基于CT图像的脊椎骨组织分割

研究的内容是对CT图像切片进行三维重建并从重建的三维脊柱模型上分离出单个的脊椎椎骨。主要包括：对原始带噪CT图像进行噪声去除,对CT图像进行单一阀值结合形态学的分割,并仅保留脊椎部分图形;对分割后的结果进行三维重建,得到整个脊柱的三维模型;使用空间超邻域算法,将单个的脊椎椎骨从脊柱三维模型上分离出来。实验结果表明分离出来的单个椎骨效果良好,自动化程度较高,对虚拟脊椎矫正手术有一定的指导意义。     

一种基于极大特征点的三维椎骨分割方法

椎骨的精确分割对于椎骨形态学研究和脊柱疾病的诊断和治疗有重要意义。通过 对正常人脊柱 CT 图序列的变化规律进行研究,提出了一种基于 CT 图像序列并利用椎骨面积 变化规律进行分割的椎骨分割算法。该方法通过对预先处理后的 CT 图像序列进行椎骨区域面 积统计,找出用于分割的显著极大特征点,并利用连续图像相似性筛选出椎骨实际分割点,最 后从序列中提取图像并进行三维重建。实验表明,该算法对正常人体腰椎和胸椎下部的椎骨 CT 图像序列有良好地分割效果,自动化程度较高。对脊柱形态学研究和矫正手术模拟有重要意义。       

深度学习在脊柱图像分割中的应用综述

深度学习算法在脊柱图像分割中具有学习和自适应能力强、对图像有非线性映射能力等优点,相较于传统分割方法,能更好地提取脊柱图像中的关键信息,并且抑制不相关信息,辅助医生准确定位病灶区域,实现精准、高效分割。从深度学习算法、脊柱疾病类型、图像类型、实验分割结果、性能评估指标等方面,对深度学习在脊柱图像分割中的应用现状进行归纳、总结并加以分析。介绍深度学习模型和脊柱图像分割的背景,从而引出深度学习在脊柱图像分割中的应用;介绍常见的几种脊柱疾病类型,阐述其在图像分割中的难点,并介绍脊柱图像分割中常用的公开数据集、图像分割的方法流程以及图像分割评价指标等要素;结合具体实验总结分析基于卷积神经网络模型、U型网络模型及其改进的模型在椎骨、椎间盘以及脊柱肿瘤图像分割中的应用进展;结合以往的实验结果和当前深度学习模型的研究进展,总结目前临床研究的局限性以及分割效果不足的原因,针对所存在的问题提出相应的解决方法,并对未来的研究和发展进行展望。     

融合多注意力机制的脊椎图像分割方法

针对脊椎CT、MR图像分割模型分割性能不高的问题,基于U型网络提出了脊椎分割网络MAU-Net。首先引入坐标注意力模块,使网络准确捕获到空间位置信息,并嵌入到通道注意力中;然后提出基于Transformer的双支路通道交叉融合模块代替跳跃连接,进行多尺度特征融合;最后提出特征融合注意力模块,更好地融合Transformer与卷积解码器的语义差异。在脊柱侧凸CT数据集上,Dice达到0.929 6,IoU达到0.859 7。在公开MR数据集SpineSagT2Wdataset3上,与FCN相比,Dice提高14.46%。实验结果表明,MAU-Net能够有效减少椎骨误分割区域。     

融合Ncut方法的脊椎图像OTSU分割算法

提出一种融合Normalized Cut方法和OTSU方法的脊椎图像分割算法。首先通过Normalized Cut方法得到粗略的分割结果,然后根据脊椎的形状特征提取出有效的脊椎区域,在有效的脊椎区域进行OTSU分割算法,并通过边缘检测算法得到脊椎内部的轮廓边界。实验结果证明该方法可以较为精确地检测出椎骨轮廓的边界,有效地消除了伪边缘的影响。提出了按需分割的概念,首先消除背景区域的影响,然后在有效区域进行更为精细的处理,这样可以较大程度提高算法的处理速度。     

三维网格引导的癌变病人CT图像的腹腔分割

针对癌变CT图像中各器官变形严重,传统分割算法无法有效、完整地分割整个腹腔的问题,提出基于三维网格的分割算法.首先借助肋骨和脊椎等骨架获得初始腹腔骨架;然后构造一个球形初始三角网格,并建立与腹腔骨架间的关联;再通过3个目标函数变形网格;最后在网格附近的边界点优化网格,获得腹腔分割结果.实验结果表明,该算法能够有效地对病变严重的CT图像进行腹腔分割,对噪声和器官变形有良好的鲁棒性.     

基于Transformer的脊椎CT图像分割

目的 脊椎CT（computed tomography）图像存在组织结构显示不佳、对比度差以及噪音干扰等问题;传统分割算法分割精度低,分割过程需人工干预,往往只能实现半自动分割,不能满足实时分割需求。基于卷积神经网络（convolutional neural network,CNN）的U-Net模型成为医学图像分割标准,但仍存在长距离交互受限的问题。Transformer集成全局自注意力机制,可捕获长距离的特征依赖,在计算机视觉领域表现出巨大优势。本文提出一种CNN与Transformer混合分割模型TransAGUNet （Transformer attention gate U-Net）,以实现对脊椎CT图像的高效自动化分割。方法 提出的模型将Transformer、注意力门控机制（attention gate,AG）及U-Net相结合构成编码—解码结构。编码器使用Transformer和CNN混合架构,提取局部及全局特征;解码器使用CNN架构,在跳跃连接部分融入AG,将下采样特征图对应的注意力图（attention map）与下一层上采样后获得的特征图进行拼接,融合低层与高层特征从而实现更精细的分割。实验使用Dice Loss与带权重的交叉熵之和作为损失函数,以解决正负样本分布不均的问题。结果 将提出的算法在VerSe2020数据集上进行测试,Dice系数较主流的CNN分割模型U-Net、Attention U-Net、U-Net++和U-Net3+分别提升了4.47%、2.09%、2.44%和2.23%,相较优秀的Transformer与CNN混合分割模型TransUNet和TransNorm分别提升了2.25%和1.08%。结论 本文算法较以上6种分割模型在脊椎CT图像的分割性能最优,有效地提升了脊椎CT图像的分割精度,分割实时性较好。     

一种改进的基于蛇模型的分割方法

CT图像的分割在临床的诊断和治疗中有着重大的意义。其中Snake分割算法能够得到较好的分割结果,该文通过对传统Snake算法基本原理的研究,提出了一种改进的Snake分割模型。首先,通过数学形态学的方法得到CT图像的边缘,其次,运用改进的能量方程对分割过程进行迭代。优化的Snake模型能够克服传统Snake模型无法收敛于极凹处以及对噪声敏感的问题。通过实验将模型应用于实际CT图像分割,并且得到较精确的实验结果。     

CT图像椎骨分割的局部模糊主动轮廓方法

针对医学CT图像灰度值分布不均匀的问题,由于模糊能量主动轮廓（FEAC）模型用全局灰度信息对图像进行分割,导致过分割现象。对该方法作出改进,即一种局部化FEAC（LFEAC）模型,利用局部的加权平均值代替全局的均值。将该方法用于医学CT图像椎骨分割,实验表明分割效果比FEAC模型和CV模型好。     

基于Top-hat变换和角点检测的MRI脊椎分割算法

脊椎骨骼提取的精度直接影响到脊椎三维重建的效果。针对MR(Magnetic Resonance)脊椎图像成像不均匀的特点,提出一种利用Top-hat变换和角点检测结合的脊椎骨骼提取算法。首先利用Top-hat变换增强脊椎块与周围组织间的对比度,进而用大津法(OTSU)分割图像,获得脊柱的粗分割结果;然后使用改进的CSS(Curvature Scale Space)角点检测算法作用于粗分割图像,获取图像的有效角点;最后通过拟合角点,得到脊柱两侧的曲线,从而分割出脊柱区域。实验表明,该方法可以精确分割出脊椎部分,而且分割的结果可以应用于同一病人同序列的其他图像中,缩短了分割时间,具有较好的应用前景。     

基于改进的GVF Snake模型CT图像轮廓提取技术

CT图像轮廓提取是逆向工程中的关键技术之一,由于基于边界检测算法很难提供一条连续的无间断的边界轮廓。采用一种改进的GVF Snake算法,首先通过人工取点,B样条拟合的方法,提取其初始轮廓,再利用改进的GVF Snake方法进行边界轮廓逼近,以获得比较精确的叶片边界轮廓,克服了传统活动轮廓模型梯度势能场捕捉范围小的缺点,并通过实验证明了该方法的有效性。     

基于粒子群优化算法和改进的Snake模型的图像分割算法

基于活动轮廓（Snake）模型的目标轮廓提取是图像分割中一种重要的方法.为了克服传统Snake模型在图像分割中不能向凹处收敛和收敛不准确的缺点,提出了一种粒子群优化算法与改进的Snake模型相结合的图像分割算法.改进的Snake模型,即在传统的Snake 模型的基础上增加了一个向心能量,增加此能量可以使初始化曲线向目标的凹处收敛.又由于粒子群优化算法具有获得全局最优的能力,可以使曲线能更准确地收敛到目标的边界.通过实验证明此方法可以取得很好的分割效果.     

Snake与多尺度分析的医学图像分割研究

为提高分割精度,提出Snake与多尺度分析相结合的医学图像分割方法。根据先验知识给定图像一个初始的粗略轮廓,然后对图像进行多尺度增强,在不同的尺度下应用Snake算法进行轮廓提取,相当于在曲线的收敛过程中进行了修正,从而使得轮廓在不同的尺度中逐渐优化,分离出精确的轮廓。实验结果表明,该方法是有效的,对医学图像分割的精度优于传统的Snake模型。     

分形理论在肝脏CT影像分割中的应用研究

针对肝脏CT影像的特点,提出了基于分形理论的分割算法。根据分形维数反映图像复杂程度的定义,通过计算两次突变的分维数,来确定图像的灰度值范围,并利用该灰度值范围确定阈值。并通过实验,表明利用分形维数所得到的阈值进行分割处理较传统方法有较大改进,且该方法计算的肝脏边缘分维数也为今后评价肝脏是否发生病变提供参考数据。     

基于一种新的Snake模型的序列图像边缘提取算法

对医学图像数据中感兴趣区域（ROI）进行准确的边缘提取和分割,是对图像进行分析、理解和处理的重要前提。为克服现有Snake算法人工初始化轮廓不精确,迭代过程中曲线易被复杂背景吸引等缺点,提出基于一种改进Snake模型的序列图像边缘提取算法。该算法先利用序列图像相似性原理提取出近似边缘,然后将其平均分为4个子边缘,在每个子边缘上取数目均衡的Snake输入点,最后离散Snake的内力和外力,经过迭代得到最终边缘。实验结果表明：该方法能精确地提取出医学图像中复杂区域或畸形区域的边缘,且计算量较小。     

使用梯度卷积外力场的Snake算法及其医学应用

针对经典Snake算法以及GVF Snake算法容易受到图像噪声点的干扰而无法正确逼近目标物体边界的问题,提出了一种新的Snake外力场——通过边缘映射图的卷积方式扩展形成的梯度卷积外力场GCF。实验证明,基于这种GCF外力场的Snake算法在图像包含大量噪声的情况下,既能保留边缘信息又排除掉噪声带来的不良影响,正确收敛到目标物体的真实边界上,而且在深凹部位的收敛速度远远快于GVF Snake。将该算法应用于CT肺实质分割中,符合临床精确度要求。     

Snake模型在雨滴边缘检测中的应用

数字摄像技术在降水粒子的自动观测中具有非常好的应用前景,如何在数字图像中准确地进行降水粒子的边缘检测是其中的一项关键技术。Snake模型具有很好的融合图像上层知识和底层特征的能力,能够实现目标轮廓的准确定位。结合雨滴图像自身的特点,提出了目标形心的自动标定方法,在此基础上改进了Snake模型初始轮廓点的选取方法,并通过贪婪算法进行迭代处理,实现了基于Snake模型的雨滴边缘检测算法。算法能够准确地对数字图像中的雨滴边缘轮廓进行检测,且具有较好的稳定性。与传统的边缘检测算子相比,该方法对雨滴图像获得了更好的边缘检测效果。     

中值滤波均值快速算法在高光谱图像处理系统中的应用

文章提出了一种中值滤波均值快速算法，介绍了该算法的设计思路、算法流程、基本运算步骤、实验设计与效果及与经典算法的比较情况。该算法利用数据窗口中的位置关系并考虑了相邻的两个中值滤波窗口内信号数据的相关性，在运算过程中，保留前面窗口内数据的排序信息，作为下一个窗口内数据排序的参考依据。这样可将传统算法中相邻的两次中值滤波运算合并为一次进行，减少了中值滤波过程中比较运算的次数，该算法可将传统算法的复杂度O(n^2)简化成O(n)，同时将均值滤波与中值滤波有机结合起来，将两个独立的算法有机地融合成一种算法，从而有效提高运算速度，也减少噪声对图像的影响。