脑部MR图像的Sigma-IFCM分割算法

受成像原理、设备及环境的影响,脑部MR图像一般都有大量的噪声,给图像分割造成很大困难。在IFCM算法的基础上通过引用Sigma过滤器原理,改变邻居像素点的计算方法,对分割后的图像进行去毛刺和边部光滑处理,并在模拟的脑部MR图像上进行分割实验。     

基于层次MRF的MR图像分割

核磁共振图像(MRI)的定量分析在神经疾病的早期治疗中有很重要作用.提出了一种基于层次Markov随机场模型的MRI图像分割新方法.在高层次的标记图象中采用了混合模型,即区域的内部用各向同性均匀MRF来建模,边界用各向异性非均匀MRF来建模.所以方向性被引入到边界信息中,这样可以更准确的表达标记图象的特性;在低层次的像素图像中,不同区域中像素的灰度分布用不同的高斯纹理来描述.分割问题可以被转换成一种最大后验概率估计问题.采用基于直方图的DAEM算法来估计SNFM参数的全局最优值;并基于MRF先验参数的实际意义,提出一种近似的方法来简化这些参数的估计,实验显示该方法能获得更好的结果.     

左心室核磁共振图像的自动分割

目前左心室核磁共振图像的分割方法,大部分是半自动的,如Snake方法;为了能实现全自动分割,该文先采用SVM对图像进行左心室定位,然后用水平集(Level Set)方法进行分割,针对水平集符号距离函数构造计算量大的问题,提出了一种新的符号距离函数(SDF)的生成方法——中线延拓方法,它只需对图像进行一次扫描就可以生成SDF,同时还可以记下每点对应的曲线上的最近邻点,为速度项中曲率的扩展提供条件,针对核磁共振图像成像特点,特别是对加标记线的左心室核磁共振图像,引入了块像素变差和灰度相似性的思想,对水平集方法的速度项进行了改进,提高了分割精度,该方法能全自动、快速、准确地实现左心室的分割,文中给出了合成图像和左心室核磁共振图像的分割结果。     

支持向量机在核磁共振脑组织图像分割中的应用

在医学图像分析中,脑组织图像分割有着重要的研究与应用价值。采用支持向量机方法对核磁共振脑图像进行研究。传统的支持向量机方法在图像分割中一般选用方形的区域,用该区域的像素灰度和纹理特征作为支持向量的训练样本,对图像进行提取和分析,得到分类结果。提出了一种新型的研究区域,在该区域上提取训练样本,对核磁共振脑图像进行分类。分类结果显示用新型区域做的图像分割提高了正确率。     

带标记线左心室MR图像的自动分割

带标记线核磁共振(MR)图像能够提供了大量的运动信息，为实现左心室的运动重建提供了有利条件，但图像中存在灰度的不一致性、弱边界、伪影、标记线的影响等现象，这些都给带标记线左心室MR图像的分割带来了困难。目前带标记线核磁共振图像的左心室分割主要靠人工完成，为此提出了一种自动分割方法，它是基于分级处理的分割方法，主要由3部分组成：首先用数学形态学的方法实现左心室的自动定位；然后用K均值聚类、模板匹配和基于骨架的心肌形状恢复方法给出左心室的内外初始轮廓线；最后用改进的水平集方法对初始轮廓线进行演化而得到最终结果。实验结果证明，此方法有较强的鲁棒性，是行之有效的方法。     

基于改进高斯混合模型的MR图像分割

传统高斯混合模型分割核磁共振图像时严重依赖初值,且易受图像中偏移场与噪声的影响。为此,提出一种基于片信息的改进高斯混合模型。采用模糊C均值聚类方法优化初始值,以减小初值对分割结果的影响,加快算法的收敛速度。使用Legendre多项式对偏移场进行拟合,并融入EM框架中,得到光滑的偏移场。利用邻域信息降低噪声的影响,使模型在降低噪声影响的同时,保留细长拓扑结构信息。实验结果表明,该模型能恢复出偏移场,分割结果较好。     

基于多小波分析与SOFM的MR图像分割算法研究

有效地实现MRI脑图像的分割是临床疾病诊断的一个难题.针对目前MRI脑图像分割算法在图像分割的速度和精度上不理想的问题,提出了一种将多小波分析与SOFM相结合的MWSOFM算法.该算法先对MRI脑图像进行多小波分解得到小波系数金字塔,再用SOFM算法对图像从塔顶开始从上往下逐层进行聚类,最终得到分割结果.对不同分辨率的MRI脑图像的仿真实验表明,在高分辨率的情况下,MWSOFM不但加快了分割的速度,而且提高了聚类精确度,分割效果得到明显改善.     

多发性硬化症MR图像分割新算法研究

提出了一种针对多发性硬化症病灶T2加权脑部磁共振（MR）图像的分割算法。根据多发性硬化症病灶和脑脊液在T2加权像上同表现为高亮度信号的特点,把模糊C均值分割算法与形态学方法相结合,提出了基于核模糊C均值的多发性硬化症病灶分割算法。该算法首先用改进的核模糊C均值算法做基础分割,再用形态学方法提取出多发性硬化症病灶得到最终分割结果。通过对多发性硬化症模拟脑部MR图像的分割结果表明,算法能够比较准确地分割多发性硬化症病灶。     

概率加权测地距离的脑部MR图像超像素分割

超像素是一种重要的图像过分割,因为医学图像具有边界模糊、不同组织的灰度范围互相重叠的特点,为超像素分割带来极大困难.针对脑部MR图像超像素生成问题,从脑部MR图像的特点出发,充分利用脑部MR图像表达先验知识,结合脑部MR图像的一般结构,定义每个像素属于脑组织中一个类别的概率,并基于分类概率提出一种有效的边界梯度计算方法;在此基础上,提出一种概率密度加权的测地距离脑部MR图像超像素分割算法;最后应用模糊C均值聚类算法作为后续分割处理,获得脑部MR图像的组织分类.与现有算法在分割性能上进行定量比较的实验结果表明,文中算法能够产生更准确的分割边界.     

基于核聚类算法和模糊Markov随机场模型的脑部MR图像的分割

为了更有效地对被噪声污染的脑部MR图像进行分割,提出了一种基于模糊核聚类和模糊Markov随机场的脑部MR图像分割算法。该算法在使用高斯径向基函数的核聚类目标函数中,引入了基于Markov随机场的补偿项,作为分割算法的空间约束。这种空间补偿项用Gibbs分布描述,实际上是一种归一化的核函数,其和用来度量灰度特征的核函数的形式是相似的,并且这种空间约束利用了分割结果的模糊信息。这种基于核函数和Markov随机场模型的算法克服了传统聚类以及核聚类算法的缺陷,不仅提出了更加合理的空间约束, 而且改善了原有的分割模型,因此可以得到更加分段光滑的聚类结果。通过对合成图像、模拟MR图像以及临床MR图像进行的分割实验以及和标准分割结果的比较表明,该算法优于相关算法,可以有效地分割被污染的MR图像。     

基于t-混合模型的脑MR图像白质分割

核磁共振成像（MRI）作为临床辅助诊断和研究的重要工具,MR图像分割的准确性直接影响着后续处理的正确性和有效性。在目前的图像分割算法中,基于t-混合模型的图像分割方法因其快速和稳健性而受到重视。该方法的一般过程是先估计混合模型的参数,计算图像中每点的后验概率,然后根据贝叶斯最小错误率准则对图像进行分割。根据MR图像的特点,提出了基于t-混合模型的大脑MR图像白质分割的算法,并取得了较好的实验结果。     

多元高斯混合模型脑MR图像去壳模型

将脑部组织从MR图像中提取出来已经成为脑部图像处理中的一个重要环节,它可以提高后继的脑组织定位、容积测量等处理的精确度。但由于脑MR图像往往具有偏移场、弱边界和强噪音,使得基于图像梯度信息的水平集模型很难得到真实解。高斯混合模型使用了图像全局信息,能较好地处理弱边界问题。但传统的高斯混合模型仅使用了灰度值分布信息,未对像素的位置进行考虑,这使得其在处理噪音图像时效果并不是很理想。利用图像多种信息构造新的信息场,使得由信息场构造的高斯混合模型更能降低偏移场、噪音等影响,同时防止曲线从弱边界泄漏。传统的高斯混合模型求解参数时,往往仅使用EM算法,易陷入局部最优。针对这个缺点,引入粒子群算法,并对其进行改进,使得改进的算法可以较快地得到精确解。对脑MR图像分割实验表明该模型可得到较好的分割效果。     

应用迭代四叉树的肝脏MR图像分割

磁共振（Magnetic Resonance,MR）图像的诊断是公认的确认肝脏有无肿瘤等器质性病变的金标准方法,因此肝脏的正确分割对计算机辅助诊断有非常重要的意义。由于脏器组织浸润和个体差异,在肝脏分割实现方法方面有一定难度,目前尚没有通用的医学分割方法。在既有研究的基础上,提出了基于四叉树的迭代分割算法,得到MR图像中肝脏的自动分割结果。实验分割结果表明这种方法的可行性和优势,并为后续的肿瘤提取奠定基础。     

基于隐高斯混合模型的人脑MRI分割方法

针对传统的高斯混合模型的抗噪性能和鲁棒性较差的缺点,提出一种基于隐高斯混合模型的人脑MRI分割方法。传统的高斯混合模型由于忽略了空间信息和未考虑分割结果的分布情况导致模型不完整。针对这些缺点,把分割结果的概率密度函数作为隐含数据引入到高斯混合模型,建立了非线性加权的隐高斯混合模型;同时引入了含空间信息与平滑系数的高斯权重置指数;运用期望最大化算法与牛顿迭代法对类均值,类方差以及平滑系数进行求解,最后根据最大后验概率准则得到人脑MRI的最终分割结果。经实验表明,提出的方法对人脑MRI具有很好的鲁棒性与抗噪性能。     

脑激活任务区分度的分析及应用研究

大脑在执行不同类型任务时激活模式各不相同,变化很大,各个脑区的变化程度也不同。据此,提出任务区分度计算这一全新的方法。用相似性度量对任务态功能磁共振成像（functional Magnetic Resonance Imaging,fMRI）分析,衡量大脑在执行不同条件时各个脑区激活模式的区分程度,揭示大脑各个区域对任务的表征能力。实验对正常人和狂躁症患者记忆提取任务的fMRI数据进行分析,使用皮尔逊相关分析、余弦相似度分析和欧几里德距离计算3种常用的相似性度量方法,并计算各个脑区的任务区分度。结果表明区分度较高的脑区参与记忆、注意和视觉信息等功能,表明了该方法的准确性和科学性。狂躁症患者在负责记忆和注意等脑区的任务区分度较正常人低,表明患者脑功能受损。此外,研究还发现基于皮尔逊相关分析的区分度计算表现较好。通过与SVM方法的对比证明了该方法在区分不同任务的激活模式时的优越性。综上,基于相似性度量的脑激活任务区分度的方法能够适用于任务态fMRI分析及其相应的脑功能分析。     

去除磁共振成像图像莱斯噪声的加权扩散

针对各向同性扩散易于造成图像边缘等特征区域的模糊以及相干增强扩散易于在图像背景区域内产生伪条纹的问题,提出了一种根据磁共振成像（MRI）图像莱斯噪声分布特点来对其进行降噪的加权扩散算法。该算法以MRI图像背景区域的莱斯噪声方差作为区分MRI图像背景区域和感兴趣的边缘特征区域二者特征差异的阈值。基于该阈值,该算法构造了一个加权函数,并用该函数对各向同性扩散和相干增强扩散进行加权。加权函数根据图像在不同结构区域的变化,自适应地调整两种扩散的权值,从而充分发挥两种扩散的优势并克服各自的不足。实验结果表明,该算法在峰值信噪比（PSNR）及平均结构相似度（MSSIM）的评价上优于一些经典算法。因此,该算法的降噪及保护、增强边缘的能力更为优越。     

局部熵驱动下的脑MR图像分割与偏移场恢复耦合模型

核磁共振图像受成像机制的影响往往导致图像中含有噪声以及偏移场,使得传统的图像分割方法很难得到较好的分割结果.为此,提出一种基于局部熵的分割与偏移场恢复耦合模型,首先在小邻域内构建基于模糊C均值(FCM)聚类模型的局部统计项并将偏移场信息耦合到模型中,以恢复图像偏移场;其次采用非局部信息来构建邻域正则项,使得模型在降低噪声影响的同时能有效地保留图像结构信息;最后在对局部能量项进行全局积分时引入局部熵信息,使得模型具有各向异性,从而对噪声和偏移场影响更具鲁棒性.实验结果表明,本文方法可以得到较准确的分割和偏移场矫正结果.     

MRI图像的基于窄带的递进多分区C-V分割方法

提出了递进的基于窄带的多分区C-V方法,并对多幅医学脑部MRI图像进行了分割实验。由于该递进方法分为多个阶段,每阶段只需一个水平集函数,并且在每一阶段应用窄带区域,即只处理窄带区域中的点,从而使计算量大大减少。实验结果证明本算法是有效的,在提高计算速度的同时,可大大改进复杂几何结构的分割效果。     

基于压缩感知的自适应正则化磁共振图像重构

当前基于压缩传感理论的正则化磁共振(CS-MR)图像重构算法普遍采用全局正则化参数,不能很好地在保持边缘和平滑噪声方面做出平衡。为此,提出一种自适应的正则化CS-MRI重构算法。结合图像稀疏性和其局部光滑性的先验知识,采用非线性共轭梯度下降算法求取最优化问题,并在迭代过程中自适应地改变局部正则化参数。新的正则化参数可以更好地恢复图像边缘,并且有利于平滑噪声,使代价函数在定义域内具有凸性;同时先验信息包含于正则化参数中,以提高图像的高频成分。实验结果表明该算法能有效权衡恢复图像边缘和平滑噪声两者的关系。