改进的Fast Marching方法在医学图像分割中的应用

Fast Marching方法应用于医学图像分割取得了较好的分割结果,但是Fast Marching方法对边缘比较模糊的图像不能准确完整地分割出来。提出了一种结合像素间信任连接算法和Fast Marching方法的医学图像分割方法,首先用高斯滤波器对图像进行滤波,然后对图像用基于像素间信任连接的算法提取待分割图像中目标区域,取得较大的同质区,最后用Fast Marching方法对图像进行分割。实验结果表明,该方法对边缘模糊和目标内部存在伪边缘的医学图像能取得较好的分割结果。     

基于Level Set方法的医学图像分割

对图像分割进行了研究,这是医学图像处理中的关键问题之一。提出了一种结合Fast Marching算法和Watershed 变换的医学图像分割方法。首先用非线扩散滤波对原始图像进行平滑，然后利用Watershed算法对图像进行过度分割，最后用改进的Fast Marching方法对图像进行分割。除此之外，根据区域之间的统计特性的相似度重新定义了Fast Marching 方法的速度函数。实验结果表明，该方法能够快速、准确地得到医学图像的分割结果。     

图像分割在医学图像处理中的应用研究

图像分割是图像处理中的重要工作,医学图像的多样性和复杂性使其在图像分割中具有较大的难度。阈值法由于高效、简单而成为图像分割的重要方法,但对于复杂的医学图像,其效果并不很理想。Powell法是最好的直接搜索法,利用改进的Powell法可以更好地搜索目标。为此,提出了一种将Otsu法和Powell法相结合的图像分割方法,仿真实验表明,该方法可以快速有效地分割图像,鲁棒性强。     

医学图像分割算法的评价方法

对医学图像分割算法的客观评价是推进算法在临床上得到应用的关键。针对目前对医学图像分割方法的研究较多,而对分割算法的评价方法的研究却很少的问题,提出了一种判断和比较医学图像分割算法优劣的评价方法。首先对现有的几种评价方法进行了综述,并总结出了一套评价系统。可靠性、精确性、区域统计特性和效率是评价一个分割方法的4个重要参数,结合医学图像分割分别对它们的定义进行了说明。这些参数互相影响,评价分割算法时必须权衡这些指标,根据不同的应用背景赋予它们不同的权重。此外,还介绍了如何建立医学图像分割金标准数据库的方法。最后,通过Insight Toolkit（ITK)软件包中的两个算法例子,结合脑白质分割的医学背景,演示了如何利用本文评价系统来对这两种分割算法做出比较。实验结果表明,该评价方法可行,比较结果具有合理性。该研究为医学图像分割算法的评价提供了科学合理的方法,同时也指出了推动医学图像分割算法在临床上应用所应解决的问题。     

一种利用水平集的图像分割快速GPU并行算法

研究医学生物图像的快速分割问题。针对传统图像分割算法效率低、分割不准确的缺陷,提出一种利用水平集自动演化获得最优图像分割的方法。首先,定义水平集方程,并针对方程中不同分量进行分析,确定以图像灰度为依据的最优化算法;然后通过对差分方程的离散化,定义最优化算法的求解步骤,并使得该最优化计算方法能并行化处理。该方法可以有效地对医学图像进行分割,尤其适合并行化GPU处理,在确保图像分割质量的前提下,极大地提高了运算效率。     

一种基于主动轮廓模型的医学图像序列分割算法

介绍了一种结合live wire算法和活动轮廓模型的医学图像序列的分割方法.通过把live wire算法和图像分割中一般的区域增长方法结合,对传统live wire算法进行了改进,并用改进后的算法对医学图像序列中的单张或多张切片进行交互式地准确分割.然后计算机利用活动轮廓模型自动分割相邻的未分割切片.还通过在活动轮廓模型的边缘点中引入记录已分割物体边缘附近局部区域特征的灰度模型,把已分割切片中的物体与背景的局部区域特征带入相邻的未分割切片中,并用由灰度模型定义的区域相似性代替活动轮廓模型中的外能来引导边缘轮廓收敛到物体的实际边缘.最后介绍了一种基于live wire算法思想的简单的分割结果交互式修复方法.实验结果表明该算法仅需少量用户交互就能快速准确地从医学图像序列中分割出感兴趣的物体,在医学图像分析中具有实用价值.     

基于梯度的混合Mumford-Shah模型医学图像分割

针对C-V法的水平集图像分割法缺少局部控制能力等问题,将基于边缘的几何主动轮廓线模型和基于区域的C-V法两者结合起来,提出了基于梯度的混合Mumford-Shah图像分割模型HMSG。给出了HMSG模型的参数设置准则,在分割的初期加大模型中全局特征项的权值,在分割的后期则加大局部特征项的权值,以提高模型的图像分割能力。对合成图像与医学图像的分割实验结果表明,该方法优于C-V方法对于含有噪声和边缘模糊的非二值图像的分割,能够较为准确地提取图像边界,可以有效提高图像分割整体性能。     

基于数学形态学的医学图像分割方法研究

文章介绍了医学图像处理中的医学图像分割的有关概念和数学形态学进行图像分析的基本步骤,重点论述了几种医学图像分割方法和基于数学形态学的分水岭分割算法,并给出了该算法的优点。     

基于局部密度和偏移量的图像自动分割算法

图像分割是计算机视觉领域的传统问题,也是图像分析和模式识别的关键组成部分。提出了一种不依赖于图像分割数参数的图像自动分割算法。基于超像素间的测地距离,根据其定义的局部密度和偏移量,结合K-S假设检验来分析图像最佳分割数,并给出了图像自动分割算法。大量图像分割的实验结果表明:该方法可以准确地对图像进行自动分割,达到了较好的分割效果,相比其它方法,速度更快。     

基于曲面形变模型的心脏超声图像三维分割

心脏超声图像分割方法的研究对心血管疾病诊断有重要意义,传统方法受医学超声图像噪声影响较难获得准确的分割结果。本文研究提出曲面形变模型,通过改进三维外力场对曲面形变实现三维分割。本文方法分割后的图像轮廓能较好地逼近心脏腔体边缘,为心脏超声图像三维分割开辟了一条有效的途径。     

CT图像分割几种算法

图像分割在许多图像分析和图像识别过程中都是必需的步骤。目前,借助图像分割技术来进行医学影像处理正成为当今医学界的一个发展方向。本文正是在这一背景下对医学影像处理中的几种分割算法进行了研究,主要包括FastMarching分割算法、LiveWire分割算法、区域增长分割算法和阈值分割算法;同时,结合脑部CT片进行了实验研究,为这些算法在医学影像处理上的应用提供了一定的科学依据。     

一种基于数据融合的医学图像分割方法

针对一类纹理特征明显的医学图像,提出了一种融合纹理信息和灰度信息的图像分割方法,设计了基于金字塔结构的区域增长分割算法,该方法在区域内部结合使用纹理信息和灰度信息,在区域边缘部分则充分利用灰度信息,计算结果表明,该方法对某一类医学图像能够获得较好的分割效果。     

基于遗传模糊聚类的医学超声图像分割方法

医学超声成像技术以其实时性、无损性与廉价性等优点被广泛应用于医疗诊断,但由于其固有的斑点噪声和与组织相关的纹理特性使得医学超声图像的分割一直是一个难题。模糊C均值聚类算法（FCM）具有较强的抗噪声能力,能够较好地完成医学超声图像的分割任务,但其局限性在于对聚类中心的初值较敏感,当随机选取初始聚类中心时,很有可能使分割过程陷入局部极小,影响分割结果。利用遗传算法（GA）能够寻找全局最优解的特点,提出一种基于遗传算法寻找初始聚类中心的模糊聚类方法,应用于医学超声图像分割并取得了良好效果。     

基于特征距离的阈值法及其在眼科图象分割中的应用

医学图象的识别与分析能够为临床提供定量比的诊断依据,而图象分割是其中最关键的一步。为提高医学图象侵分割效果,提出了一种基于特征距离的阈值分割算法,并将其与颜色特征分类相结合,来对眼科裂隙灯生物显微镜图象上的角膜充血区进行分割,分割结果可用于角膜充血区的定量体分析,另外,该算法中的样本典型值是通过一种三维直方图分块算法来确定的,实验结果表明,该算法可以有效地分割出角膜充血,其分割效果优于欧氏距离阈值法,且分析数据的精度能够达到临床诊断的要求。     

改进的遗传算法在医学图像中的应用

针对标准的遗传算法（ GA）在优化Otsu法求取图像阈值时出现收敛速度慢、易早熟等问题,提出了一种改进的GA用于图像分割。该算法根据种群不同的进化代数和个体适应度的大小,动态地调整精英选择策略和遗传算子,从而提高了算法的收敛速度、得到了范围稳定的图像分割阈值,且保持了种群多样性。将该算法应用于医学图像分割,实验结果表明：该算法可以对医学图像进行分割且效果明显。     

基于模糊集理论的医学图像分割的应用

图像分割是医学图像处理、分析、研究的基础。由于人的视觉特性和数字图像本身所具有的模糊性,使得图像分割问题是典型的结构不良问题。而模糊集合论具有描述不良问题的能力,模糊集理论应用于图像分割是针对图像模糊性非常有效的方法。对近年来基于模糊集理论的医学图像分割技术的应用和发展进行了综述和讨论,展望了基于模糊集理论的医学图像分割技术的前景和面临的挑战。     

基于局部区域信息的医学图像分割及偏移场矫正方法

针对医学图像中由于偏移场的存在而导致图像灰度不均匀的问题,提出了一种基于局部区域信息的医学图像分割及偏移场矫正方法,以矫正偏移场使图像变为灰度均匀。该方法利用图像局部区域信息,通过拟合图像和原始图像构造能量函数,采用变分水平集方法进行求解。实验结果表明,该方法能够有效地实现医学图像分割及偏移场矫正,与其它分割及偏移场矫正方法相比,该方法具有较高的分割及偏移场矫正的精度和效率。     

基于区域特征的交互式图像分割方法及其应用

交互式图像分割方法因其能够处理复杂的图像而得到了广泛的研究.文章提出了一种基于代理机模型的交互式图像分割方法.代理机是完成特定功能的模块,它通过控制界面和汇报界面实现与操作者的交互.该代理机以欲分割区域的特征作为其组成部分之一.该方法在医学图像分割问题中的应用取得了较好的结果.