采用奇异值分解的图像模糊区域检测分割新方法

针对局部模糊图像的模糊区域检测分割问题,提出了一种改进的基于奇异值分解和图像抠图的模糊区域自动检测分割算法。首先,采用分块的方法对局部模糊图像进行再次模糊,通过比较前后图像块的奇异值特征变化差异将其标识模糊块或清晰块以得到一个标识图。其次,根据标识图,结合图像抠图技术对图像的局部模糊区域进行自动提取。实验结果表明,该方法可以较为精确地检测并分割出局部模糊图像中的模糊区域。      

一种边界引导的多尺度高分辨率遥感图像分割方法

针对高分辨率遥感图像分割过程中区域合并复杂性问题,提出了一种基于边界引导的多尺度遥感图像分割算法.一方面应用SUSAN算子提取高分辨率遥感图像中地物的边界用于限制区域增长过程;另一方面进行两阶段增长,首先应用基于图的分割算法进行基于像素的区域生长,然后进行考虑对象特征信息的区域合并.对宜昌城区某处融合后的QuickBird彩色图像进行了实验,并分别与无边界引导分割以及eCognition平台下图像分割效果进行了对比.结果表明,该方法可以有效抑制传统图像分割算法在低对比度区的区域融合问题,突破了分割尺度参数不能在全图取得合理分割的局限性.     

基于多参数配准模型的脑核磁影像分割算法

配准技术在基于多图谱的分割方法中能有效地将医学图谱的先验知识融入分割过程,再结合以高效的标记融合算法,最终实现精确地自动分割.针对图谱配准的较大误差及其对标记融合的重要影响,本文建立了一种新的概率图模型框架并以此提出了基于多参数配准模型的分割算法,将此方法与高效的标记融合算法相结合,可以提高目标图像中特定组织区域的分割精度,更使其在少量图谱分割的情形下具有重要应用.首先,使用多种配准参数对所有目标图像进行配准;然后,分别采用不同的算法对配准图像进行灰度融合和标记融合,实现训练图像的重构过程;最后,利用高效的标记融合算法对重构后的图像进行融合得到最终精确的分割结果.实验结果表明该方法均优于本文其他分割算法,能够有效提升脑部组织分割精度.     

基于图像感知与分割的自动背景虚化算法

针对单目移动设备难以拍摄出背景虚化图像的问题,结合深度学习的图像感知与分割算法,提出了一种图像自动背景虚化算法.基于深度学习的图像感知与分割算法得到图像的焦点图、深度图和掩码图三种辅助图.利用辅助图自动确定主体或由用户指定主体,并计算背景各区域的深度.利用多尺度高斯滤波对背景各区域进行不同程度的虚化处理.将虚化后的各区...     

基于级联Dense-UNet和图割的肝脏肿瘤自动分割

腹部CT图像肝脏肿瘤分割是进行肝脏疾病诊断、手术规划和放射治疗的重要前提。针对肝脏肿瘤灰度异质、纹理丰富、边界模糊等因素引起的分割困难,该文提出基于级联Dense-Unet和图割的自动精确鲁棒分割方法。首先运用级联的Dense-UNet获取肝脏肿瘤初始分割结果及感兴趣区域,然后利用图像像素级和区域级特征,分别构建可有效区分肿瘤与非肿瘤的灰度模型和概率模型,并将其融入图割能量函数,进一步精确分割感兴趣区域中的肿瘤组织。最后分别采用LiTS和3Dircadb公共数据库作为训练集与测试集进行实验,并与现有多种自动分割方法进行了比较。结果表明,提出方法可有效分割CT图像中灰度、形状、大小、位置各异的肝脏肿瘤,能提取更精确的肿瘤边界,尤其对于对比度低、边界模糊的肿瘤具有明显优势。     

基于FCM和随机游走的地层图像分割方法

颜色特征是地层图像分割的重要依据,但地层图像的高噪声以及地层边界颜色混合使得颜色特征空间聚类分割方法无法获得很好的结果.本文提出了一种融合模糊C均值聚类与随机游走算法的图像分割算法,该算法在聚类过程中结合像素的空间信息计算像素的隶属度,在基于随机游走的半监督图像分割算法中像素结点构成的四连通图上插入类属结点作为已标记结点,将随机游走者第一次游走到某个类属结点的概率作为该像素隶属于该类的隶属度.实验结果表明,本算法可以对地层边界颜色混合区域的像素更准确地进行分类,噪声敏感性降低,有效解决构造模拟地层图像的分割问题.     

基于3D卷积神经网络的脑肿瘤医学图像分割优化

针对2D卷积神级网络不能够较好地提取各模态之间的差异信息,不同的图像层肿瘤大小差异显著,且分割精度低,单模态MRI无法清晰地反映GBM的不同组织结构,提出一种基于3D多池化卷积神经网络拟解决以上实际问题。将卷积神经网络应用到脑肿瘤分割上,并针对脑肿瘤的特点,提出3D多池化卷积神经网络模型,通过多尺度的输入与多尺度的下采样,且在后端使用条件随机场(CRF)使图片尽量在边界处分割,增加图像的分割精度,克服脑肿瘤的个体差异,同时适应脑肿瘤不同图像层之间的大小位置差异。通过对100例患者的多模态磁共振图像进行分割,Dice系数达到91.64%;MRI脑肿瘤分割的改进方法可使分割精度得到明显提高,可更好地提取各模态之间的差异信息,实现适应范围更广的MRI肿瘤分割,并准确有效地分割脑肿瘤。     

基于模糊水平集的脑肿瘤MR图像分割方法

针对传统水平集(Level Set)方法对脑肿瘤MR图像进行分割时易在弱边缘处产生泄露的问题,提出一种新的基于模糊水平集的脑肿瘤MR图像分割方法。采用模糊聚类算法对图像进行预分割,得到脑肿瘤MR图像的感兴趣区域;将聚类分割结果作为水平集演化的初始轮廓;利用聚类结果计算水平集演化的初始化条件和控制参数。算法执行效率得到了提高,并且克服了水平集演化依赖于初始化条件和控制参数且需要较多人工干预的缺陷,增加了方法的鲁棒性。实验结果表明,该方法鲁棒性强,能够快速、准确地分割出MR图像中的脑肿瘤,具有重要的临床意义。     

一种基于脑部肿瘤MR图像的分割方法

针对传统的分割方法难以实现医学图像自动分割和准确分割的问题,提出了一种基于GVF Snake模型的医学图像分割方法。该方法采用Canny算子的边缘检测结果作为GVF扩散方程计算的边缘映射图,提高了GVF Snake模型的抗噪性能;用分水岭算法自动获取的轮廓作为GVF Snake模型分割的初始轮廓,降低了GVF力场计算的复杂性和分割时轮廓线的迭代次数。分析和实验结果表明,采用该方法对脑部肿瘤MR图像进行分割时,能自动准确地分割出肿瘤区域。     

基于改进的变分水平集和区域生长的图像分割方法的研究

针对水平集和区域生长方法都存在对噪声和初始边界敏感以及容易从弱边缘处泄露等不稳定的问题,提出了结合待分割目标灰度统计信息和图像梯度信息的水平集演化函数对水平集方法进行改进,并利用区域生长方法解决水平集方法对初始边界敏感的问题.分别用传统区域生长方法、阈值方法、GAC模型、C-V模型、Snake模型以及本文方法进行从腹部CT图像分割肝脏区域的实验比较,实验结果表明:本文方法不仅可以减少图像分割的时间,而且显著地提高了分割质量.     

基于边缘约束的红外目标图像松弛分割技术

本文提出了一种基于边缘约束的、能克服门限面技术和简单的松弛技术不足的红外目标图像松弛分割算法,该方法在确定显著边缘象素的基础上,建立了一个评估在不同初始概率下松弛分割结果的准则函数.通过自动调整初始概率,获得该准则函数的最优或次优解,从而得到满意的分割结果.文中给出了关于真实红外目标图像的分割结果.     

基于多模态融合的2D MR脑肿瘤图像分割算法研究

针对不同模态MR脑肿瘤图像呈现的肿瘤状态差异以及卷积神经网络(convolutional neural networks, CNNs)提取特征局限性的问题,提出了一种基于多模态融合的MR脑肿瘤图像分割方法。分割模型以U-net网络为原型,创新一种多模态图像融合方式以加强特征提取能力,同时引入通道交叉注意力机制(channel cross transformer, CCT)代替U-net中的跳跃连接结构,进一步弥补深浅层次的特征差距与空间依赖性,有效融合多尺度特征,加强对肿瘤的分割能力。实验在BraTS数据集上进行了多目标分割结果验证,通过定量分析对比前沿网络分割结果,表明该方法确有良好的分割性能,其分割出三种肿瘤区域的Dice系数分别达到80%、74%、71%。     

一种基于MRI图像的脑肿瘤组合分割法

从模糊的MRI脑肿瘤的图像中准确找出肿瘤,供医学临床使用。分别采用了2种分割方法：一种是改进的阈值方法,即在进行最大方差阈值法之前首先采用手动阈值法;另一种是采用圆形结构元素作为种子的形态学分割方法。这2种方法均实现了从低对比度MRI脑图像提取目标的要求。灵活使用阈值法和形态学分割方法与医学图像中,具有一定的临床实用价值。     

Semi-supervised cardiac MRI image of the left ventricle segmentation algorithm based on contrastive learning

A semi-supervised convolutional neural network segmentation method of medical images based on contrastive learning is proposed. The cardiac magnetic resonance imaging(MRI) images to be segmented are preprocessed to obtain positive and negative samples by labels. The U-Net shrinks network is applied to extract features of the positive samples, negative samples, and input samples. In addition, an unbalanced contrastive loss function is proposed, which is weighted with the binary cross-entropy loss...     

基于时空连续约束的4D脑图像分割模型

纵向分析脑解剖结构的变化可以预测脑组织的生长或萎缩状态,为临床治疗和科学研究提供必要的依据.但由于成像设备或模式不同以及成像时间间隔较长,3D的分割方法得到的结果无法体现脑组织在时间维上缓慢变化的特征.针对这一问题,提出一种基于时空约束的4D脑图像水平集分割模型.该模型包含了由全局以及局部信息组成的数据拟合项、空间平滑项以及时间平滑项.其中数据拟合项体现了各个时间点的图像灰度信息,空间和时间平滑项则能保证分割结果在时空维上体现其缓慢变化的特性.实验结果表明本文方法既能保证准确的分割结果又能保证空间维以及时间维上的连续性.     

基于参数化互信息的脑MR图像分割与偏移场矫正模型及快速算法

脑核磁共振(Magnetic Resonance简称MR)图像中存在灰度不均匀现象使得传统方法很难得到理想的分割与偏移场矫正结果.针对这一问题,本文首先提出Legendre基函数拟合偏移场下的参数化互信息度量,建立脑MR图像的分割与偏移场矫正的变分模型.最后,给出了基于分裂Bregman迭代方法的快速分割与偏移场矫正算...     

改进的全卷积神经网络的脑肿瘤图像分割

针对现有机器学习算法分割脑肿瘤图像精度不高的问题,提出一种基于改进的全卷积神经网络的脑肿瘤图像分割算法。算法首先将FLAIR、T2和T1C三种模态的MR脑肿瘤图像进行灰度归一化,随后利用灰度图像融合技术得到肿瘤信息更加全面的预处理图像;然后采用融合三次脑肿瘤特征信息的改进全卷积神经网络对预处理图像进行粗分割,并且在每个卷积层后加入批量正则化层以加快网络训练的收敛速度,提高训练模型精度;最后融合全连接条件随机场细化粗分割结果中的脑肿瘤边界。实验结果表明,相较于传统的卷积神经网络脑肿瘤图像分割算法,本算法在分割精度和稳定性上有了较大提升,平均Dice可达91.29%,实时性较好,利用训练模型平均1s内可完成单张脑肿瘤图像的分割。