结合非局部信息的脑MR图像分割与偏移场恢复耦合模型

磁共振图像由于成像机制的影响往往导致图像中含有噪声和偏移场,使得传统方法很难得到较好的分割结果.为此,在模糊C均值模型的基础上提出一种分割与偏移场恢复耦合模型.首先构建基于非局部信息的邻域正则项,使得在降低噪声影响的同时能有效地保留图像结构信息;其次在模型求解时引入人工蜂群算法,使得模型能快速逼近凸优解.实验结果表明,该模型对噪声和偏移场均具有较好的鲁棒性,可得到较准确的分割和偏移场矫正结果.     

改进的非局部FCM脑核磁共振图像分割与偏移场恢复耦合模型

核磁共振图像技术可用于对疾病的辅助诊断,然而受成像机制的影响往往图像中含有噪声以及偏移场,使得传统的模糊C均值(FCM)算法很难得到较好的分割结果.为此,提出一种基于FCM算法的分割与偏移场恢复耦合模型.首先将偏移场耦合到模型中,以降低灰度不均匀对分割的影响;其次将非局部信息融入模型中,使其在降低噪声影响的同时还能保持细长拓扑结构区域信息;最后引入隶属度正则项,以降低隶属度在过渡区域的影响,改善模型的分割效果.实验结果证明,文中模型对噪声具有较好的鲁棒性,并且在分割过程中能较好地恢复图像偏移场,得到较理想的分割结果及偏移场估计.     

局部熵驱动的生物医学图像分割偏移场恢复耦合模型

为降低噪声影响同时恢复图像偏移场,提出一种基于局部熵信息的分割与偏移场恢复耦合模型.该模型在水平集理论的整体框架下将局部熵引入耦合模型,进而将其改造成全局凸函数,并利用Split-Bregman方法求得全局最优解.实验结果表明,文中模型可以准确、快速地分割灰度不均匀图像,同时可较好地恢复出图像的偏移场信息,对初始曲线和参数也具有较好的鲁棒性.     

改进的核磁共振图像分割与偏移场恢复耦合模型

生物医学图像分析可以辅助医生诊断疾病,然而,图像中常含有噪声以及灰度不均匀现象,使得传统的图像分割方法不能得到满意的结果。针对这些问题,构造一种基于图像区域信息的偏移场恢复耦合模型,使得模型可以在分割的同时恢复出图像偏移场。为了得到全局最优解并提高算法效率,将该模型改进成1范数下的凸函数,并使用基于Split-Bregman方法对该耦合模型进行快速求解。实验结果表明,本文方法可以降低噪声和灰度不均匀的影响,得到较准确的分割结果和偏移场信息,而且大大地降低了计算复杂度。     

自适应尺度的局部强度聚类图像分割模型

针对传统活动轮廓模型无法精确分割强度不均匀图像，并且对尺度参数比较敏感的问题，提出了一种基于区域信息的自适应尺度的活动轮廓模型。根据图像的局部熵构建自适应尺度算子，利用图像的局部强度聚类性质构建能量函数。使用一组平滑基函数的线性组合来表示偏移场，这样可以增加模型的稳定性。通过最小化该能量，所提模型能够同时分割图像和估计偏移场，并且估计的偏移场可以用于强度不均匀校正。实验结果表明，与其它4种模型相比，该模型拥有更高的分割精确度，且分割结果对水平集函数的初始化和噪声具有鲁棒性。     

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。     

局部区域拟合的快速水平集图像分割方法

目的 由于灰度不均匀图像在不同目标区域的灰度分布存在严重的重叠,对其进行分割仍然是一个难题;同时,图像中的噪声严重降低了图像分割的准确性。因此,传统水平集方法无法鲁棒、精确、快速地对具有灰度不均匀性和噪声的图像进行分割。针对这一问题,提出一种基于局部区域信息的快速水平集图像分割方法。方法 灰度不均匀图像通常被描述为一个分段常数图像乘以一个缓慢变化的偏移场。首先,通过一个经过微调的多尺度均值滤波器来估计图像的偏移场,并对图像进行预处理以减轻图像的不均匀性;然后,利用基于偏移场校正的方法和基于局部区域信息拟合的方法分别构建能量项,并利用演化曲线轮廓内外图像灰度分布的重叠程度,构建权重函数自适应调整两个能量项之间的权重;最后,引入全方差规则项对水平集进行约束,增强了数值计算的稳定性和对噪声的鲁棒性,并通过加性算子分裂策略实现水平集快速演化。结果 在具有不同灰度不均匀性和噪声图像上的分割结果表明,所提方法不但对初始轮廓的位置、灰度不均匀性和各种噪声具有较强的鲁棒性,而且具有高达94.5%的分割精度和较高的分割效率,与传统水平集方法相比分割精度至少提高了20.6%,分割效率是LIC（local intensity clustering）模型的9倍;结论 本文提出一种基于局部区域信息的快速水平集图像分割方法。实验结果表明,与传统水平集方法相比具有较高的分割精度和分割效率,可以很好地应用于具有灰度不均匀和噪声的医学、红外和自然图像等的分割。     

一种基于遗传算法的脑MR图像去偏移场模型

由于磁共振图像(magnetic resonance images,MRI)常含有偏移场而影响后继图像分割,针对这种图像的分割,采用Legendre多项式基函数来拟合偏移场,可以去除偏移场对图像分割的影响。当使得恢复图像的信息熵达到最小时,则求得的偏移场最优。在求偏移场的过程中,需要求解基函数的参数,由于传统的梯度下降法易陷入局部最优,为解决此问题,提出将遗传算法引入到参数求解过程中,然而传统的遗传算法不仅时间复杂度高,且易陷入局部最优,为此需对遗传算法进行改进,使得不仅更容易得到全局最优解,且时间复杂度较低。实验证明,该改进算法可以得到精确的偏移场,并可得到准确的分割结果。     

多描述子活动轮廓模型的医学图像分割

目的 医学图像分割结果可帮助医生进行预测、诊断及制定治疗方案。医学图像在采集过程中受多种因素影响,同一组织往往具有不同灰度,且伴有强噪声。现有的针对医学图像的分割方法,对图像的灰度分布描述不够充分,不足以为精确的分割图像信息,且抗噪性较差。为实现医学图像的精确分割,提出一种多描述子的活动轮廓（MDAC）模型。方法 首先,引入图像的熵,结合图像的局部均值和方差共同描述图像的灰度分布。其次,在贝叶斯框架下,引入灰度偏移因子,建立活动轮廓模型的能量泛函。最后,利用梯度下降流法得到水平集演化公式,演化的最后在完成分割的同时实现偏移场的矫正。结果 利用合成图像和心脏、血管和脑等医学图像进行了仿真实验。利用MDAC模型对加噪的灰度不均图像进行分割,结果显示,在完成精确分割的同时实现了纠偏。通过对比分割前后图像的灰度直方图,纠偏图像只包含对应两相的两个峰,且界限更加清晰;与经典分割算法进行对比,MDAC在视觉效果和定量分析中,分割效果最好,比LIC的分割精度提高了30%多。结论 实验结果表明,利用均值、方差和局部熵共同描述图像灰度分布,保证了算法的精度。局部熵的引入,在保证算法精度的同时,提高了算法的抗噪性。能泛中嵌入偏移因子,保证算法精确分割的同时实现偏移场纠正,进一步提高分割精度。     

脑MR图像互信息最大的凸优化分割模型

脑MR图像中普遍存在灰度不均匀性,传统的分割方法无法得到理想的脑组织分割结果.为此提出一种基于互信息最大化准则的变分水平集凸优化分割模型.首先建立最大化图像灰度与标记之间互信息能量的分割模型,并融入偏移场信息;对模型进行水平集表示和凸优化后,再引入边缘指示函数加权的总变差范数;最后采用SplitBregman方法快速求解.实验结果表明,该模型可以得到较准确的脑组织分割和偏移场矫正结果,对噪声和灰度不均匀性有很好的鲁棒性.     

显著性驱动的局部相似拟合模型分割算法研究

灰度不均匀和噪声图像的分割是计算机视觉中的难点。现有的活动轮廓模型尽管能够取得较好的分割效果,但仍然对噪声图像分割效果不理想,初始轮廓曲线的选取敏感,优化易陷入局部极小导致演化速度慢等问题。针对该问题,首先使用局部区域灰度的均值和方差拟合高斯分布,构建新的能量泛函,均值和方差随着能量的最小化过程而变化,从而增强了灰度不均匀和噪声图像的分割能力。此外,结合视觉显著性检测算法获取待分割目标的先验形状信息,并自适应地创建水平集函数,从而降低了初始轮廓位置敏感性及计算时间复杂度,实现全自动的图像分割。实验结果证明,提出的算法可以用于灰度不均匀和噪声图像分割,并取得了较好的分割性能,消除了算法对初始轮廓位置敏感性,减少了迭代次数。     

基于小波变换的权重自适应图像分割模型

针对灰度不均匀且含噪声图像的分割问题,提出了全局和局部灰度信息的权重参 数自适应水平集分割模型。首先,利用图像的全局和局部灰度信息构造全局能量项和局部能量 项;然后,利用小波变换和小波阈值去噪方法,构造对噪声不敏感的边缘信息刻画矩阵,定义包含 图像边缘信息的自适应权重系数矩阵;最后,利用定义的权重系数矩阵组合全局和局部能量项, 得到分割模型的能量泛函。使用变分法得到了水平集函数演化方程,利用有限差分法实现数值 求解。实验结果表明,该模型兼有 Chan-Vese 模型和 Local Binary Fitting 模型的优点,能够有效 地分割灰度不均匀含噪图像,并对活动轮廓曲线的初始位置和初始形状具有很强的鲁棒性。     

基于局部区域拟合模型的磁共振图像分割与偏移估计算法

磁共振(MR)图像的灰度通常是不均匀的,这种不均匀性是由于成像设备的缺陷导致产生了一种光滑的偏移场.一般的基于灰度统计特性的分割算法都是假设目标区域和背景区域图像的灰度分别是一致的,因此该类算法不能很好地应用于磁共振图像的分割.提出一种基于局部拟合模型的磁共振图像分割与偏移估计算法:利用图像的局部区域的灰度特性建立恢复...     

A Modified Fuzzy C-Means Algorithm for Brain MR Image Segmentation and Bias Field Correction

In quantitative brain image analysis, accurate brain tissue segmentation from brain magnetic resonance image (MRI) is a critical step. It is considered to be the most important and difficult issue in the field of medical image processing. The quality of MR images is influenced by partial volume effect, noise, and intensity inhomogeneity, which render the segmentation task extremely challenging. We present a novel fuzzy c-means algorithm (RCLFCM) for segmentation and bias field correction of brain MR images. We employ a new gray-difference coefficient and design a new impact factor to measure the effect of neighbor pixels, so that the robustness of anti-noise can be enhanced. Moreover, we redefine the objective function of FCM (fuzzy c-means) by adding the bias field estimation model to overcome the intensity inhomogeneity in the image and segment the brain MR images simultaneously. We also construct a new spatial function by combining pixel gray value dissimilarity with its membership, and make full use of the space information between pixels to update the membership. Compared with other state-of-the-art approaches by using similarity accuracy on synthetic MR images with different levels of noise and intensity inhomogeneity, the proposed algorithm generates the results with high accuracy and robustness to noise.     

Robust spatially constrained fuzzy c-means algorithm for brain MR image segmentation

Objective

Accurate brain tissue segmentation from magnetic resonance (MR) images is an essential step in quantitative brain image analysis, and hence has attracted extensive research attention. However, due to the existence of noise and intensity inhomogeneity in brain MR images, many segmentation algorithms suffer from limited robustness to outliers, over-smoothness for segmentations and limited segmentation accuracy for image details. To further improve the accuracy for brain MR image segmentation, a robust spatially constrained fuzzy c-means (RSCFCM) algorithm is proposed in this paper.

Method

Firstly, a novel spatial factor is proposed to overcome the impact of noise in the images. By incorporating the spatial information amongst neighborhood pixels, the proposed spatial factor is constructed based on the posterior probabilities and prior probabilities, and takes the spatial direction into account. It plays a role as linear filters for smoothing and restoring images corrupted by noise. Therefore, the proposed spatial factor is fast and easy to implement, and can preserve more details. Secondly, the negative log-posterior is utilized as dissimilarity function by taking the prior probabilities into account, which can further improve the ability to identify the class for each pixel. Finally, to overcome the impact of intensity inhomogeneity, we approximate the bias field at the pixel-by-pixel level by using a linear combination of orthogonal polynomials. The fuzzy objective function is then integrated with the bias field estimation model to overcome the intensity inhomogeneity in the image and segment the brain MR images simultaneously.

Results

To demonstrate the performances of the proposed algorithm for the images with/without skull stripping, the first group of experiments is carried out in clinical 3T-weighted brain MR images which contain quite serious intensity inhomogeneity and noise. Then we quantitatively compare our algorithm to state-of-the-art segmentation approaches by using Jaccard similarity on benchmark images obtained from IBSR and BrainWeb with different level of noise and intensity inhomogeneity. The comparison results demonstrate that the proposed algorithm can produce higher accuracy segmentation and has stronger ability of denoising, especially in the area with abundant textures and details.

Conclusion

In this paper, the RSCFCM algorithm is proposed by utilizing the negative log-posterior as the dissimilarity function, introducing a novel factor and integrating the bias field estimation model into the fuzzy objective function. This algorithm successfully overcomes the drawbacks of existing FCM-type clustering schemes and EM-type mixture models. Our statistical results (mean and standard deviation of Jaccard similarity for each tissue) on both synthetic and clinical images show that the proposed algorithm can overcome the difficulties caused by noise and bias fields, and is capable of improving over 5% segmentation accuracy comparing with several state-of-the-art algorithms.     

结合全局与局部信息活动轮廓的非同质图像分割

目的 通过对现有基于区域的活动轮廓模型能量泛函的Euler-Lagrange方程进行变形,建立其与K-means方法的等价关系,提出一种新的基于K-means活动轮廓模型,该模型能有效分割灰度非同质图像。方法 结合图像全局和局部信息,根据交互熵的特性,提出新的局部自适应权重,它根据像素点所在邻域的局部统计信息自适应地确定各个像素点的分割阈值,排除灰度非同质分割目标的影响。结果 采用Jaccard相似系数-JS(Jaccard similarity)和Dice相似系数-DSC(Dice similarity coefficient)两个指标对自然以及合成图像的分割结果进行定量分析,与传统及最新经典的活动轮廓模型相比,新模型JS和DSC的值最接近1,且迭代次数不多于50次。提出的模型具有较高的计算效率和准确率。结论 通过大量实验发现,新模型结合图像全局和局部信息,利用交互熵特性得到自适应权重,对初始曲线位置具有稳定性,且对灰度非同质图像具有较好地分割效果。本文算法主要适用于分割含有噪声及灰度非同质的医学图像,而且分割结果对初始轮廓具有鲁棒性。