基于级联Dense-UNet和图割的肝脏肿瘤自动分割

腹部CT图像肝脏肿瘤分割是进行肝脏疾病诊断、手术规划和放射治疗的重要前提。针对肝脏肿瘤灰度异质、纹理丰富、边界模糊等因素引起的分割困难,该文提出基于级联Dense-Unet和图割的自动精确鲁棒分割方法。首先运用级联的Dense-UNet获取肝脏肿瘤初始分割结果及感兴趣区域,然后利用图像像素级和区域级特征,分别构建可有效区分肿瘤与非肿瘤的灰度模型和概率模型,并将其融入图割能量函数,进一步精确分割感兴趣区域中的肿瘤组织。最后分别采用LiTS和3Dircadb公共数据库作为训练集与测试集进行实验,并与现有多种自动分割方法进行了比较。结果表明,提出方法可有效分割CT图像中灰度、形状、大小、位置各异的肝脏肿瘤,能提取更精确的肿瘤边界,尤其对于对比度低、边界模糊的肿瘤具有明显优势。     

一种新的图像超像素分割方法

针对现有超像素分割方法无法自动确定合适的超像素数目,以及难以有效贴合图像目标边界等问题,该文提出一种新的利用局部信息进行多层级简单线性迭代聚类的图像超像素分割方法。首先,运用基于局部信息的简单线性迭代聚类(LI-SLIC)对原始图像进行超像素初分割,然后,根据超像素的色彩标准差对其进行自适应多层级迭代分割,直至每个超像素块的色彩标准差小于预设阈值,最后,利用相邻超像素间的色彩差异对过分割的超像素进行合并。为验证方法的有效性,该文采用Berkeley, Pascal VOC和3Dircadb公共数据库作为实验数据集,并与其他多种超像素分割方法进行了比较。实验结果表明,该文提出的超像素分割方法能更精确贴合图像目标边界,有效抑制图像过分割和欠分割。     

基于自适应局部增强的手机TFT-LCD屏Mura缺陷自动检测

针对手机屏幕图像整体亮度不均以及Mura缺陷对比度低等特点,提出一种基于自适应局部增强的Mura缺陷自动在线检测方法。首先对CCD相机采集的手机屏幕原始图像进行感兴趣区域提取、几何校正、滤波等预处理,获取图像中的屏幕区域,然后将屏幕区域划分为多个不重叠的像素块,并根据每个像素块的灰度分布特征,采用自适应局部增强算法自动识别并定位图像中的Mura区域,最后考虑到Mura缺陷大小的不确定,提出采用多层级分块的方式对屏幕区域进行检测,提高算法鲁棒性。实验结果表明,相较现有多种屏幕缺陷自动检测算法,本文方法能更准确有效地识别手机屏幕中的Mura缺陷,且覆盖率和误检率分别为91.17%和5.84%。     

基于多尺度2D Gabor小波的视网膜血管自动分割

眼底视网膜血管分割对临床视网膜疾病诊断具有重要意义. 由于视网膜血管结构微小, 血管轮廓边界模糊, 加上图像采集时噪声的影响, 视网膜血管分割非常困难. 本文提出一种视网膜血管自动分割新方法. 首先, 应用对比度受限的自适应直方图均衡法增强视网膜图像;然后, 采用不同尺度的2D Gabor小波对视网膜图像进行变换, 并分别应用形态学重构 (Morphological reconstruction, MR)和区域生长法 (Region growing, RG)对变换后的图像进行分割; 最后, 对以上两种方法分割的视网膜血管和背景像素点重新标记识别, 得到视网膜血管最终分割结果. 通过对DRIVE和STARE数据库视网膜图像的分割实验, 证明了该算法的有效性.     

基于 RA-Unet 的 CT 图像肝脏肿瘤分割

CT 图像肝脏肿瘤分割是进行肝癌前期诊断、肿瘤负荷分析和放射治疗的重要前提。 为实现肿瘤的精确自动分割,提出 一种融合残差模块和注意力机制的深度 U 形网络。 该网络首先在跳跃连接层中引入一条带有反卷积与激活操作的残差路径 和卷积模块,实现图像特征的分离传递以及高级表征,确保跳跃连接层主要传递图像边缘信息和小目标全局信息,其次在解码 路径中引入注意力机制,通过将跳跃连接层与反卷积解码获得的特征信息赋予不同权重,进一步增强肿瘤特征,抑制其他无关 信息。 提出方法在 LiTS 数据集上获得的全局 Dice 值高达 86. 71% ,明显高于其他多种现有方法,且相较于其他方法,该方法对 于小尺寸、对比度低、边界模糊的肿瘤具有明显的分割优势。     

基于非线性增强和图割的CT序列肝脏肿瘤自动分割

针对腹部CT图像肝脏肿瘤对比度低、边界模糊、灰度多样等因素引起的分割困难,提出基于非线性增强和图割的肝脏肿瘤自动分割.首先根据肝脏区域灰度分布特性,采用自适应分段非线性增强和迭代卷积操作提高正常肝实质与肿瘤组织的对比度;然后将增强结果和图像边界信息有效地融入图割能量函数,实现肝脏肿瘤初步自动分割结果;最后采用三维形态学开操作对初步分割结果进行优化,去除其中的误分割区域,提高分割精度.在3Dircadb和XYH数据库上的实验结果表明,该方法能有效地自动分割腹部CT序列中的肝脏肿瘤,且综合分割性能优于现有多种方法.     

基于水平集和形状描述符的腹部CT序列肝脏自动分割

肝脏分割是计算机辅助肝脏疾病诊断的重要前提和基础.本文提出了一种新的基于水平集和形状描述符的腹部CT序列图像肝脏自动分割方法.首先, 对原始腹部CT序列图像进行预处理, 去除与肝脏不相关的器官和组织.然后, 利用灰度偏移场, 结合周长项、距离正则项和相邻切片肝脏分割结果构建水平集能量函数, 实现CT序列肝脏自动分割.为避免分割误差累积, 提出一种基于形状描述符和瓶颈率的肝脏边缘优化方法, 在每张切片分割完毕后去除由于灰度重叠造成的过分割.通过对XHCSU14数据库和Sliver07数据库中腹部CT序列的肝脏分割实验, 以及与其他肝脏分割算法的比较, 表明了本文方法的有效性, 且分割精度高, 鲁棒性强.     

一种新的视网膜血管图像增强方法

提出了一种基于多尺度顶-帽变换和直方图拟合拉伸的视网膜血管图像增强方法。首先,应用多尺度顶-帽变换提取不同尺度下的图像亮、暗特征,并从中选择最优的特征对图像进行初步增强。然后,结合视网膜血管图像的灰度直方图分布特性,对初步增强结果进行直方图高斯曲线拟合线性拉伸。为验证方法的有效性,以Drive眼底图像数据库为实验对象,并与其它多种增强算法进行了比较。实验结果表明,相比其它算法,本文方法能够更加有效地提高图像的对比度,并在细节上有很好的增强效果。