基于自适应阈值的三维SD-OCT糖网亮斑分割

糖尿病视网膜病变是糖尿病严重的微血管并发症,硬性渗出是其病变表现之一,而频域光学相干断层（SD-OCT）视网膜图像中的高信号亮斑与硬性渗出有着紧密联系。为了能够准确定位糖尿病性视网膜病变图像中的这类病损信息,提出了一种自动分割亮斑的方法。提取亮斑分为四个步骤：使用双边滤波对图像去噪;使用基于图论的层分割算法来限制亮斑所在区域;在自适应阈值法产生的整体阈值及单帧阈值间选择大阈值帧数更多的作为基础进行第一次三维区域生长;将上一步得到的图像在另一阈值产生的种子图像范围内进行第二次区域生长。选取20只患有糖网的眼睛进行实验,自动分割的亮斑面积覆盖率较现有方法提高了约7%。     

基于自适应阈值的舌像分割方法

中医舌诊是目前医学领域的重要前沿课题之一,而舌体轮廓的正确分割是实现中医舌诊信息化的重要前提,目前主流的阈值分割方法对对比度较小的舌像仍不能实现很好的分割。为此提出了一种舌像的自适应阈值分割算法,该算法是以VC＋＋为开发平台,首先把图像分成多个子块,然后运用迭代的方法计算每个子块的最佳阈值,根据每个局部最佳阈值构成的阈值矩阵进行分割。实验结果表明,该算法对背景和目标分界不明显的舌像有很好的分割效果,对中医舌诊的继续发展有很强的现实意义。     

基于三维限制区域生长的SD-OCT中浆NRD病变区域分割

中浆(CSC)病变区域的大小对于病变的诊断及研究有着关键的作用,而视网膜神经上皮层脱离(NRD)形态在中浆病变中最为普遍且病变程度最为严重,因此快速准确地分割出NRD病变区域十分重要。给出一种全自动的频域光学相干断层(SD-OCT)中浆NRD病变分割方法。首次在三维空间进行NRD病变分割,将二维图像上的病变区域分割问题转化为三维空间的体分割问题,充分利用了数据的三维结构信息,提高了分割精度。18组中浆NRD病变的SD-OCT图像的实验结果表明:该算法能够准确分割出中浆NRD病变,且平均覆盖率高达89.5%。与其他4种分割方法相比,所提方法精度最高且耗时最短,在临床应用与研究中具有极大的优势。     

基于自适应区域生长的乳腺肿块分割方法

乳腺X图像中肿块特征的复杂多变,给肿块的分割带来了很大困难,区域生长为肿块分割提供了一种比较可靠的方法。传统的区域生长由于生长次数和准则比较单一,就会出现较多的过生长和欠生长,从而影响其分割精度和可靠性,针对这一问题,提出了一种利用自适应区域生长对乳腺肿块进行分割的方法。对肿块感兴趣区域进行背景去除和领域抑制得到预处理后的图像,利用预处理后图像各像素个数确定区域生长的种子点,再利用肿块图像的梯度分布及变化趋势确定自适应区域生长是否过边缘,从而确定最佳生长准则。实验结果表明,相对于三层地形分割算法及模型分割算法,自适应区域生长算法分割得更准确、可靠。     

基于自适应区域生长算法的肝脏分割

把肝脏器官从医学图像中提取出来,为肝脏的三维重建及最终的仿真手术模拟提供正确的数据。针对腹部CT图像中脏器组织多、图像纹理结构复杂、灰度差别小、边缘不明显等特点,提出一种改进的自适应区域生长分割算法。该算法基于两个局部参数：待生长点的局部平均灰度和局部平均梯度,对传统区域生长算法的生长准则进行了改进。实验结果表明,得到的肝脏分割结果比传统区域生长算法分割结果更精确,可以为后续的肝脏三维重建及仿真手术提供准确的数据。     

基于局部自适应阈值的细胞图像分割方法*

为了实现对细胞图像的有效分割,提出了一种自适应的图像分割算法。该算法首先将整幅图像分为若干子块;然后计算每个子图像的梯度直方图,对每幅子图像进行Otsu分割;最后还考虑图像中噪声的影响,采用形态学噪声滤波器去噪。实验结果表明,该算法对细胞图像细节有很好的区分和分割,适用于背景与目标对比不是很明显并具有一定噪声的图像。     

RBF神经网络和阈值分割实现视网膜硬性渗出自动检测

为自动检测出眼底图像中的硬性渗出,构建眼底图像的糖尿病视网膜病变自动筛查系统,提出一种基于RBF神经网络和阈值分割的硬性渗出自动检测方法.首先,利用基于最小类内离散度的改进Otsu分割方法对眼底图像绿色通道进行粗分割获取病灶候选区域;然后,利用logistic回归对候选区域的多个特征进行选择;最后,利用候选区域的优化特征集及相应判定结果建立RBF神经网络;此外,提出采用后处理以进一步提高检测精度.利用本文方法对50幅不同颜色、不同亮度的眼底图像进行硬性渗出自动检测,得到图像水平灵敏度100％,特异性90.9％,准确率96.0％;病灶区域水平灵敏度93.9％,阳性预测值95.5％;平均每幅图像处理时间13.6 s.结果表明本文方法稳定可靠,能快速有效地自动检测出眼底图像中的硬性渗出.     

基于窗口最大值和自适应阈值的视频镜头分割算法

本文对典型视频镜头分割算法进行分析,提出基于窗口最大值和自适应阈值的镜头分割算法.对该算法的系统结 构、特征参数、检测依据、自适应阈值及算法的实现进行了分析,用十段视频进行实验,结果表明,该算法的分割效果比较明显.     

基于模糊阈值的自适应图像分割方法

针对现有的图像分割中自适应分割方法的研究难点,以及传统的模糊阈值分割法中存在窗宽不能自动获取的问题,在确定隶属函数的前提下,以图像的直方图为依据,利用分段计算和反变换的方法,提出了一种自适应模糊阈值的图像分割方法,并将该方法应用于机场目标的分割;该方法实现其窗口宽度的自适应选取,并且有效改善了模糊阈值法对直方图呈不明显双峰的图像分割困难的缺点,拓展了模糊阈值图像分割方法的适用范围,改善了模糊阈值分割方法的分割效果;实验结果表明,该方法对直方图呈单峰和多峰分布的的图像有较好的分割效果和效率。     

基于自适应局部阈值的交互式图像分割

目前比较主流的交互式图像分割技术,对用户的输入位置和输入量比较敏感,而且用户的输入具有试探性,所以为了得到满意的分割结果,用户不得不多次调整自己的输入,比较繁琐。针对这种不足,提出一种新的交互式图像分割方法。首先采用基于自适应局部阈值的图像分割算法,生成一系列同质区域,并描绘出其轮廓;然后用户用不同颜色,粗略标记出组成不同目标的区域集;最后通过合并同色标记的区域集,完成图像分割。实验结果表明,该算法不仅满足用户对交互式图像分割输入更直观、结果更准确的需要,同时方便地实现了多区域多目标的图像分割。     

应用多尺度三维图搜索的SD-OCT图像层分割方法

频谱域光学相干层析技术(SD-OCT)是一种广泛应用于眼科领域的成像技术,视网膜组织层分割对视网膜疾病诊断起着至关重要的作用。传统的三维图搜索方法能够同时分割k(k≥1)个三维面,但其存在时间复杂度高、分割病变图像鲁棒性弱等问题。在传统三维图搜索模型的基础上引入多尺度思想,提出应用多尺度三维图搜索的SD-OCT视网膜图像分割方法。首先根据每个组织层的特点,为每层构造一个合理的顶点权重;然后利用相邻列的最大与最小高度差构造列约束限制,改进表面的平滑约束条件;最后利用低尺度的图像,应用三维图搜索方法进行粗分割,逐步向高一尺度应用三维图搜索方法进行单表面细分割。使用改进算法对3组正常眼睛及1组老年黄斑变性视网膜图像进行分割,并将结果与手动分割及传统三维图搜索方法进行比较,实验结果表明,改进算法能够准确有效地分割出3个层边界(边界位置绝对误差是3.86±2.50μm),并且接近于手动分割结果(3.78±2.76μm),优于传统三维图搜索方法(7.92±3.31μm)。     

基于图象腐蚀和区域生长的矸石图象分割算法

在实际的矸石分选过程中,要求的目标主要是将大块的矸石分选出来。但是,在拍到的胶带运行过程图片中,往往夹杂着很多小的煤颗粒或是矸石颗粒,如果不滤除掉这些小的颗粒,会影响矸石分选的效果和效率。针对上述问题,提出了一种融合图象腐蚀和区域生长的矸石图象分割算法。该算法首先对采得的原始图象进行图象压缩,然后对压缩的图象进行直方图均衡化,通过设定合适的腐蚀半径对原图象采取图象腐蚀处理,并选择合适的种子和阈值对腐蚀后的图象进行区域生长,最后将处理后的图象和原图象做"与"运算,得到边缘清晰的大块矸石图象。仿真结果表明,该算法能有效分割出大块矸石,且经图象腐蚀后的区域生长阈值的取值范围明显变大,对其它边缘模糊图象具有一定的参考作用。     

基于区域增长法的三维支气管树分割算法

虚拟内窥镜在胸部疾病诊断方面占据重要的地位,通常支气管树分割方法存在分割结果不准确和分割漏洞问题,因此提出基于区域增长法的支气管树分割算法。首先通过区域增长法进行主干分割,然后对细小分支进行获取,并通过质量评价函数对细小分支进行筛选,删除伪分支。实验结果表明,该支气管树分割法可以简单、有效地提取出完整的肺支气管树,得到包含第5级以上的支气管,解决支气管断裂和分割漏洞现象,具有较好的鲁棒性。     

基于小区域增长的MDCT图像分割

提出了一种基于小区域增长的分割算法对人体肝脏的MDCT医学图像进行分割。先把三维人体肝脏的MDCT图像变成一系列二维图像;再对每个二维图像分配多个种子点,从每个种子点出发进行小区域增长;最后,把每个二维图像分割的结果整合成三维肝脏图像。实验结果表明了该算法的准确性和可行性。     

基于改进MobileNetV2神经网络的视网膜OCT图像多分类

光学相干断层成像(optical coherence tomography, OCT)是一种具有无接触、高分辨率等特点的新型眼科医学诊断方法, 现在已经作为医生临床诊断眼科疾病的重要参考物, 但人工分类疾病费时费力, 视网膜病变的早期发现和临床诊断至关重要. 为了解决该类问题, 本文提出了一种基于改进MobileNetV2神经网络对视网膜OCT图像多分类识别方法. 此方法利用特征融合技术处理图像并设计增加注意力机制改进网络模型, 二者在极大程度上提高OCT图像的分类准确率. 与原有算法相比, 分类效果具有明显提升, 本文模型的分类准确率、召回值、精确度、F1值分别达到98.3%、98.44%、98.94%、98.69%, 已经超越人工分类的准确率. 此类方法不仅在实际诊断中加快诊断流程、降低医生负担、提高诊断质量, 同时也为眼科医疗研究提供新的方向.     

基于SLIC和区域生长的目标分割算法

传统区域生长算法的分割结果依赖于种子点的选取,且图像自身的噪声以及灰度值不均匀等问题易在分割目标过程中形成分割空洞,针对以上问题提出了基于超像素的改进区域生长算法。采用拉普拉斯锐化,增强待分割目标边界,之后根据像素灰度相似的特征采用SLIC（简单线性迭代聚类算法）超像素分割将原始图像分割成若干不规则区域,建立不规则区域间的无向加权图,选取种子区域,根据无向加权图以分割好的不规则区域为单位进行区域生长,最后在分割目标边缘处以像素为单位做区域生长,细化边界。对比于传统区域生长算法,改进后的算法在分割结果上受种子点选取影响较小,且能有效地解决分割空洞等问题。对比于聚类分割,Otsu（最大类间方差）阈值分割法等典型算法,该算法在分割精度上具有明显优势。     

HSI和区域生长结合的火灾图像分割方法

森林火灾图像分割是火灾特征和识别的重要前提,其分割结果将直接影响到火灾识别的准确率。针对常用的图像分割方法进行了分析,在此基础上提出了HSI模型和区域生长结合的森林火灾图像分割方法。该方法首先将原图像转换到HSI空间,提取图像中H、S、I分量;然后在原图像中选取种子,并对其H、S、I分量图像进行区域生长;最后对各分量区域生长后的图像进行合并,最终得出分割图像。并与常用分割方法仿真结果进行了比较,试验结果表明：该算法对森林火灾分割精度高、抗扰性好且应用范围广泛,对森林火灾分割、识别具有重要意义。     

基于端到端深度神经网络和图搜索的OCT图像视网膜层边界分割方法

视网膜层边界的形态变化是眼部视网膜疾病出现的重要标志, 光学相干断层扫描(optical coherence tomography, OCT)图像可以捕捉其细微变化, 基于OCT图像的视网膜层边界分割能够辅助相关疾病的临床判断. 在OCT图像中, 由于视网膜层边界的形态变化多样, 其中与边界相关的关键信息如上下文信息和显著性边界信息等对层边界的判断和分割至关重要. 然而已有分割方法缺乏对以上信息的考虑, 导致边界不完整和不连续. 针对以上问题, 提出一种“由粗到细”的基于端到端深度神经网络和图搜索(graph search, GS)的OCT图像视网膜层边界分割方法, 避免了非端到端方法中普遍存在的“断层”现象. 在粗分割阶段, 提出一种端到端的深度神经网络—注意力全局残差网络(attention global residual network, AGR-Net), 以更充分和有效的方式提取上述关键信息. 具体地, 首先设计一个全局特征模块(global feature module, GFM), 通过从图像的4个方向扫描以捕获OCT图像的全局上下文信息; 其次, 进一步将通道注意力模块(channel attention module, CAM)与全局特征模块串行组合并嵌入到主干网络中, 以实现视网膜层及其边界的上下文信息的显著性建模, 有效解决OCT图像中由于视网膜层形变和信息提取不充分所导致的误分割问题. 在细分割阶段, 采用图搜索算法去除AGR-Net粗分割结果中的孤立区域或和孔洞等, 保持边界的固定拓扑结构和连续平滑, 以实现整体分割结果的进一步优化, 为医学临床的诊断提供更完整的参考. 最后, 在两个公开数据集上从不同的角度对所提出的方法进行性能评估, 并与最新方法进行比较. 对比实验结果也表明所提方法在分割精度和稳定性方面均优于现有方法.