融合区域和全局特征提取的医学图像检索技术

针对胸部CT扫描图像库,提出了一种融合区域和全局特征提取的医学图像检索方法。为了提取局部感兴趣区域,给出了一种基于灰度层共现矩阵的区域增长算法,分割出病灶区域,再结合迭代阈值算法进行病灶边界的磨合。为了避免身体姿势问题造成的图像角度差异,利用具有旋转不变性的Zernike矩提取图像的全局特征,融合感兴趣区域的形状和分布特性以及整幅图像Zernike矩全局特征作为图像匹配准则的客观依据。实验结果表明,该算法能够比较有效地应用于基于内容的医学图像检索系统中。     

基于视觉注意力模型的医学图像目标检测

关于医学诊断图像的研究,为准确显示病灶的位置,提出了一种图像视觉注意力模型的感兴趣区域检测法,即根据肺部关系CT图像的局部视觉显著度检测可疑肺结节,可采用了bottom-up控制策略的机制, 通过线性滤波提取出原始CT图像亮度、颜色和方向特征,计算这些低层次图像特性的高斯金字塔,再进行局部视觉反差仿真计算以得到感兴趣区域,以辅助医生对病灶的筛查与诊断.仿真结果表明视觉注意力模型应用于计算机辅助诊断中可以提高病灶的检出率,降低预处理的复杂度.     

云计算下相似医学CT图像特征的快速检索模型

在云计算环境中,在大量医学CT图像中快速找到相似医学图像特征对疾病的的诊断有重大意义.不同的病例往往会导致医学CT图像特征的不同,但相似医学CT图像特征在相似病例中有着极强的相似性,传统的相似医学CT图像特征的快速检索方法对CT病变区域的像素灰度、梯度特征建立检索模型时,受到相似特征干扰的影响,建立的模型不具备特征分类排除特性,无法高效检索.提出基于云计算的相似医学CT图像特征的快速检索方法.建立相似医学CT图像特征的快速检索模型,针对上述医学CT图像进行云特征分类处理,完成差分向量计算,得到对应的图像特征特征权重,并进行医学CT图像特征云计算参数的矩阵转换处理,实现相似医学CT图像特征的快速检索.实验结果表明,利用改进算法进行相似医学CT图像特征的快速检索,能够有效提高检索的查全率和查准率,满足临床诊断和医学研究的实际需求.     

基于Ncut分割和SVM分类器的医学图像分类算法

为解决医疗诊断中由于疲劳和主观因素影响导致的诊断错误,本文提出了基于Ncut分割方法的医学CT图像的分割、特征提取和诊断的新方案.将Ncut分割方法应用于脑CT图像.先进行图像分割,提取感兴趣区域,再从边缘、灰度,纹理三方面提取特征,最后利用支持向量机(SVM)对图像进行分类,为医生的诊断提供参考.从表格化的分类结果看,所提方案有较大的应用价值.     

基于肝脏CT图像GLTP特征的肝功能分级方法研究

现阶段对终末期肝病患者的短期、中期死亡率进行预测的方法主要依赖于患者的血液检查指标,通过终末期肝病模型（MELD）进行肝功能分级——“低危”、“中危”和“高危”。考虑到CT影像与肝脏病变有良好的相关性,论文对患者的肝脏CT图像进行分析,提出了一种基于梯度局部三值模式（GLTP）的肝脏CT图像分类的方法。首先,通过对肝脏CT图像进行预处理,提取出大小相同且不包含肿瘤和血管的肝脏感兴趣区域;然后,提取CT图像的GLTP特征,并利用主成分分析法对特征进行降维;最后,采用支持向量机对特征进行分类。为了验证方法的有效性,实验使用江苏省人民医院采集得到的肝脏CT图像进行了肝功能分级实验,结果表明,该方法揭示了MELD肝功能分级与CT影像存在着一定的潜在关系,对于临床诊断有一定的辅助和应用价值。     

基于区域生长法的医学图像分割

医学图像分割是CT图像的三维重建等后续操作的基础,分割的准确性对医生判断至关重要.本文深入研究区域生长算法,并用VC 实现了该算法.区域生长法可满足图像分割的多种要求,既提取CT图的边缘信息,又针对某一特定区域的病灶单独实行分割,缩短了手术计划的时间,实验结果为临床诊断提供有利的帮助信息,提高了手术导航的效率.     

多核多示例学习的糖尿病视网膜病变诊断

目的 在传统糖尿病视网膜病变（糖网）诊断系统中,微动脉瘤和出血斑病灶检测的精确性决定了最终诊断性能。目前的检测诊断方法为了保证高敏感性而产生了大量假阳性样本,由于数据集没有标注病灶区域导致无法有效地建立监督性分类模型以去除假阳性。为了解决监督性学习在糖网诊断中的问题,提出一种基于多核多示例学习的糖网病变诊断方法。方法 首先,检测疑似的微动脉瘤和出血斑病灶区域,并将其视为多示例学习模型中的示例,而将整幅图像视为示例包,从而将糖网诊断转化为多示例学习问题;其次,提取病灶区域的特征对示例进行描述,并通过极限学习机（ELM）分类算法过滤不相关示例以提升后续多示例学习的分类性能;最后,构建多核图的多示例学习模型对健康图像和糖网病变图像进行分类,以实现糖网病变的诊断。结果 通过对国际公共数据集MESSIDOR进行糖网病变诊断评估实验,获得的准确率为90.1%,敏感性为92.4%,特异性为91.4%,ROC（receiver operating characteristic）曲线下面积为0.932,相比其他算法具有较大性能优势。结论 基于多核多示例学习方法在无需提供病灶标注的情况下,能够高效自动地对糖网病变进行诊断,从而既能避免医学图像中标注病灶的费时费力,又可以免除分类算法中假阳性去除的问题,获得较好的效果。     

面向急性缺血性脑卒中CT到MRI的图像生成

急性缺血性脑卒中病灶很容易在磁共振成像(MRI)上表现为高信号区域。相较于MRI,计算机断层扫描(CT)成像速度快、价格低,不易受金属植入物干扰,但CT对缺血性脑卒中病灶不敏感,通常在CT上难以确定病灶的位置,且CT包含的信息量比MRI少。考虑到速度与可用性的提升以及成本的降低,为了以CT生成的MRI代替真实的MRI对急性缺血性脑卒中进行诊断,提出一种CT到MRI的跨模态图像生成算法。首先,利用影像组学在CT上确定病灶区域并提取影像组学特征,筛选出信息增益最大的特征并可视化,然后将该特征图与CT一同作为生成对抗网络的输入。生成对抗网络在pix2pix生成器中引入残差块,鉴别器采用PatchGAN。最后在损失函数中引入病灶特征相似性损失函数,更加关注病灶区域的相似性。经两名放射科医生的主观判断与评估指标的客观分析,结果表明,该算法生成的MRI与真实MRI相似性极高,且病灶位置正确,形状相似,可为医生的诊疗提供帮助。     

基于边缘保持的CT图像插值放大算法

由于医学硬件设备和辐射剂量的限制,为了获得高分辨力、高质量的CT图像以协助医生进行诊断和治疗,通常需要从软件方面将CT图像放大或局部CT图像放大,考虑到CT图像边缘在CT图像处理中的重要性,提出一种基于边缘保持的CT图像插值算法,该算法包括两个步骤,第一步对原图像进行边缘提取以及沿边缘方向进行边缘插值放大;第二步进行图像平滑区域的双线性插值放大。该算法能很好地保护图像的边缘细节,文中给出了放大实例,实验结果证明了算法的有效性。     

深度学习多部位病灶检测与分割

目的 多部位病灶具有大小各异和类型多样的特点,对其准确检测和分割具有一定的难度。为此,本文设计了一种2.5D深度卷积神经网络模型,实现对多种病灶类型的计算机断层扫描（computed tomography,CT）图像的病灶检测与分割。方法 利用密集卷积网络和双向特征金字塔网络组成的骨干网络提取图像中的多尺度和多维度信息,输入为带有标注的中央切片和提供空间信息的相邻切片共同组合而成的CT切片组。将融合空间信息的特征图送入区域建议网络并生成候选区域样本,再由多阈值级联网络组成的Cascade R-CNN（region convolutional neural networks）筛选高质量样本送入检测与分割分支进行训练。结果 本文模型在DeepLesion数据集上进行验证。结果表明,在测试集上的平均检测精度为83.15%,分割预测结果与真实标签的端点平均距离误差为1.27 mm,直径平均误差为1.69 mm,分割性能优于MULAN（multitask universal lesion analysis network for joint lesion detection,tagging and segmentation）和Auto RECIST（response evaluation criteria in solid tumors）,且推断每幅图像平均时间花费仅91.7 ms。结论 对于多种部位的CT图像,本文模型取得良好的检测与分割性能,并且预测时间花费较少,适用病变类别与DeepLesion数据集类似的CT图像实现病灶检测与分割。本文模型在一定程度上能满足医疗人员利用计算机分析多部位CT图像的需求。     

一种新的肝肿瘤CT图像分割方法

传统的分割方法难以实现医学图像准确地分割,提出了基于最大信息熵原理的医学图像分割方法。该方法集成了阈值分割、边界跟踪和数学形态学,提高了分割的精度和速度。分析和实验结果表明,采用该方法对肝肿瘤CT图像进行分割时,能自动准确地提取出医生感兴趣的区域。     

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。     

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。     

基于多期相注意力融合网络的肝脏病灶CT影像分类研究

肝脏病灶是指肝脏疾病集中的部位或是综合病症、感染的主要部位。由于不同类型的多期相肝脏病灶计算机断层扫描（CT）影像存在异病同影或同病异影的情况,导致同一类型的CT影像结构变化较大,传统方法难以提取丰富的图像特征信息,肝脏病灶分类准确率有待提高。提出一种多期相注意力融合网络MAFNet,使用单期相分支表征单期相病灶图像特征,并在融合分支中采用中期融合的方式,融合单期相分支中提取出的特征映射,从而充分提取图像中不同层次的特征。利用多期相注意力模块提取单期相分支中肝脏病灶的加权特征,重新组织多期相肝脏病灶的特征映射,以保持不同单期相图像信息,表达3个期相影像的时序增强模式,得到更准确的分类结果。实验结果表明,基于该网络的分类方法能充分利用多期相肝脏CT影像的时序特征,有效捕捉同一患者不同期相的信息,肝脏病灶CT影像分类的平均准确率为90.99%。     

基于NSCT-GLCM的CT图像特征提取算法

针对海量CT图像分割中特征提取的难题,提出一种非下采样轮廓变换(NSCT)和灰度共生矩阵(GLCM)相融合的CT图像特征提取算法。首先采用NSCT对CT图像进行多尺度、多方向分解,并采用GLCM提取子带图像的共生特征量,然后对共生特征量进行主成分分析,消除冗余特征量,构成多特征矢量,最后利用支持向量机完成多特征矢量空间的划分,实现CT图像分割。实验结果表明,NSCT-GLCM能够较好地提取CT图像特征,提高了CT图像分割准确率,可以为医生诊断提供辅助信息。     

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。     

小波在基于CT图像的肝脏疾病良恶性分类中的研究

肝癌是一种常见的恶性肿瘤,近年来发病率呈缓慢上升的趋势,病死率也随之上升。文章利用小波在特征提取和模式识别方面的独特优势,提取了基于小波和灰度共生矩阵的纹理特征,结合遗传算法进行特征选择和优化,用KNN分类器设计出高精确度的肝脏疾病良恶性分类器。采用肝脏CT平扫图像,将肝癌与其他的良性病变进行分类,探讨了小波的不同性质及特征提取方式对分类结果的影响,对小波在肝脏CT图像良恶性分类中的研究有指导意义。     

基于局部C-V水平集的CT肝脏病灶提取

本文针对肝脏CT图像的特点,提出一种局部C-V模型水平集算法对肝脏病灶进行分割。该算法首先在肝脏内部选择包含病灶的局部图像,再采用局部最大类间方差法进行预分割,根据最佳阈值确定初始水平集,最后采用局部C-V模型对初始轮廓曲线进行演化。实验结果表明该方法能较好地提取出肝脏病灶。     

支持向量机分类的交互式肝脏肿瘤分割方法

提出了一种交互式分割传统CT图像肝脏肿瘤的方法。首先对CT切片进行预处理,包括肝脏薄壁组织分割及其对比增强处理,通过分水岭转换后肝脏体积被分成许多集水盆地。然后,在用户选择种子点上训练支持向量机分类来抽取肝脏肿瘤,而在分水岭转换后产生的每个小区域基础上,计算对应的用于训练和预测的特征向量。最后,在整个分割二级制体数据中执行一些形态学操作,重新定义支持向量机分类的粗糙分割结果。实验结果表明：改进方法提高了诊疗的准确性、有效性,以及在临床应用中的可行性。     

水平集方法在CT肝脏图像分割中的应用

水平集方法在医学图像分割上有着广泛的应用。文章将水平集方法用于CT肝脏图像的分割,并针对CT图像的特点,提出了一种结合图像灰度和曲线曲率信息的速度函数,实验结果表明该方法是有效的。