医学图像分割的神经网络方法

给出了一种基于自组织聚类神经网络的图像分割算法．针对聚类中心初始值选取的盲目性,提出了初始值优选法,大幅度提高了分割算法的速度．实验表明,文中提出的算法能快速、准确地分割医学图像,将原始照片中不易分辨的病灶清晰地呈现出来．     

基于多尺度特征融合注意力CNN的遥感图像语义分割方法

针对遥感图像目标尺度变化较大、分割不够准确的问题,提出了一种融合多尺度特征注意力卷积神经网络(CNN)的图像分割方法。该方法基于卷积块注意力模块提出了改进的有效注意力模块(ECBAM)。在通道注意力模块中加入空洞卷积以降低池化操作造成的特征损失,并在通道注意力模块后添加卷积层对通道注意力特征映射进行特征融合。然后,基于ECBAM设计了一种编码解码架构的卷积神经网络模型ECBAM-CNN,其中编码器主要由卷积层、ECBAM和空洞空间金字塔池化模块组成,解码器主要由卷积层和ECBAM组成,并且采用跳跃连接将编码阶段的多尺度信息融合到解码器。实验表明,提出的方法无需预训练和后处理,与SegNet等前沿方法相比取得了更好或相近的分割准确度,在DLRSD和WHDLD测试集上的mIoU分别为67.3%和62.0%。     

基于图像块分割融合算法在医学图像中的应用

提出一种基于图像块分割融合算法,分别对CT和MRI医学图像进行块分割,融合规则是根据分割后对应块的区域特征确定融合图像,采用区域特征为区域方差.     

基于神经网络的超声医学图像自动分割

图像分割是多维超声医学图像重建中最重要和最困难的问题。文中将传统的最近邻分类方法与自组织神经网络相结合,提出了一种超声医学图像的自动分割方法。实验表明,与传统的K平均方法相比,该方法除具有自动分割优点外,还具有稳定性好,自适应强,分割准确等优点。     

一种基于信息融合的图像分割方法

轮廓提取是计算机视觉的基础步骤之一,是图像分析的基础,国内外在此方面都有一定研究,但轮廓的提取由于受到诸如光源、目标形状、成像原理等原因的影响,特别是光源的影响,算法的通用性一般很差。针对以往算法的局限性,本文从色度、纹理入手并结合数学形态学,提出了一种基于信息融合的图像分割方法。经实验证明,在光源变化不大的情况下,该法对不同材质的轮廓提取有较好的通用性。     

基于模糊理论的图像分割方法

利用边缘提取方法将边缘和噪声象素点从一维直方图中剔除,再对剩余象素点聚类,求出最优分割阈值,然后再求出各象素点隶属于目标和背景的模糊隶属度。根据背景和目标灰度的分布特征,分别选择适当的置信区间,对不在置信区间的象素点再利用其邻域象素点隶属度进行分类最终得到分割结果。实验结果表明效果良好。     

基于均值距离的图像分割方法

针对医学图像分割中存在的分割类数不易确定的问题,利用常用均值间的不等式关系构造出了一种新的分割类数判据--均值距离函数,并将均值距离函数与模拟退火算法相结合,提出了一种基于均值距离的分割算法。该算法以均值距离函数作为目标函数,采用模拟退火算法进行优化,在整个搜索空间中寻找最优分割阈值,弥补了模糊C均值算法(fuzzy C-means,FCM)分类类数难以确定、搜索过程容易陷入局部极值的缺陷。实验结果表明,算法对含有病灶的医学图像能够进行自动分割,并且分割速度明显高于基于互信息的分割方法。     

基于小波变换的医学图像分割

医学图像分割是图像分割的一个重要应用领域,也是制约医学图像在临床上广泛应用的题.对医学图像分割技术进行了综合研究,在此基础上提出了一种新的基于小波变换的医学图像分割方法.首先利用小波变换提取边缘信息,然后采用C均值聚类法把原有灰度信息和边缘信息进行聚类.仿真试验证明该方法能有效地解决过分割问题,提高了分割效率.     

基于自适应区域的医学图像自动分割

为了改善传统分割算法对初始条件的依赖性,提出一种基于自适应区域的医学图像自动分割框架.该框架将分割算法和目标检测技术集成到一起,通过检测已经分割出的目标信息来预测该目标在待分割切片上的局部区域,然后基于该局部区域预估目标的阈值范围和几何形状等信息,为应用分割算法提供初始参数.该框架已经应用到区域生长、基于阈值的水平集等常用分割算法.实验结果表明,该框架有效减少了分割中的人工交互操作,并且能自动处理目标复杂分叉情况.     

基于类别方差的三维医学图像分割新方法

提出一种交互式的三维医学图像分割算法．结合Otsu单阈值图像分割算法，提出了一种基于类别方差的双阈值分割算法．利用该算法对三维医学图像体数据的直方图进行了分析，最终得到的上下阈值使得分割结果具有最大类间方差．该算法采用迭代法实现，简单快速，且可保证分割出的组织包含目标组织．再对此阈值分割结果进行数学形态学的相关操作和三维区域生长，最终得到目标组织的准确分割和它的三维显示．实验证明，分割效果较好，三维重建满足要求．     

图像分割方法研究综述

图像分割是图像处理和计算机视觉中一个关键步骤,也是图像理解的基础。近年来由于其在图像处理领域的应用价值,开始作为一个重要的课题受到研究者的重视。该文从传统和新型角度出发,整理和分析了大量的研究文献,系统的介绍了图像分割的各种理论基础及其应用。     

基于水平集方法的医学图像分割

针对水平集方法处理曲线拓扑结构变化能力强,但分割图像时运算效率低的情况,提出将水平集方法和快速步进法相结合应用于医学图像的分割。该方法解决了水平集方法运算效率低、快速步进法易产生过分割的问题,使得图像分割的速度得以提高,分割效果也比较理想。该方法成功的用于头骨CT图像和肝脏CT图像的分割,分割效果较好。     

图像信息融合与医学图像综合显示

讨论了医学图像计算机断层摄像技术与核磁共振的融合问题．分析了计算机断层摄像技术与核磁共振的成像机理，依据期望的融合结果，提出了一种新的基于小波变换的系数取大融合算法．将已匹配的计算机断层摄像技术与核磁共振图像首先分别进行小波变换，然后比较相应尺度上的小波系数。采取区域系数取大准则，构造新的小波系数，最后进行小波反变换，获得融合图像，既可清晰地表现骨组织信息，又可清晰地表现软组织信息．     

基于改进遗传算法的最佳熵多阈值三维医学图像分割算法

借鉴模拟退火思想对三维医学图像的最佳熵函数进行拉伸,构造出改进的遗传算法适应度函数,同时采用精英选择策略保留各代最优个体以加快算法收敛速度,从而提出了一种新的基于多阈值最佳熵的三维医学图像分割遗传搜索算法。根据文中算法得到的阈值,成功实现了三维医学脑部图像中脑白质、脑灰质、脑脊液的分割。实验证明,当种群规模为30的情况下,即可搜索到较好的阈值用于三维分割,运算速度较传统穷尽搜索法更快,且比原简单遗传算法具有更强的稳定性和精确性。     

基于神经网络与遗传算法的纹理图像分割

运用两维自动回归模型、分形维数、均值和方差从每一小区域的数据中抽取纹理特征，把纹理特征作为自组织特征映射神经网络的输入层进行训练确定最优的纹理区域分割数，最后运用遗传算法优化图像分割。实验结果证明神经网络和遗传算法相结合能有效地分割纹理图像。     

基于三维解剖知识库的医学图像分析

提出了一种全新的基于知识的医学图像分析和理解的方法。该方法利用专 知识建立一个３Ｄ的解剖知识库,并提出了以适形变换的方法来解决标准的特异之间的矛盾,用这一方法可指导对任意方向图像的识别和理解。     

基于改进SegNet的遥感图像建筑物分割方法

针对高分辨率遥感图像建筑物分割精度低以及边缘模糊问题,在SegNet网络的基础上提出一种改进的全卷积神经网络。首先,选择在深度学习任务中表现良好的GELU作为激活函数,避免神经元失活;其次,在编码网络中使用改进的残差瓶颈结构提取更多的建筑物特征;然后,利用跳跃连接融合图像的低级与高级语义特征,辅助图像重构;最后,在解码网络末端连接改进的边缘修正模块进一步修正建筑物边缘细节,提升建筑物的边缘完整度。在Massachusetts Buildings Dataset数据集上进行实验,其精确率、召回率和F1值分别达到93.5%、79.3%和81.9%,综合评价指标F1值相比于基础网络提升约5%。     

基于属性直方图的图像分割方法及其在声呐图像分割中的应用

图像分割是图像识别中的主要问题，同时它又是一个经典难题；声呐图像恶劣的品质使图像的分割变得更为困难，属性直方图概念是直方图概念的推广；Otsu阈值化方法是一种性能良好的方法，本文将属性直方图概念应用于Otsu法中，提出了一中基于属性直方图的图像分割方法，文中阐述了这种方法的原理，并以声呐图像分割作为实例说明了这种方法的可行性。