基于支持向量机的磁共振脑组织图像分割

脑组织图像分割在医学图像分析中具有重要的理论和应用价值。由于支持向量机被看作是对传统学习分类器的一个好的替代,特别是在小样本、高维情况下,具有较好的泛化性能,因此可采用支持向量机方法对磁共振脑组织图像进行分割研究。为了验证支持向量机分割磁共振脑组织图像的效果,利用支持向量机进行了脑组织图像分割实验。实验结果表明:核函数及模型参数对支持向量机的分割性能有较大的影响;支持向量机方法适合作为小样本情况下的学习分类器;对目标边界模糊、目标灰度不均匀及目标不连续等情况下的图像(如医学图像)分割,支持向量机方法也是一个好的选择。     

一种改进的双模态图像分割算法

在Mumford-Shah模型基础上提出了一个改进的双模态图像分割算法。该算法基于图像局部化信息创建驱动曲线演化的能量,引入的配准项提高了曲线的演化速度,基于曲线演化竞争的数据拟合项,使得曲线能更稳定地收敛到一个全局静态最小值,且算法对水平集函数初始化位置不敏感。实验结果表明,改进的算法具有收敛速度快、分割结果稳定的特点,尤其在医学CT图像方面具有更强的分割能力,更高的稳定性。     

基于改进 U-Net 的 PET-CT 双模态头颈部肿瘤分割

放射肿瘤学领域中,头颈部被认为是轮廓绘制最困难且最耗时的疾病部位之一。目前,在临床中头颈部轮廓绘制通常由人工完成,耗时且费力,因此,开发一种自动的医学图像分割方法十分必要,可在节省人力和时间的同时,避免由于不同医师的主观因素导致的诊断结果差异。该文使用正电子发射断层成像/计算机断层扫描双模态的数据对头颈部的肿瘤进行分割,利用不同模态之间的信息互补,实现了更加精确的分割。整个网络基于传统 U-Net 架构,在编码器中增加 Inception 模块,在解码器中增加 Dense 模块以及空间注意力来对网络进行改进。在头颈部肿瘤数据集上,将该模型与不同的 U-Net 架构进行对比,结果表明,该文提出的方法多个指标均较优。该网络的 Dice 相似度系数为 0.782,召回率为 0.846,Jaccard 系数为 0.675,较原始 U-Net 分别提升 6.8%、13.4% 和 9.8%;95% 豪斯多夫距离为 5.661,较原始 U-Net 下降了 1.616。对比实验结果表明,该文提出的 Inception Spatial-Attention Dense U-Net 分割模型在头颈部肿瘤数据集上有效改善了分割结果,较标准的 U-Net 具有更高的性能,提高了分割的准确率。     

多模态集成阿尔茨海默病和轻度认知障碍分类

为了更有效而准确地诊断阿尔茨海默病(Alzheimer’s disease,AD)和轻度认知障碍(Mild Cognitive Impairment, MCI),文章提出了一种基于多模态数据(MRI、PET 和非成像数据 CSF)的集成支持向量机来分类 AD 和 MCI。该算法使 用集成学习技术来综合利用不同模态数据之间相互作用产生的分类判别信息,并利用支持向量机进行分类。为了评价该 算法的有效性,采用十折(10-fold)交叉验证策略来验证其性能,并在标准数据集 ADNI 上测试算法性能。实验结果表明, 多模态集成支持向量机分类方法的性能优于多模态多核学习和单模态方法。     

面向多模态磁共振脑瘤图像的小样本分割方法

针对脑肿瘤磁共振成像(MRI)模态多、训练数据少、类别不平衡以及各个私有数据库差异大等导致分割困难的问题,引入小样本分割方法,并提出基于U-net的原型网络(PU-net)模型用以对脑肿瘤磁共振(MR)图像进行分割.首先对U-net的结构进行调整来提取各类瘤体的特征用以计算原型;然后在原型网络的基础上,逐像素利用原型对...     

基于粗糙集和支持向量机的图像分割技术研究

为了提高图像分割精度和实用性,利用粗糙集和支持向量机优点,提出一种基于粗糙集和支持向量机相融合的图像分割算法。首先利用粗糙集图像区域特征进行约简,以降低特征向量维数,然后采用支持向量机对这些特征进行学习,建立图像分割模型,从而实现图像的分割。实验结果证明,该方法不仅提高了图像分割精度,大大缩短了训练时间,而且分割效果要优于常规图像分割算法,能够很好满足图像处理的实时性要求,为进行图像分割提供了一个新的研究思路。     

基于支持向量机的音频分类与分割

音频分类与分割是提取音频结构和内容语义的重要手段,是基于内容的音频、视频检索和分析的基础。支持向量机(SVM)是一种有效的统计学习方法。本文提出了一种基于SVM的音频分类算法。将音频分为5类：静音、噪音、音乐、纯语音和带背景音的语音。在分类的基础上,采用3个平滑规则对分类结果进行平滑。分析了SVM分类嚣的分类性能,同时也评估了本文提出的新的音频特征在SVM分类嚣上的分类效果。实验结果显示,基于SVM的音频分类算法分类效果良好,平滑处理后的音频分割结果比较准确。     

基于PSO优化SVM的纹理图像分割

针对传统纹理图像分割方法运行时间长,分割准确率较低,提出基于粒子群优化算法(PSO)优化支持向量机(SVM)的纹理图像分割方法。首先在自适应调整惯性权重λ的控制策略中加入PSO中的当前迭代次数和种群数,改进PSO的惯性权重λ的性能;接着运用PSO寻找最优惩罚系数C和高斯核函数中参数γ,然后运用SVM方法对训练样本综合训练建立最佳分类模型,并对纹理图像分割测试。结果表明:对比传统方法,该方法不仅缩短运行时间,分割准确率也得到了提高。同时,对比传统惯性权重对分割结果的影响,改进后的方法使得平均收敛代数减少,寻优时间缩短。     

支持向量机与区域增长相结合的CT图像并行分割

针对经典区域增长算法中生长规则确定的困难和单纯使用支持向量机分割速度慢的问题,提出了一种支持向量机与区域增长相结合的图像并行分割方法。首先,从已知分割结果的图像中选取一定数量的目标区域与非目标区域样本点作为支持向量机分类器的训练样本并训练支持向量机,然后利用训练好的支持向量机自动寻找种子点并进行区域增长,在区域增长过程中使用支持向量机分类器作为增长规则,最后,针对边缘和噪声像素点进行必要的后处理。测试实验获得了较好的分割效果和较快的分割速度且能实现自动分割,表明所提出的方法是可行有效的。     

基于球向量机的图像分割

由于图像数据量庞大,将标准支持向量机应用于图像分割时,其训练的时间复杂度较高。通过使用球向量机对图像进行分割,以降低训练过程消耗的时间。实验表明,在无噪声和有噪声情况下,使用球向量机对图像进行分割,其分割效果和抗噪性能与标准支持向量机的分割效果基本相同。然而,球向量机在训练过程中所消耗的时间显著小于标准支持向量机。应用球向量机进行图像分割,可以显著提高图像分割的整体性能。