动选取序列种子点;然后使用置信连接的区域生长算法对肝脏进行分割;最后采用空洞填充法填补区域生长中产生的空洞,改善分割效果.对10套腹部CT图像数据的实验结果表明,分割每幅图像的平均时间是1.46s,准确率为93.6％,其高效、准确性为临床诊断和手术导航提供了有利的信息.     

利用ITK和VTK集成实现三维医学图像的分割

ITK是一个对图像进行分割配准处理的开源的、基于对象的软件系统.它提供几乎所有的主流医学图像分割算法,能够解决虚拟手术中三维图像分割问题.讨论了ITK中区域生长和Level set分割算法,对CT序列图像进行分割,最后通过VTK对分割数据进行三维重建.利用ITK和VTK的功能集成,对医学图像三维组织体分割,并实现分割结果的可视化.实验证明这种方法能够满足医生对局部病变区域观测的要求,实时性良好.     

基于约束随机游走的肿瘤图像分割方法

精确的肺部肿瘤区域分割对于放射治疗和手术计划的制定至关重要。针对目前基于单模态图像的肺部肿瘤区域分割的精度较低等问题,综合PET和CT图像的优缺点,提出一种全新的多模态肺部肿瘤图像分割方法。首先,使用区域生长法和数学形态学法对PET图像进行预分割以获取初始轮廓,初始轮廓用于获取PET图像和CT图像上随机游走所需的种子点,同时作为约束加入到CT图像的随机游走过程中;依据CT图像解剖特征较强的特点,利用CT解剖特征改进PET图像上随机游走的权值;最终将 PET图像和CT图像上随机游走所获得的相似度矩阵进行加权,在PET图像和CT图像上获得一个相同的分割轮廓。实验表明,相较于其他传统分割算法,所提方法在肺部肿瘤区域分割上具有更高的精确度和更好的稳定性。     

多相期增强CT中肝内血管的自动分割

目的 在肝脏手术规划系统中,肝内精确的血管模型是实施肝脏分段和手术模拟的重要基础。为此提出一种基于多相期增强CT影像的肝内血管自动分割方法。方法 首先,采用各向异性滤波的方式减少图像上的噪声干扰。然后将图像灰度信息和汉森矩阵的特征值相结合,设计了一种新的滤波器,增强图像中的血管结构,以解决传统方法中血管连接处断裂的问题。最后,应用迭代式的自适应区域增长算法,进一步分割出增强图像中的血管。结果 使用5组临床上的真实数据测试算法的有效性,实验结果显示肝内血管由粗到细被完整分割出来。结论 本文肝脏CT血管分割方法,分别在不同尺度的增强图像对其进行处理,使得肝内血管从粗壮的主枝到细小的末端都能被很好地分割出来,能够获得正确的血管拓扑结构。     

基于SLIC和区域生长的目标分割算法

传统区域生长算法的分割结果依赖于种子点的选取,且图像自身的噪声以及灰度值不均匀等问题易在分割目标过程中形成分割空洞,针对以上问题提出了基于超像素的改进区域生长算法。采用拉普拉斯锐化,增强待分割目标边界,之后根据像素灰度相似的特征采用SLIC（简单线性迭代聚类算法）超像素分割将原始图像分割成若干不规则区域,建立不规则区域间的无向加权图,选取种子区域,根据无向加权图以分割好的不规则区域为单位进行区域生长,最后在分割目标边缘处以像素为单位做区域生长,细化边界。对比于传统区域生长算法,改进后的算法在分割结果上受种子点选取影响较小,且能有效地解决分割空洞等问题。对比于聚类分割,Otsu（最大类间方差）阈值分割法等典型算法,该算法在分割精度上具有明显优势。     

消除局部极值的多尺度形态学肝脏肿瘤CT图像分割方法

针对肝脏CT图像中因灰度不均、边缘模糊等造成肿瘤难以准确分割的问题,提出了一种消除局部极值的多尺度形态学分割方法。首先利用面积算子对图像进行预处理,在平滑图像的同时,保持目标区域的边缘信息;其次融合梯度图像中不同极值的邻域统计信息和形态属性(深度和尺度)区分极值,通过设定不同大小的结构元素,对不同极值采用多尺度结构元素进行闭运算,在消除伪局部极值的同时实现图像的自适应修正;最后利用分水岭变换分割肝脏肿瘤。实验结果表明,该方法能够在保持图像边缘的同时,有效减轻过分割现象,实现肝脏肿瘤的准确分割。     

一种融合聚类与区域生长的彩色图像分割方法

论文提出了一种将聚类和区域生长有机融合的彩色图像分割方法。为了捕获图像的纹理特征,首先将图像划分成16×16子块,然后在块中按照视觉一致性准则进行颜色聚类,对于聚类后的子块,提取其颜色与纹理特征,然后采用符合人类视觉特征的生长规则,进行基于子块的区域生长。该方法充分利用了聚类算法和区域生长算法的各自优点,并符合人类视觉特征的分割策略。利用提出的算法对多幅自然图像进行了分割实验,实验结果证明了算法的有效性。     

Efficient liver segmentation using a level-set method with optimal detection of the initial liver boundary from level-set speed images

Automatic liver segmentation is difficult because of the wide range of human variations in the shapes of the liver. In addition, nearby organs and tissues have similar intensity distributions to the liver, making the liver's boundaries ambiguous. In this study, we propose a fast and accurate liver segmentation method from contrast-enhanced computed tomography (CT) images. We apply the two-step seeded region growing (SRG) onto level-set speed images to define an approximate initial liver boundary. The first SRG efficiently divides a CT image into a set of discrete objects based on the gradient information and connectivity. The second SRG detects the objects belonging to the liver based on a 2.5-dimensional shape propagation, which models the segmented liver boundary of the slice immediately above or below the current slice by points being narrow-band, or local maxima of distance from the boundary. With such optimal estimation of the initial liver boundary, our method decreases the computation time by minimizing level-set propagation, which converges at the optimal position within a fixed iteration number. We utilize level-set speed images that have been generally used for level-set propagation to detect the initial liver boundary with the additional help of computationally inexpensive steps, which improves computational efficiency. Finally, a rolling ball algorithm is applied to refine the liver boundary more accurately. Our method was validated on 20 sets of abdominal CT scans and the results were compared with the manually segmented result. The average absolute volume error was 1.25+/-0.70%. The average processing time for segmenting one slice was 3.35 s, which is over 15 times faster than manual segmentation or the previously proposed technique. Our method could be used for liver transplantation planning, which requires a fast and accurate measurement of liver volume.     

基于区域生长和蚁群聚类的图像分割*

提出了一种基于区域生长和蚁群聚类的图像分割方法——BRGAC。该方法首先用区域生长法对图像作初始分割,然后利用蚁群算法搜索最优解的能力,在区域之间进行聚类合并,获得最终的分割结果。BRGAC算法不但克服了区域生长得不到有意义区域的不足,而且还大大提高了蚁群聚类算法的搜索时间,并利用初始分割后的空间信息和灰度信息定义了一种新的引导函数,可更准确有效引导蚁群聚类。实验结果表明,该方法可以准确地分割出目标,是一种有效的图像分割方法。