基于模糊集理论的医学图像分割的应用

图像分割是医学图像处理、分析、研究的基础。由于人的视觉特性和数字图像本身所具有的模糊性,使得图像分割问题是典型的结构不良问题。而模糊集合论具有描述不良问题的能力,模糊集理论应用于图像分割是针对图像模糊性非常有效的方法。对近年来基于模糊集理论的医学图像分割技术的应用和发展进行了综述和讨论,展望了基于模糊集理论的医学图像分割技术的前景和面临的挑战。     

图像的模糊增强与聚类分割

本文对于被噪声污染而又要求按若干个灰度级作多区域分割的图象处理问题，给出了模糊增强的具体实现过程；并提出基于直方图对多个亮度进行聚类分析，通过建立聚类目标函数的最小化数据，确立多级灰度门限，从而实现图像的多级灰度的最佳分割。     

基于遗传模糊聚类的医学超声图像分割方法

医学超声成像技术以其实时性、无损性与廉价性等优点被广泛应用于医疗诊断,但由于其固有的斑点噪声和与组织相关的纹理特性使得医学超声图像的分割一直是一个难题。模糊C均值聚类算法（FCM）具有较强的抗噪声能力,能够较好地完成医学超声图像的分割任务,但其局限性在于对聚类中心的初值较敏感,当随机选取初始聚类中心时,很有可能使分割过程陷入局部极小,影响分割结果。利用遗传算法（GA）能够寻找全局最优解的特点,提出一种基于遗传算法寻找初始聚类中心的模糊聚类方法,应用于医学超声图像分割并取得了良好效果。     

医学图像分割中的模糊聚类算法及其新进展

图像分割是医学图像处理中的重要环节,是医学图像分析、理解、描述和三维重构等的前提。而由于医学图像本身的模糊性,造成不同个体组织之间难以找到清晰的边界,模糊理论为解决这个问题提供新途径,使得模糊聚类算法成为一种有效的图像分割方法。在此对模糊聚类算法特别是模糊C-均值算法及其新进展进行综述和讨论。     

医学图像分割方法综述

图像分割是一个经典难题,随着影像医学的发展,图像分割在医学应用中具有特殊的重要意义.本文从医学应用的角度出发,对医学图像分割方法,特别是近几年来图像分割领域中出现的新思路、新方法或对原有方法的新的改进给出了一个比较全面的综述,最后总结了医学图像分割方法的研究特点.     

改进FCM在医学图像分割中的应用

针对传统模糊C均值(FCM)未考虑邻域信息引起的局部收敛性差、效率低等问题,提出一种基于粗糙度的改进FCM算法。利用包含空间信息和灰度信息的窗口构造直方图上近似,并进一步获取图像粗糙度,从而确定初始聚类中心,实现医学图像的分割。实验结果表明,与传统FCM算法相比,改进算法不仅能分割出图像中的全局成分,而且具有较高的运行效率。     

基于模糊聚类的图像分割方法

本文分析了模糊聚类在图像分割领域的应用,介绍了模糊集和聚类分析的作用,最后引出了模糊C均值聚类图像分割算法。     

基于模糊C均值聚类的医学图像分割研究

模糊C均值聚类算法（FCM）在硬C均值聚类的基础上有效地解决了医学图像分割中存在的模糊情况,通过建立表示图像中像素点与聚类中心加权相似度的目标函数,采用迭代优化的方法求解目标函数的极小值来确定最佳聚类。针对FCM算法中存在的对大样本数据分割速度慢、结果易受初始值影响、对噪声敏感、难以适应多种数据分布等缺陷,涌现出了大量的改进算法。对其中的部分改进算法进行综述,主要介绍快速FCM算法、基于初始值选取的FCM算法、基于空间邻域信息的FCM算法以及基于核函数的FCM算法等,并对其优缺点进行概要的总结和介绍。指出该算法进一步的研究方向。     

改进的模糊C-均值算法在医学图像分割中的应用

针对随机选取聚类中心易使得迭代过程陷入局部最优解的缺点,提出了一种混合优化蚁群和动态模糊C-均值的图像分割方法,该方法利用蚁群算法较强处理局部极值的能力,并能动态确定聚类中心和数目.针对传统的分阶段结合遗传算法和蚁群算法的策略存在收敛速度慢,聚类精度差的问题,提出在整个优化过程综合遗传算法和蚁群算法,并在蚁群算法中引入拥挤度函数,利用遗传算法的快速性、全局收敛性提高了蚁群算法的收敛速度,同时利用蚁群算法的并行性和正反馈性提高了聚类的精确度.最后将该算法应用到医学图像分割,对比实验表明,混合算法具有很强的模糊边缘和微细边缘分割能力.     

基于改进的免疫模糊聚类方法的医学图像分割

传统模糊C-均值聚类算法需要输入初始聚类中心,但是输入错误的初始聚类中心会产生较差的图像分割结果。对此提出一种改进的医学图像分割算法——基于免疫模糊聚类的医学图像分割。该算法能够快速有效地找出合适的初始聚类中心值,使之最大可能地趋近于理想值,从而大大提高算法的效率,避免陷入局部解。同时,将免疫克隆选择算法融入到模糊聚类算法中。实验结果表明,该算法能快速有效地找到合适的初始聚类中心,能有效提高搜索效率和准确率,得到较理想的分割效果。     

基于U-Net结构改进的医学影像分割技术综述

深度学习在医学影像分割领域得到广泛应用,其中,2015年提出的U-Net因其分割小目标效果较好、结构具有可扩展性,自提出以来受到广泛关注.近年来,随着医学图像割性能要求的提升,众多学者针对U-Net结构也在不断地改进和扩展,比如编解码器的改进、外接特征金字塔等.通过对基于U-Net结构改进的医学影像分割技术,从面向性能...     

基于分水岭算法的医学图像分割

本文采用分水岭算法对医学图像进行分割,针对医学图像的特点以及该算法存在的过分割问题,首先将原图像转换为形态梯度图像,并对形态梯度图像定义一组形态开闭滤波器进行处理,以获得较好的参考图像;然后采用基于连接像素的分水岭算法进行分割。为了获得整体目标,还定义了一个基于分割区域边界平均灰度及其面积的检验准则,并将其作为区域合并的根据。该方法应用于医学图像分割的结果表明,形态滤波器组的引入很好地防止了过分割,基于分割区域边界平均灰度及其面积的准则对分割区域进行合并是行之有效的。     

基于CNN与Transformer的医学图像分割

医学图像对疾病的诊断、治疗和评估均有所帮助,准确分割医学图像中的器官对于辅助医生的诊断具有重要的实际意义.由于医学图像中各器官部位与周围组织的图像对比度低,不同器官的边缘和形状也会存在很大差异,从而增加了分割的难度.针对这些问题,本文提出了一种基于卷积神经网络和Transformer的医学图像语义分割网络,有效提高了医学图像语义分割的精度.特征提取部分使用ResNet-50网络结构,在特征提取后使用Transformer模块来扩大感受野.在上采样过程中加入多个跳跃连接层,充分利用各阶段的特征提取信息,来恢复至与输入图像相近的分辨率.在胃肠道医学图像分割数据集上的实验结果证明本文的方法可以有效分割医学图像中的器官组织,提升分割准确率.     

基于Level Set方法的医学图像分割

对图像分割进行了研究,这是医学图像处理中的关键问题之一。提出了一种结合Fast Marching算法和Watershed 变换的医学图像分割方法。首先用非线扩散滤波对原始图像进行平滑，然后利用Watershed算法对图像进行过度分割，最后用改进的Fast Marching方法对图像进行分割。除此之外，根据区域之间的统计特性的相似度重新定义了Fast Marching 方法的速度函数。实验结果表明，该方法能够快速、准确地得到医学图像的分割结果。     

基于DH-Swin Unet的医学图像分割算法

骨关节疾病自古以来是人类最高发的疾病之一, 随着老龄化的不断加快, 这类疾病日趋广泛, 关节外科医师面临着巨大挑战. 对人体关节的图像分割方法研究可以帮助医生进行临床诊断和治疗, 然而, 由于存在噪声、模糊、对比度低等问题, 医学图像的特征提取比普通图像更具挑战性, 而且目前大多数分割模型在编码器和解码器之间都采用了普通的跳跃连接, 没有注重解决跳跃连接过程中的信息间隙和损失问题. 为解决这些问题, 提出一种基于DH-Swin Unet的医学图像分割算法, 该模型在Swin-Unet模型的基础上, 在跳跃连接中引入密集连接的Swin Transformer块, 并加入混合注意力机制, 来强化网络的特征信息传递. 通过在某三甲医院提供的真实临床数据对所提方法的性能进行评价, 结果表明, 所提出的方法取得了DSC为86.79%、HD为32.05 mm的分割结果, 在关节疾病的临床诊断中具有一定的实用价值.     

基于内卷U-Net的医学图像分割模型

图像分割技术的主要对象为自然图像和医学图像,相对于自然图像而言,医学图像的语义分割通常需要较高的精度以进行下一步的临床分析、诊断和规划治疗。目前用于医学图像语义分割的深度神经网络模型由于仅考虑位置的平移不变性,存在局部感受野较小、无法表达长范围依赖关系的问题。设计一种面向医学图像的分割模型,基于内卷U-Net网络,使用内卷操作代替传统的卷积操作,并将内卷结构作为基本的网络结构,提升模型对医学图像局部特征的学习能力。在模型的瓶颈层引入注意力机制模块来学习图像长范围的依赖关系,以提高医学图像语义分割的精度。在肺部CT数据集上的实验结果表明,该模型的Dice系数为0.998,较基于卷积神经网络的分割模型约提高5%,并且大幅缩短Hausdorff距离,具有更高的分割准确度以及较好的稳健性。     

基于改进FCM的医学图像分割

为解决模糊C均值聚类(FCM)算法在图像分割尤其是医学图像分割中存在的计算量大、运行时间过长的问题,提出了一种改进方法。通过数据约减,即通过对相近的像素进行量化并聚合来减少像素个数,从而降低运算量。该方法用于人脑磁共振图像的分割比传统FCM算法的运算速度提高了50￣100多倍,并且选择合适大小的量化箱不会影响算法的分割效果。     

一种基于数据融合的医学图像分割方法

针对一类纹理特征明显的医学图像,提出了一种融合纹理信息和灰度信息的图像分割方法,设计了基于金字塔结构的区域增长分割算法,该方法在区域内部结合使用纹理信息和灰度信息,在区域边缘部分则充分利用灰度信息,计算结果表明,该方法对某一类医学图像能够获得较好的分割效果。     

基于可变形样板的图像分割在医学影像上的应用

介绍了一种利用可变形的样板对图片进行分割的方法。方法的基本原理是通过对一个样板图像进行变形,使其能在最大程度上接近于目标图像来对目标图像分割的目的。使用样板变形进行图像分割的方法,可应用于医学影像中的器官分离等方面。