基于阈值分割的脂肪肝超声图像分类方法

研究了一种基于阈值分割的脂肪肝超声图像分类方法。该方法在最小化假阴性错误率的基础上尽量减小假阳性错误,获得服从正态分布的正常肝和脂肪肝图像灰度的置信区间。利用各自的区间阈值对超声图像进行分割,通过比较两幅分割图像进行分类。实验验证表明,不论是测试数据还是训练数据,该方法对正常肝正确识别率均为100%,对脂肪肝正确识别率均为96.3%。与BP神经网络方法比较表明,该方法在分类准确性上与神经网络方法相当,但比BP网络方法花费了更少的时间。     

多阶U-Net甲状腺超声图像自动分割方法

甲状腺超声图像广泛应用于甲状腺相关疾病的诊断。针对甲状腺超声图像对比度低、边缘模糊以及散斑噪声严重等问题,提出一种基于多阶U-Net的深度卷积网络模型,用于实现甲状腺腺体与甲状腺结节的自动分割。该模型以U-Net为基本网络框架,通过不断进阶的特征融合,以实现图像边缘的信息提取。同时,在模型中使用了一种多尺度残差卷积模块以进一步提升分割精度。对比实验结果表明,该模型相较于其他方法能够获得更好的分割结果,具有一定的临床应用价值。     

基于指纹的图像分割方法比较

本文用两种图像分割的方法,阚值分割和边缘检测分割处理指纹图像,通过比较处理后的图像,认识到图像分割的意义,并明确阈值分割和边缘检测分割方法,得出在何种情况下适合使用何种分割方法。     

基于阈值的图像分割方法

通过分析图像阈值分割方法的基本原理。得出直方图闽值分割方法以及迭代阈值图像分割,并通过VC＋＋6．0加以实现。分析图像分割结果,并对两种阈值分割方法进行利弊分析。     

基于图像区域的交互式文本图像阈值分割算法

针对现有局部阈值分割算法因参数过多带来的参数选择问题以及在分割结果中块与块之间不连续性问题,利用用户提供的先验知识或经验,提出了一种基于灰度图像区域的交互式文本图像阈值分割算法.该方法首先粗略地将图像进行分块;利用标准差作为衡量图像块含有信息量(背景信息与目标信息)多少这一度量,接着按标准差大小对所有图像块进行排序;然后由用户输入交互式信息将所有图像块分为3个集合:仅含背景或仅含目标的图像块、含有少量背景或者是含有少量目标的图像块以及背景和目标分布比较均衡的图像块;最后对各个集合中的图像块分别按相应准则进行分割.实验结果表明,对于均匀和非均匀光照条件下的文本图像,与全局分割算法、直接分块分割算法和Chou方法相比,该方法在分割效果上有显著提升,而且执行效率也较高.另外,对于部分非文本图像也同样有效.     

基于参数型模糊熵的图像分割新方法

直方图阈值法因其简单性和抗噪性在图像处理中得到了广泛应用。针对传统模糊熵阈值法对图像分割最佳阈值选取缺乏鲁棒性的问题,提出了参数型模糊熵图像分割新方法。该方法对图像分割最佳阈值选取具有良好的鲁棒性,适当调整参数可获得满意的视觉分割效果。实验结果表明,提出的方法是可行的。     

基于自动参数标准化的指纹分割方法

提出了一种合成的指纹分割方法:基于自动参数标准化的指纹分割方法。这个方法应用指纹图像中方向图和灰度变化信息,具有高效性和强壮性的特点。与以往指纹分割方法中固定参数标准化相比,基于自动参数标准化的指纹分割方法可以把指纹图像最大程度的标准化而不会恶化指纹图像细节。     

基于最小最大概率分割准则的图像阈值分割方法

最小最大概率机是基于错分概率最小化的新型分类器。文中讨论一维空间两类别最小最大概率问题的求解。以此为基础,给出图像阈值分割最小最大概率分割点的定义,提出设计阈值分割准则函数的方法,同时提出基于最小最大概率准则的阈值分割算法,此算法保证图像阈值分割正确率的下界。实验表明,文中方法是有效的。     

基于深度学习的超声图像左心耳自动分割方法

从超声图像中分割出左心耳（LAA）是得出临床诊断指标的重要步骤,而准确自动分割的首要步骤和难点就是实现目标的自动定位。针对这一问题,提出了一种结合基于深度学习框架的自动定位和基于模型的分割算法的方法来实现超声图像中LAA的自动分割。首先,训练YOLO模型作为LAA自动定位的网络架构;其次,通过验证集确定最优的权重文件,并预测出LAA的最小包围盒;最后,在正确定位的基础上,将YOLO预测的最小包围盒放大1.5倍作为初始轮廓,利用C-V模型完成LAA的自动分割。分割结果用5项指标加以评价：正确性、敏感性、特异性、阴性、阳性。实验结果表明,所提方法能够实现不同分辨率条件和不同显示模式下LAA的自动定位,小样本数据在1000次迭代时已经达到最优的定位效果,正确定位率达到72.25%,并且在正确定位的基础上,C-V模型的分割准确率能够达到98.09%。因此,深度学习技术在实现LAA超声图像的自动分割上具备较大的潜力,能够为基于轮廓的分割算法提供良好的初始轮廓。     

带钢表面图像缺陷区域的分割方法

主要研究了一种适用于带钢表面图像的缺陷区域分割方法．首先,对传统的基于边缘检测和全局阈值的缺陷区域分割方法进行研究和比较,然后根据带钢表面缺陷图像的灰度特点,提出了一种基于灰度级形态学增强和自适应阈值的缺陷区域分割方法．采用本文方法对常见的带钢表面图像进行缺陷区域分割实验,结果表明本文方法的分割效果要优于传统的分割方法．因此,提出的基于灰度级形态学增强和自适应阈值的缺陷区域分割方法具有一定的实际应用价值．     

基于区域生长的极光图像分割方法

极光卵对于研究磁层结构和能量存储是非常重要的。提出一种基于区域生长的极光图像分割算法。首先根据极光图像的特点,对原始图像进行预处理,根据预处理后图像的灰度特性,选取一组能正确代表目标区域的种子像素;其次,在分析像素邻域灰度特性的基础上,采用最大类间方差法求得自适应最佳阈值,从而代替传统区域生长算法手动选取阈值时造成的系统误差,再采用基于区域灰度差的方法,制定出区域生长的停止条件;最后,利用数学形态学的方法进行分割后修正,消除了由于噪声而造成生长后的区域中出现的空洞和不连续现象。实验结果表明,相对于已有的极光卵分割方法,基于区域生长的方法改善了图像的分割质量。     

一种基于改进遗传算法的图像分割方法*

为了自动确定图像分割的最佳阈值,提出了一种基于改进遗传算法的图像分割方法,即利用这种改进遗传算法对二维Otsu图像分割函数进行全局优化,该方法能够根据个体适应度大小和群体的分散程度自动调整遗传控制参数,从而能够在保持群体多样性的同时加快收敛速度,最后得到图像分割的最佳阈值,克服了传统遗传算法的收敛性差、易早熟等问题。在理论分析和仿真数据实验中,与二维Otsu图像分割法和基于基本遗传算法的图像分割法相比,使用该方法得出的阈值范围更加稳定,阈值计算时间有极大的提高,更能满足图像处理的实时性要求。     

结合高斯过程和形变模型的超声图像分割方法

目标区域的先验形状在基于形变模型的超声图像分割方法中扮演着重要的角色。为了提高先验形状模型对目标轮廓形变细节的建模能力,提出了一种基于高斯过程的统计形状模型。目标的形状被表示成一种离散的随机时间序列;利用高斯过程的性质对训练集中的目标形状变化进行统计学习,从而生成目标的先验形状和先验概率。为给形变模型向目标区域的演化提供观测模型,结合超声图像中目标边缘内外灰度变化特征设计了一种径向纹理特征模型。分割的优化被转化为求最大后验概率的过程。基于真实的临床超声图像实验结果显示,与其他方法相比该方法在复杂形变区域和弱边缘区域提供了更准确和鲁棒的结果。     

Sensitivity analysis of critical parameters affecting the efficacy of microwave ablation using Taguchi method

Microwave ablation (MWA) is a minimally invasive thermal treatment modality that has already evolved as a promising alternative to radiofrequency ablation for treating different types of malignant and benign tumors, especially ≥3 cm in diameter. The efficacy of thermal ablative therapies is mainly judged by the ablation volume attained post‐ablation. In this regards, the present study aims at analyzing the influence of six critical parameters, as follows, relative permittivity, electrical conductivity, volumetric heat capacity, thermal conductivity, blood perfusion rate, and applied power on the ablation volume attained during MWA. Taguchi's L27 orthogonal array has been adopted for the current problem with six input variables having three levels each. The electric and thermophysical properties considered in the study have been derived from liver, lung, breast, and kidney. Finite element method (FEM) based numerical simulations of MWA have been conducted on three‐dimensional homogeneous model of biological tissue using coaxial single slot microwave antenna. Further, the ranking and the contribution of each parameter on the ablation volume attained during MWA have been quantified using analysis of variance. The corollaries drawn from the study would be useful to the clinical practitioners during the treatment planning stage of the MWA.     

基于改进区域分割遥感图像的航天器目标自动识别方法

：传统的航天器目标自动识别方法识别精准度差,为了解决这一问题,基于改进区域分割遥感图像研究了一种新的航天器目标自动识别方法,通过人工排查的方式来追踪航天器所提供的位置信息,并建立三角形立体体系,提取出航天器所追踪的目标和航天器之间的位置关系,实现航天器目标检测,分别针对复杂场景和运动场景对目标进行识别,引用击穿识别方法,基于遗传算法以及变换算法,实现了在复杂的自然遥感图像中能够识别多种目标,但是对于残缺和不完整的目标识别性差,因此又在方法中引入了自动学习智能识别算法,解决了在遥感图像中残缺不完整的目标识别效果差的问题。设定对比实验,结果表明,相较于传统方法,基于改进区域分割遥感图像的航天器目标自动识别方法识别准确率提高了15.23%。     

一种基于空间特征矢量的图像分割方法

针对灰度图像,提出了一种基于空间特征矢量的图像分割方法,构建了以像素的灰度、梯度、像素r的邻域均值为特征的三维特征空间,并将图像像素点对应空间特征点。通过计算像素特征矢量与阈值特征矢量的矢量差,求出矢量差与阈值特征矢量的夹角,然后比较夹角与动态分割参数的关系,判定像素所在区域(目标或背景)。实验表明,该方法可以较快速地实现图像分割,分割的效果也比较好。     

基于级联Vnet-S网络的CT影像单一器官自动分割算法

为了快速准确地对计算机断层扫描（CT）影像中的器官进行分割，提出基于级联Vnet-S网络的单一器官自动分割算法。首先，使用第一个Vnet-S网络对CT影像中的器官进行粗分割；然后，选择分割结果中的最大连接通量做两次膨胀，根据膨胀后的最大连接通量确定器官边界并提取器官区域；最后，使用第二个Vnet-S网络对器官进行细分割。为了验证算法的性能，采用MICCAI 2017 Liver Tumor Segmentation Challenge （LiTS）数据集进行肝脏分割实验，采用ISBI LUng Nodule Analysis 2016（LUNA16）数据集进行肺分割实验。级联Vnet-S算法在LiTS的70例线上测试数据上的Dice系数为0.9600，在LUNA16的288例测试数据上的Dice系数为0.9810，均高于Vnet-S网络和Vnet网络。实验结果表明，基于级联Vnet-S网络的单一器官分割算法可以准确地对器官进行分割，而且级联Vnet-S算法的计算量小于Unet网络和Vnet网络。     

基于图像序列期望特征的阈值分割方法*

针对单幅图像自适应阈值分割算法复杂度高、实时性不足的问题,提出了一种基于图像序列期望特征的阈值分割方法。以图像期望背景区域面积特征为例阐述了方法原理和实现流程。通过与传统(Ostu)算法对比,论述了方法在处理具有强一致性特征样本序列时所具有的易调试性、实时性优势。结合列车车厢钩尾螺栓图像特征提取实例进行定量分析,验证了方法的有效性。