结合多尺度圆形滤波与MS聚类 的疑似结节分割

肺部CT图像中疑似病灶感兴趣区域(ROI)的准确分割是肺部计算机辅助检测/诊断(CAD)的重要环节。本文提出结合Hessian矩阵滤波的均值漂移聚类肺部疑似病灶ROI区域分割算法。对原图像进行多尺度Hessian矩阵圆形滤波,图像中圆形的疑似结节病灶区域得到滤波增强、直线形的气管/血管区域得到抑制,将Hessian矩阵滤波后的形状特征、灰度、空间位置3种信息引入特征空间,将均值漂移聚类的核函数分解为3种特征信息所分别对应的核函数乘积形式,最后采用自适应计算带宽的方法确定每个待分割疑似区域的带宽进行均值漂移聚类分割。对来自LIDC等127个包含不同类型肺结节的病例进行实验,实验结果表明引入Hessian矩阵圆形滤波信息的均值漂移聚类能够分割出与血管或气管相连或者交叉的结节区域,去除ROI中包含的非结节区域,能有效分割出基于灰度信息难以分割的毛玻璃型(GGO)结节;对于3种类型的结节区域:血管相连结节(VPN)、毛玻璃型结节(GG0)、孤立性结节(SPN)分割平均准确率分别为92.80%、86.13%、95.08%。     

面向肺癌CAD的CT图像疑似病灶检测算法

CT图像中疑似结节病灶区域的分割和提取是肺癌CAD系统的关键和难点.本文提出一种疑似结节病灶自动检测算法,首先对原始CT图像进行有效、准确的肺实质分割,根据肺结节、气管和血管具有不同的几何特征,构造了一组不同尺度的类圆形结构元素,采用多尺度形态学滤波方法对ROI进行初始分割,再根据各ROI的大小构造相应尺度的二维高斯模板,对各ROI区域进行自适应局部高斯模板匹配,以进一步剔除假阳性.实验结果表明,该算法可以有效地提取出CT图像中类圆形的疑似结节病灶,具有较高的灵敏度和较低的漏诊率,可以为医生诊断早期肺癌病灶提供辅助信息.     

肺结节自动检测算法研究

本文研究一种用于自动检测CT图像中肺结节的计算机辅助检测(CAD)算法.该算法首先从CT图像中分割出肺部区域,然后利用基于图像灰度分布的阈值方法提取出包含肺结节和血管的感兴趣区域(ROIs).在研究区分肺结节和血管的特征之后,利用基于规则的判别方法将感兴趣区域进行分类并提取出肺结节.运用本算法对232幅CT序列图像进行实验,实验结果表明运用该算法具有高达85%的检出率.     

基于Hessian矩阵和熵的CT序列图像裂缝分割方法

工业CT序列图像的各向不同性和伪影会影响裂缝分割精确度和准确度,因此提出一种基于Hessian矩阵和熵的各向不同性工业CT序列图像裂缝自动分割方法。首先,用基于Hessian矩阵的多尺度线状滤波增强裂缝区域,抑制非线状区域;然后,建立一种新的二维直方图,获取滤波之后层内和层间的信息;再根据直方图的最大类熵确定阈值区间,最终得到裂缝的二值化分割结果。实验表明,所提方法不仅能够满足实际工业CT序列图像裂缝分割中精确、自动的分割要求,而且相较其他4种已有方法,能够得到更完整、更准确的分割结果。     

基于Hessian矩阵线状滤波的眼底图像血管分割

针对眼底图像血管分割问题,本文研究了一种基于Hessian矩阵多尺度线状滤波的血管分割方法。首先,采用基于Hessian矩阵的多尺度线状滤波增强血管区域,然后对增强后图像采用最大类间方差阈值法进行阈值分割,最后得到血管的二值化分割结果。本文采用了DRIVE数据库眼底图像进行实验验证,实验表明本文方法能够自动地得到较完整和准确的眼底图像血管分割结果。     

基于格式塔理论多体位协同的肺结节检测算法

针对计算机在CT序列图像辅助检测肺结节方面漏检率和假阳率高的问题,提出基于格式塔理论多体位协同的肺结节检测算法。该算法模拟人眼认识事物过程,对轴位图像序列依次建立各向同性的矢状位和冠状位图像序列,再逐个对三体位进行平均密度投影(AIP)融入局部三维信息,最后利用肺结节特征对AIP图像进行检测,标记出肺结节区域。为检验算法有效性,以2名专业医师采用独立盲法标记的372个肺结节(直径2~5 mm)为检测参考依据。该算法检测检出率达到98%,假阳率为2%。依据参考,其中有2个疑似区域出现误检和漏检,后经医师复查确定算法检测结果正确。所以本算法可辅助医师对肺结节进行检测,并且低漏检率和假阳率。而对于灰度较弱且体较小的肺结节仍存在漏检的风险,需要后续进一步研究。     

快速Arclet变换及其在工业CT图像圆测量中的应用

为了准确描述工业CT图像中的圆形结构,提出一种基于多尺度几何分析工具Arclet的圆测量算法。首先,通过分析单尺度Arclet基函数间的空间关系,设计了单尺度快速Arclet数字变换算法;基于该Arclet数字变换,提取出单尺度上的候选圆特征。然后,考虑Arclet相邻尺度基函数间的空间关系并结合多尺度四叉树结构,按照从根到叶的方向,依次对相邻尺度间的候选圆特征进行取舍。最后,融合各尺度剩余的候选圆特征,得到提取结果,并根据提取结果计算出半径等圆参数。基于实际工业CT图像进行了圆测量试验,结果表明,最大半径绝对误差的绝对值0.1mm,最大半径相对误差的绝对值0.5%;即使对原工业CT图像引入不同强度的高斯噪声,测量结果依然满足要求。本文提出的工业CT图像圆测量算法对噪声干扰具有很好的抑制能力,能满足准确描述工业CT图像中圆形结构的要求。     

基于Hessian矩阵的视网膜血管中心线提取

为实现视网膜血管在临床诊断中的重要作用,提出了一种基于Hessian矩阵的视网膜血管提取方法,该方法通过图像预处理增强血管信息,利用血管的微分几何特性,采用离散高斯核对眼底图像进行卷积,结合Hessian矩阵计算血管方向,通过连接算法得到视网膜血管的分布情况.实验结果表明,该方法提取血管中心线的精度可达亚像素级,对不同眼底照相机拍摄的眼底图像可根据血管宽度进行多尺度快速分割.     

基于Hessian矩阵的手指静脉图像分割

针对灰度不均匀、对比度低、边缘信息较弱的图像中的手指静脉纹路提取问题,提出了一种基于Hessian矩阵的手指静脉图像分割方法。该方法首先将高斯滤波器的二阶导数与原图像卷积得到了各像素点的Hessian矩阵,通过Hessian矩阵的迹初次滤除了非静脉区的像素点,接着求出了余下像素点Hessian矩阵的特征值,利用静脉区特征值所要满足的条件二次滤除非静脉区像素点,最后选取了多尺度下静脉区各像素点的最大特征值作为输出特征值,将区间内所有尺度下的特征值图进行了融合,经过二值化处理、形态学滤波处理得到了手指静脉纹路。研究结果表明,该算法能够较完整地提取宽度不一的手指静脉纹路,将静脉区域和非静脉区域分开,伪静脉像素点较少;同时,不需要遍历所有像素点的Hessian矩阵求其特征值,手指静脉图像分割速度比未优化静脉纹路提取算法快了0.036 5 s。     

基于平均密度投影和平移高斯模型的肺结节检测与分割算法

针对 CT图像中肺结节与血管粘连导致分割困难的问题,提出了一种基于平均密度投影和平移高斯模型的肺结节检测与分割算法。首先通过对二维CT序列图像作平均密度投影(AIP),融合局部三维特征生成AIP图像,然后利用阈值分割和形态学方法对结节轮廓进行粗分割,最后通过建立平移高斯模型来拟合肺结节,从而实现对肺结节的精确分割。对30个血管粘连性肺结节CT图像的实验结果表明,本文算法与专业医师标记区域的面积交迭度达到91%,能够实现对粘连型肺结节的有效分割,但对于灰度较弱且体积较小的肺结节仍存在漏检的风险,需要后续进一步研究。