基于Matlab的肝脏CT图像预处理系统

目的：依据肝脏CT图像的特征,通过预处理,建立提高肝脏病理改变阳性的临床诊断的敏感性,减少漏诊发生率。方法：基于Matlab对肝脏CT图像进行预处理,通过滤波、增强等手段减少数字图像噪声及伪影。结果：通过处理,图像的对比度增加,差异显示不同的组织及结构特征,肝脏病理改变的阳性诊断率上升30%（20.15%）,漏诊率大幅度下降。结论：基于Matlab对肝脏CT图像进行预处理对提高临床诊断水平效果良好,可以提高青年医务工作者诊断的阳性信息,减少漏诊的发生。     

改进的Fast Marching肝脏分割方法

为提高肝脏分割效率、改善分割效果,针对传统Fast Marching(FM)方法固定参数值T对肝脏分割结果的影响,提出了一种改进的FM肝脏分割方法。根据对腹部CT图像序列的肝脏区域灰度统计信息,估算出每幅图像上肝脏区域大小,进而自适应调整FM中的到达时间参数T,有效消除传统的固定参数值对分割效率和准确率的影响。对10套腹部CT图像序列的实验结果表明,该方法能够全自动、快速、准确的分割出肝脏区域。其中,处理单副CT图像所需的平均时间为0.3s,平均准确率为97%,其高效性、准确性为临床诊断和手术导航提供了有利信息。      

一种带预处理的RANSAC图像拼接算法

针对RANSAC算法由于迭代次数过多、精确度不高所造成的计算量增大,拼接效果不好等方面的不足。本文提出了一种带预处理的RANSAC图像拼接算法,包括图像的特征提取与粗匹配,预处理,变换矩阵的求解,图像配准和图像融合等步骤。文中重点论述了预处理的思路和方法:采用Delaunay三角剖分得到的拓扑图对数据集进行筛选,然后用欧氏距离选择RANSAC算法的初始点。通过设计拼接算法的流程和基于Matlab的实验仿真,证明该方法不但有效而且较直接RANSAC图像拼接算法减少了迭代次数、缩短了计算时间,显著提高了拼接效率。     

多帧CT图像数据的测序数据挖掘与规律分析

针对多帧CT图像进行病理诊断中容易出现数据挖掘信息冗余导致误判的问题,提出一种基于CT图像序列关联轮廓线特征提取及批处理的多帧CT图像数据的测序数据挖掘方法。首先对采集的多帧CT图像进行去噪和特征优化处理,然后采用Sobel算子模板进行CT图像测序数据的模板匹配,基于边缘先验知识进行轮廓线套索搜索,并采用连续批处理方法进行多帧CT图像的连续测序数据挖掘与分析,提高处理效率。最后进行仿真分析,结果表明,采用该方法进行多帧CT图像处理,能准确提取图像轮廓线特征,实现测序数据的准确挖掘,且运算效率较高。     

基于标准剂量CT图像非局部权值先验的低剂量图像恢复

本文提出一种基于标准剂量CT图像非局部权值先验的低剂量图像恢复方法,该方法首先将先前标准剂量图像与低剂量CT图像配准,并对低剂量CT图像进行预处理以抑制部分噪声,随后利用非局部均值的思想计算配准后的先前标准剂量CT图像的权值矩阵,基于该权值矩阵对预处理后的低剂量CT图像进行加权均值滤波.仿真实验和临床脑灌注数据实验表明,本文方法在消除低剂量CT图像噪声和伪影的同时,还可提升图像分辨率,对临床脑灌注CT扫描的疾病诊断中尤为有效.     

像素分割联合深度双分支模型辅助诊断新冠CT图像

基于医学肺部影像开发智能诊断新冠肺炎的深度学习方法能够减轻大量医护人员的工作,且能够提供可靠的准确性,然而深度学习方法的高准确性通常依赖于数据样本的质量.在自然界存在的医学图像数据的来源和处理过程并不单一,数据样本差异性较大和质量不佳会增大深度学习模型提取关键特征的难度,有效的数据预处理和合适的模型设计十分关键.基于肺部CT图像,本论文提出一种像素分割联合双分支模型ReSWNet辅助诊断新冠肺炎感染.该方法首先训练像素分割模型进行分割预处理,实现肺部CT图像无关背景的剔除,然后通过结合了卷积神经网络和自注意力模型优缺点的双分支模型进行肺炎诊断.通过在COVID-CT数据集上对该方法进行验证表明,在诊断准确率、召回率和F1分数等性能指标方面,该方法较基线模型分别提高了8.6%、16.05以及7.71%,最后采用可视化结果热力图为诊断提供了可解释性.     

多阈值和标记分水岭相融合的肺部CT图像分割方法

针对肺部CT图像因各组织灰度不均匀、结构复杂等因素造成双肺边界难以准确分割的问题,提出了一种多阈值和标记分水岭相融合的肺部分割方法。首先采用多阈值法对肺部CT图像进行粗分割,并去除图像中气管与主支气管;然后采用标记控制分水岭方法进行精分割,并利用形态学运算对肺实质边缘修补,最后采用临床肺CT图像在Matlab 2012平台上对算法性能进行仿真测试。结果表明,本文方法可以较好保留肺部CT图像的边界信息,提高了肺部CT图像分割精度,误分和错分概率大幅度下降,取得了十分理想的分割结果,为肺部疾病临床医学诊断提供了有价值的参考信息。     

基于区域的肝脏病灶CT图像分割及实现

人体肝脏图像的分割是医学图像分割中的难点,分割结果的好坏直接影响医生对病人的诊断结果。在分析肝脏CT图像的特点的基础上,重点研究了独立连接阈值法及实现了对CT肝脏图像中肝脏病灶组织结构的分割。实验结果表明,该方法能非常理想的将目标与背景分开,过分和漏分情况较少,且计算简单易于实现。     

改进SPIHT算法对医学图像的压缩

医学图像是医学诊断和疾病治疗的重要根据。为了实现图像的存储和远程医疗中快速传输图像的要求,必须对图像进行压缩。先分析CT医学图像经过小波变换后系数的统计特性,在基于小波变换的基础上,用SPIHT算法对CT医学图像进行压缩编码。提出了2种针对CT医学图像压缩编码改进的SPIHT算法。一是细化扫描产生的有效值,二是将小波变换后系数的低频近似部分按二进比特进行传输。用Matlab进行仿真,仿真结果表明改善了峰值信噪比。     

医学超声图像处理系统

超声图像诊断是与X线CT、同位素扫描、核磁共振等一样重要的医学图像诊断手段。根据肝脏超声图像进行脂肪肝的诊断,是病变确诊的主要方法。但是,与CT和核磁共振等医学图像相比,超声图像的图像质量较差,目前的诊断以定性为主,受主观因素影响较大。以图像分割为基础,以VC语言为工具,建立了超声图像处理系统,对超声图像进行了二值化处理,并对处理结果进行了量化,为诊断提供了依据。     

基于变差函数的红外图像预处理算法

提出一种基于变差函数的红外背景图像预处理算法。通过分析红外目标、背景及噪声的变差函数特性,采用变差函数对红外图像进行纹理分析,研究基于变差函数的目标检测预处理算法。实验表明:此算法对空间和时间相关性强的云背景具有良好的抑制作用,能有效地提高目标信杂比。     

基于病理图像集成深度学习的胃癌预后预测方法

病理图像分析对胃癌的诊断和预后具有重要意义，但在临床应用上仍然面临着目视阅片一致性低、多分辨率图像差异大等挑战。为此，该文提出一种基于病理图像集成深度学习的胃癌预后预测方法。首先，对患者不同分辨率下的病理图像进行切分、筛选等预处理；然后，采用ResNet, MobileNetV3, EfficientNetV2深度学习方法分别对不同分辨率下的切片(Tile)进行深度特征提取和融合，以此获得患者层面(Patient-level)的单分辨率子分类器预测结果；最终，采用双重集成策略对不同分辨率下异质子分类器预测结果进行融合以获得患者层面的预后预测结果。实验中收集了250例胃癌患者的组织病理图像，并以远处转移预测为例进行验证，实验结果表明，所提方法在测试集上的预测准确率为89.10%，敏感度为89.57%，特异度为88.61%，马修斯相关系数为78.19%，相比于单模型预测结果获得了显著提升，可为胃癌患者的治疗和预后提供重要参考。     

基于云计算的图像分类算法

针对单一单板机的图像分类效率低的缺陷,提出一种基于云计算的图像分类算法。首先通过特征提取算法提取图像的多种特征,然后采用Map/Reduce模型对图像进行匹配和分类,根据匹配结果得到图像的最优分类结果,最后采用Matlab软件实现图像分类的仿真实验。结果表明,相比于其他图像分类算法,该算法减少了图像的分类时间,提高了图像的分类速度,尤其对大规模图像分类优势更加明显。     

基于级联网络的肝脏肿瘤CT图像分割

肝脏肿瘤计算机断层扫描（Computed Tomography,CT）图像分割是肝癌诊断与治疗过程的重要环节。近年来,基于U型结构的卷积神经网络在该分割任务取得了巨大的成功,但仍存在一些挑战,如肿瘤边界分割不精确、小肿瘤难以检测等。为提高肝脏肿瘤的分割精度,提出一种级联网络MCPUNet用于肝脏肿瘤分割任务。MCPUNet引入MDB(MDconv Block)和MP(Mixing Pooling)以获取上下文信息,MDB通过混合深度可分离卷积和坐标注意力机制提取图像的多尺度特征,MP用于下采样减少图像尺寸。实验证明,与原始的U-Net模型相比,该模型在肝脏肿瘤分割任务上的交并比（Intersection over Union,IoU）、准确度和召回率指标分别提高3.8%、2.5%和2.0%,为肝癌诊断和治疗提供了可靠依据。     

基于SIFT算法的医学CT图像配准

医学CT图像的配准一直以来都是医学图形分析与处理中的研究热点之一,对临床诊断具有非常重要的作用。SIFT算法是一种快速、有效的图像匹配算法,该算法是基于图像的光照、旋转、尺度以及仿射变换不变性,在基于特征点的医学CT图像配准中具有较高的实用价值。针对医学CT图像配准时匹配特征点数目较少,从而导致估算图像变换参数时精度较低的情况,本文采用结合边缘点集匹配的SIFT算法进行医学CT图像配准,取得了良好的效果。     

复杂背景的红外图像过渡区提取与分割

摘要：在基于个数判断噪声的中值滤波器进行平滑处理的基础上,提出了一种改进的过渡区提取方法,并将该方法应用于对比度低、宽谷直方图的复杂背景红外图像的分割。Matlab仿真实验表明,该方法减少了图像分割的运算量,并能将具有复杂背景的红外图像目标分割得较好。     

基于改进模糊聚类算法的CT图像病变区域分割

针对CT图像病变区域存在的欠分割和过分割问题,提出基于融合空域滤波器的改进模糊聚类算法。对CT图像进行预处理,将CT图像变换成通用图像,使输入图像具有一致直方图灰度分布,用区域生长方法标记和过滤非目标病变区域,获取脑部CT图像目标病变区域。通过改进的空域滤波器对噪声图像进行滤波去噪,对模糊聚类算法的目标函数和迭代公式融入空域滤波数据项确定隶属度矩阵,完成CT图像病变区域的分割。实验结果表明,所提方法在人脑CT图像血块区域进行分割过程中,具有较高的分割效率和精度,对噪声具有较高的鲁棒性。     

基于颌面部CT图像重建的信息提取研究

近年来,随着现代计算机技术及图形图像技术的迅速发展,图像处理与分析技术开始广泛应用于医学图像的重建.本文实现对颌面部二维计算机断层扫描图像(computed tomography,CT)的读取与显示,进行中值平滑与增强等预处理,再基于阈值法分割图像,然后应用本文改进的基于序列图像的面绘制、体绘制算法,将对象进行可视化设置,实现三维模型的放缩、测量、剖切交互操作,最后应用该重建模型提出一种下颌骨线拟合方法.实验证明,本文方法较传统方法优化重建质量,保留更多完整细节,提高重建效率,在辅助诊断、手术引导、临床教学等领域具有一定的应用价值.     

结合数学形态学和图像融合的边缘检测算法

工业CT图像边缘检测是工业CT图像处理中一项十分重要的工作和预处理步骤,图像的最终处理结果取决于边缘检测的优劣程度。本文首先介绍了几种经典的图像边缘检测方法,并用这几种算法对工业CT图像进行了计算机仿真。通过对仿真结果的对比和分析,作者提出了基于数学形态学和图像融合相结合的图像边缘检测算法MDY并在ImageJ软件上编程实现。实验结果表明该算法能够有效地抑制噪声,完整的检测边缘,且优于其他传统边缘检测算法。     

基于非局部自相似图像块字典学习的伪CT图像预测

随着PET/CT技术的日益发展,其被广泛应用于现代放射治疗。但在采集数据过程中,对人体放射时间较长,辐射当量较大,增加了患者的痛苦,因此人们希望减少CT扫描中X射线的辐射。为解决这一问题,本文提出基于非局部自相似图像块字典学习的伪CT图像预测方法。首先,对训练CT与MRI图像进行图像分块,通过块匹配算法聚类CT图像块,并提取CT与MRI图像块的多尺度特征。其次,通过字典学习,获得MRI图像与CT图像的映射关系矩阵,并对CT图像块进行预测。最后,通过重构算法,从目标MRI图像中得到预测CT图像。仿真实验证明了提出算法相对基于图谱集算法的有效性,以及在现代放射治疗中利用MRI图像替代CT图像的应用前景。