基于多尺度滤波的肝门静脉CT图像增强方法

为解决由于各种原因导致的肝门静脉造影图像质量较差而给后续血管分割及分析带来的影响,在研究了基于Hessian矩阵的多尺度滤波方法的基础上,提出了一种利用新的相似性函数来增强肝门静脉的方法。该方法首先根据肝门静脉造影图像的特点,自动确定感兴趣的灰度范围;然后在此范围内利用多尺度下Hessian矩阵的特征值性质和造影图像的灰度信息来对肝门静脉造影图像进行增强。实验结果表明,改进的基于Hessian矩阵的多尺度滤波方法能很好地增强肝门静脉螺旋CT造影图像。     

基于HESSIAN增强和形态学尺度空间的视网膜血管分割

眼底视网膜血管的走向、弯曲度、分叉度等性状分析已成为医学上诊断全身血管性疾病的重要手段。采集到的眼底图像常存在光照不均匀等现象,利用传统的血管分割方法难以对微小血管进行检测。为此提出一种基于改进Hessian矩阵增强和形态学尺度空间的分割方法。首先利用高斯函数构建多尺度Hessian增强滤波器,采用新型的血管相似性函数对血管网络进行对比度增强,同时平滑图像以减轻噪声;然后利用改进的Top-hat变换尺度空间从背景中提取血管,并引入形态学重建方法进一步突出血管像素,消除伪边缘及孤立点噪声;最后使用二次阈值化方法实现血管的最终分割。仿真结果表明,改进的分割方法在保证大血管脉络准确分割的同时,能够较好地实现微小血管分割。     

基于Hessian矩阵跟踪算法在血管新生量化中的应用

血管新生与肿瘤的生长密切相关,CAM(鸡胚绒毛尿囊膜)是研究血管新生的常用载体,所以通常对CAM中特定区域的血管分割量化来衡量抗肿瘤药物对血管的抑制作用.本文提出一种CAM图像分割算法,首先利用Hessian矩阵下多尺度分析得到一个初始的CAM血管轮廓,在此基础上跟踪未知血管,得到的最终分割结果.最后,对分割出的CAM血管进行骨架提取、裁剪等处理,计算出图像中血管的密度、长度和分叉点个数等量化指标,综合评价血管的生长情况.在相同系列的CAM图像上和其他方法进行实验对比.结果显示基于Hessian矩阵跟踪算法可以为血管新生状况提供有效的分析,尤其对微小血管的检测比较优越,而且具有更高的准确率.     

基于多阈值Otsu和海森矩阵的脑血管提取

研究了多阈值Otsu对血管组织覆盖灰度区间分类算法和基于Hessian矩阵的管状物增强算法。通过多阈值Otsu分类算法对三维人体头部MRA图像进行分类,得到包含少量其它边界过渡区域的脑血管图像,将修正的基于Hessian矩阵的增强算法作用于过渡区灰度数据,使管状物得以保留并增强;将Hessian矩阵的特征值和特征向量应用于血管特征的响应函数及形态学修补和光顺各个环节,与血管灰度接近的片状和点状数据得以去除或削弱;选择合理的尺度空间范围及尺度空间增量和调节因子以平滑非线状区域和锐化增强血管区域。该脑血管提取方法在同等准确率下具有较高的稳定鲁棒性。     

基于Hessian算子的多尺度视网膜血管增强滤波方法

提出一种基于Hessian矩阵的多尺度视网膜血管集成增强滤波算法。将Hessian矩阵的特征值和特征向量应用于血管特征的响应函数及形态学和非线性各向异性扩散处理的各个环节,选择合理的尺度空间范围及尺度空间增量和调节因子进而达到平滑非线状区域和锐化增强血管区域的效果。与其他血管增强方法相比,该方法在同等准确率下具有较高的稳定鲁棒性。     

一种低对比度CT图像的血管分割方法

CT图像血管分割技术在疾病的诊断,手术规划等许多实际应用中发挥着重要的作用.由于个体性差异和成像设备的限制,造影后的血管通常存在对比度低和噪声高的缺陷.针对该数据特点提出了一套分割方法,首先采用直方图对图像进行预处理,以增强血管和周围区域的对比度;其次,改进Hessian矩阵血管增强的判别方法,使其对细小和模糊的管状结构更加敏感;最后,采用区域生长算法对增强后的数据进行血管提取,获得血管分支较丰富的分割数据.实验证明本文的分割方法可以准确地实现血管分割,有效地避免了误分割,具有较好的鲁棒性.     

基于多尺度Gabor滤波的造影血管中轴线的自动提取

提出了一种自动提取数字造影血管图像中2维血管树中轴的新方法。作为血管树3维重建的基础,2维中轴提取的准确性显得格外重要。该方法充分利用了多尺度实Gabor滤波灵活的频率带宽和理想的增强效应,对不同粗细的血管进行中轴增强和去除背景噪声,再利用Hessian矩阵计算结果提供的方位信息进行非最大值抑制求取响应图的局部极值点,最后通过双阈值分割得到血管中轴线。实验结果表明,该方法鲁棒性好,提取中轴线的质量高。     

形状约束下活动轮廓模型冠脉血管图像多尺度分割

目的 由于计算机断层血管造影(CTA)图像的复杂性,临床诊断冠脉疾病往往需要经验丰富的医师对冠状动脉进行手动分割,快速、准确自动分割出冠状动脉对提高冠脉疾病诊断效率具有重要意义。针对双源CT图像特点以及传统单一基于区域或边界的活动轮廓模型的不足,研究了心脏冠脉3维分割算法,提出一种基于血管形状约束的活动轮廓模型分割方法。方法 首先,利用改进的FCM(fuzzy C-means)对心脏CT图像感兴趣区域初分割,其结果用于初始化C-V模型水平集演化曲线及控制参数,提取感兴趣区域轮廓。接着,由3维心脏图像数据获取多尺度梯度矢量信息构造边界型能量泛函,然后利用基于Hessian矩阵的多尺度血管函数对心脏感兴趣区域3维体数据增强滤波,获取血管先验形状信息用于约束能量泛函。最后融合边界、区域能量泛函并利用变分原理及水平集方法得到适合冠脉血管分割的水平集演化方程。结果 由于血管图像的灰度不均匀,血管末端区域更为细小,所以上述算法的实施是面向被划分多个子区域的血管,在缩小的范围内进行轮廓的演化。相比于传统的血管分割方法,该方法充分融合血管图像的先验信息及梯度场信息,能够从灰度及造影剂分布不均匀的冠脉血管图像中准确分割出冠状动脉,对于细小的血管结构亦能获得较好的分割效果。实验结果表明,该方法只需在给定初始轮廓前提下,有效提取3维冠脉血管。结论 对多组心脏CT图像进行分割,本文基于血管先验形状约束的活动轮廓模型可以准确分割出冠脉结构完整轮廓,并且人工交互简单。该方法在双源CT冠脉图像自动分割方面具有较好的正确率与优越性。     

灰度不均的弱边缘血管影像的水平集分割方法

针对血管影像中灰度不均和弱边缘情况下已有水平集模型不能正确分割血管问题,提出一种耦合了血管影像的几何信息、边缘信息和区域信息的水平集分割方法.首先,采用Hessian矩阵的各向异性性对血管状目标进行识别,对原始影像数据进行多尺度滤波;然后采用拉普拉斯算子零交叉点的快速边缘积分方法将边缘信息嵌入能量泛函中,构建一种基于结构、边缘和区域信息的水平集分割方法.相比于单一依靠影像边缘信息或区域信息模型及其改进模型,该方法在分割严重灰度不均匀的血管造影影像上能够准确提取血管,并精确定位血管边缘.     

基于改进的U-Net眼底视网膜血管分割

针对视网膜血管图像特征信息复杂程度高,现有算法存在微血管分割较低和病理信息误分割等问题,提出一种融合DenseNet和U-Net网络的血管分割模型。首先,通过限制对比度直方图均衡化和filter滤波对图像进行血管增强处理;其次利用局部自适应Gamma提升图像亮度信息并降低伪影的干扰;再次,由多尺度形态学滤波局部增强微血管特征信息;最后,利用U型密集连接模块进行分割。该算法在DRIVE数据集上实验,其平均准确率、灵敏度和特异性分别高达96.74%、81.50%和98.20%。     

Liver vasculature refinement with multiple 3D structuring element shapes

Delineating anatomical structures and other regions of interest is an important component of assisting and automating specific diagnostic, radiological, and surgical tasks. In this paper, a segmentation approach for liver region delineation is proposed, which is based on hysteresis thresholding followed by texture analysis with statistical moments. After that, the region growing method is applied to extract a hepatic vessel tree followed by hepatic vasculature refinement with multiple 3D structuring element shapes. The structure and morphology of the vascular network and its relationship with tumors and liver segments are of major interest to surgeons planning liver surgeries. Knowing the refined major vasculatures is important for surgeons to plan resection into liver segments for tumor treatment, and dissection into right and left lobes to assess accurate liver volume in determining donor suitability for liver transplantation. Therefore, an automated hepatic vessel segmentation scheme followed by vasculature refinement is recommended for planning tumor resections and living donor liver transplants. In addition, these vessel extraction and refinement methods combined with liver region segmentation techniques can also be applicable to extract tree-like organ structures such as carotid artery, renal artery, coronary artery, and airway paths from various medical imaging modalities.     

基于PST和多尺度高斯滤波的视网膜血管的分割

视网膜血管分割是眼科计算机辅助诊断和大规模眼科疾病筛查系统的基础。为辅助眼科医生进行眼底疾病的诊断，文中提出了一种基于相位拉伸变换(PST)和多尺度高斯滤波的视网膜血管分割方法。首先，将彩色眼底影像的绿色通道分量图进行增强预处理；然后采用不同尺度的高斯滤波器对预处理增强后的视网膜血管进行降噪处理，再结合PST边缘检测算法初步获得视网膜血管分割图；最后整合初步获得的视网膜血管分割图并进行形态学去噪，获得最终的视网膜血管分割图。通过在视网膜图像库DRIVE上进行实验，其平均准确率为93%，平均灵敏度达77%，平均特异性为95%，该实验结果验证了文中方法的有效性。     

多相期增强CT中肝内血管的自动分割

目的 在肝脏手术规划系统中,肝内精确的血管模型是实施肝脏分段和手术模拟的重要基础。为此提出一种基于多相期增强CT影像的肝内血管自动分割方法。方法 首先,采用各向异性滤波的方式减少图像上的噪声干扰。然后将图像灰度信息和汉森矩阵的特征值相结合,设计了一种新的滤波器,增强图像中的血管结构,以解决传统方法中血管连接处断裂的问题。最后,应用迭代式的自适应区域增长算法,进一步分割出增强图像中的血管。结果 使用5组临床上的真实数据测试算法的有效性,实验结果显示肝内血管由粗到细被完整分割出来。结论 本文肝脏CT血管分割方法,分别在不同尺度的增强图像对其进行处理,使得肝内血管从粗壮的主枝到细小的末端都能被很好地分割出来,能够获得正确的血管拓扑结构。     

基于两阶段区域生长的肝内血管分割算法

提出一种基于两阶段区域生长法的肝内血管分割算法。在第一阶段,使用三维区域生长法从CT图像序列中提取出肝脏,区域生长法的生长准则由均值和方差双阈值来决定。分别通过形态学运算和中值滤波对分割出的肝脏序列进行降噪处理。在第二阶段,再次利用区域生长法从已经得到的三维肝脏图像序列中分割出血管,区域生长法的生长准则仅由均值作为单阈值决定。对两阶段区域生长法的实验结果进行三维重建,与传统区域生长法的三维重建结果相比较,能够体现出该算法的准确性。     

定向区域生长算法及其在血管分割中的应用

针对医学图像中微细管道结构灰度连续性差,采用常规区域生长法进行分割容易丢失末梢的问题,提出一种定向区域生长算法,可以在生长过程中跨越管道结构中的低灰度 区域。算法向图像中已生长区域外灰度最高的方向进行生长,每次将一个体素加入已生长区域,将图像转变为一颗以种子点为根结点的树,再从叶子结点进行回溯以确定感兴趣区 域。对实现算法的数据结构进行了讨论。算法可以应用于任意维的图像。对2维和3维图像的测试结果表明,相对于常规的区域生长法,算法可以分割出更多的血管分支。算法对3维 图像的运行时间为秒钟量级,可以满足临床应用的要求。     

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.     

Retinal vessels segmentation based on level set and region growing

Retinal vessels play an important role in the diagnostic procedure of retinopathy. Accurate segmentation of retinal vessels is crucial for pathological analysis. In this paper, we propose a new retinal vessel segmentation method based on level set and region growing. Firstly, a retinal vessel image is preprocessed by the contrast-limited adaptive histogram equalization and a 2D Gabor wavelet to enhance the vessels. Then, an anisotropic diffusion filter is used to smooth the image and preserve vessel boundaries. Finally, the region growing method and a region-based active contour model with level set implementation are applied to extract retinal vessels, and their results are combined to achieve the final segmentation. Comparisons are conducted on the publicly available DRIVE and STARE databases using three different measurements. Experimental results show that the proposed method reaches an average accuracy of 94.77% on the DRIVE database and 95.09% on the STARE database.     

Retinal vessel extraction using dynamic multi-scale matched filtering and dynamic threshold processing based on histogram fitting

Automatic extraction of retinal vessels is of great significance in the field of medical diagnosis. Unfortunately, extracting vessels in retinal images with uneven background is a challenging task. In addition, accurate extraction of vessels with different widths is difficult. Aiming at these problems, in this paper, a new dynamic multi-scale filtering method together with a dynamic threshold processing scheme was proposed. The image is first divided into sub-images to facilitate the analysis of gray features. Then for each sub-image, the scales of the matched filter and the segmentation threshold are dynamically determined in accordance with the Gaussian fitting results of the gray distribution. Compared with the current blood vessel extraction algorithms based on multi-scale matched filter using uniform scales for the whole retinal image, the proposed method detects many fine vessels drowned by noise and avoids an overestimation of the thin vessels while improving the accuracy of segmentation in general.