局部GAC模型在医学图像分割中的应用

针对基于区域测地线活动轮廓(GAC)模型很难准确分割灰度不均匀图像的问题,提出基于局部信息的GAC模型。该方法首先将图像区域进行局部化,来克服灰度不均匀对分割结果的影响,然后构造局部符号压力函数(ISPF)指导轮廓线在目标外部(或内部)收缩(或扩张)来完成分割。为了提高算法效率和稳定性,用二值水平集方法实现整个分割过程,避免了传统水平集数值不稳定性。实验结果表明,本文方法可以快速有效地分割灰度不均匀的医学图像。     

结合统计模型和曲线演化的左心室MRI图像分割

提出结合区域统计模型和图像梯度信息的MRI图像分割算法.由于心脏的变形和血液的流动,MRI图像中出现弱边界、局部梯度极大值区域、伪影等现象.基于图像梯度构造停止项的水平集方法难以分割此类图像.本文提出两阶段图像分割算法.首先结合先验知识和直方图,确定图像中像素的类别总数.用极大似然估计原理求出每一类的先验概率和概率分布参数,根据像素属于感兴趣区域(ROI)的后验概率构造水平集速度函数,通过曲线演化获取ROI的粗边界.然后再使用图像梯度构造速度函数对边界进行细化.实验结果表明,本文算法能够有效分割心脏MRI图像.     

基于图像区域信息与边界的分割方法研究

图像分割是图像研究中的关键步骤,其对相关工程技术领域有着重要的作用。由于图片具有一定的区域信息和边界信息,我们讨论了图像的区域分裂合并算法和边界跟踪算法。并提出了一种结合边缘与区域信息的变分水平集分割方法,通过对DRLSE(距离正则化水平集)模型的能量函数进行改进,引进了CV模型的外部能量项,实验结果表明,新模型继承了两种提取方法的优势,能够正确、快速、鲁棒的分割出目标区域。     

基于水平集的TLD目标跟踪改进算法

TLD算法是一种新颖的长期目标跟踪算法,针对算法中检测器采用特征没有充分考虑跟踪过程中目标的表观、区域轮廓的变化及基于窗口扫描影响效率等问题,在TLD算法的基础上,加入演化机理,基于水平集对其进行改进。结合边缘和区域信息的多尺度水平集方法,引入目标轮廓信息,在有效克服灰度不均匀图像的同时,提高了目标跟踪的适应性及精度;根据轮廓检测结果,引入目标运动方向检测算子,对目标运动方向及其在当前帧中的位置进行估计,减少扫描窗口的同时提高目标辨识能力。通过实验对原始TLD算法及改进的算法进行了比较。实验结果表明,改进后的方法跟踪速度有提升,对目标跟踪的适应性更强,跟踪精度更高。     

感兴趣区域高效提取算法

感兴趣区域在临床医学图像分析中占有重要地位.提出了一种基于单调推进曲线进化的感兴趣区域提取新方法.首先,通过极小化ROI(region of interest)能量函数,推导出区域速度函数项,并与基于边界的速度函数融合,提出融合ROI信息的单调推进Snake模型.ROI信息能够增强曲线深入到对比度低且细窄的区域中的传播能力.其次,提出了多初始化快速推进算法,选择性地种植种子曲线有助于局部区域的生长从而进一步改善分割结果.此外,为提高计算效率,在多尺度空间进行数值求解,其中利用快速解传递方法实现粗一级尺度到细一级尺度解的传递,可以加速收敛.利用医学图像分割实验对该方法进行评估,结果表明:该方法能够快速、精确地提取低对比度和细窄的ROI区域.与现有方法相比,该方法的高效性同时体现在分割结果和计算代价上.     

基于多分辨率三维图割的NRD分割

为了提高视网膜神经上皮层脱离自动分割的精度和效率,提出一种基于多分辨率三维图割的自动分割算法.首先通过视网膜厚度变化信息准确定位目标和背景区域,统计目标和背景的灰度分布特征,为图割算法提供先验信息;然后采用三维图割算法对4倍下采样后的频域光学相干断层扫描(SD-OCT)图像进行分割,得到粗分割结果;最后在原始分辨率图像上,对粗分割结果两侧的窄带区域进行三维图割,得到最终分割结果.在18组CirrusSD-OCT数据集上进行分割的实验结果表明,该算法的Dice相似性系数为95.07%,分割一组数据的平均时间为57 s,精度和效率均优于现有算法.     

一种基于视觉特征区域建议的目标检测方法

虽然基于深度学习的目标检测器具有较高的检测精度,但是大多数检测器的检测速度不能满足实时性要求.此外,目前主流的实时检测算法如SSD(single shot multibox detector)和YOLO(you only look once),对小目标的检测精度不高.鉴于此,提出一种基于视觉特征区域建议的目标检测算法,能够综合平衡检测精度和检测速度.算法分为区域建议和网络分类,区域建议根据目标的特征信息提取候选区域ROI(region of interest);网络分类使用CNN(convolutional neural network)对区域建议中提取的ROI进行处理,计算每个ROI类别的置信度,置信度大于设定阈值的ROI即为目标检测结果.实验结果表明,所提出算法的检测精度明显高于Faster R-CNN、SSD和YOLO,并且具有接近SSD和YOLO的检测速度.     

基于贝叶斯分类模型的双水平集算法的大脑图像分割

针对大脑图像中灰质和白质边界结构的复杂性以及拓扑细长部分目标和弱边界目标分割存在的问题,提出了基于贝叶斯分类模型的双水平集分割算法.鉴于传统的水平集有分割过度、泄漏边界的缺点,可通过贝叶斯分类模型计算出水平集曲线位于边界的概率,并将此概率相关联的区域决策因子添加在水平集函数方程中,从而实现利用图像的区域信息提高水平集曲线识别边界能力的目的.将基于贝叶斯分类模型的双水平集算法应用到大脑图像的分割,通过内外两条水平集共同演化作用,得到了比贝叶斯分类模型的单水平集方法更完整的分割效果,并明显提高了分割效率.     

自适应水平集模型在云图弱边界分割的应用

针对云图复杂且形态多变、边缘模糊,若利用单一分割模型进行云图的自动分割无法兼顾分割速度和分割精度的问题,提出了一种新的自适应水平集算法的云图分割方法。该算法根据零水平集上每一点所在邻域的灰度变化程度为其自动建立能量模型。运用改进后的算法,闭合曲线对边界分明的区域收敛迅速,对云图弱边界的区域降低收敛步径。实验结果表明,提出的新水平集图像分割算法能够有效实现对全天空云图弱边界的分割,提高了感兴趣区域云点识别的准确率。     

掌纹ROI分割算法的研究与实现

掌纹感兴趣区(ROI)分割是掌纹识别的关键步骤,目前掌纹分割方法主要存在定位点不易确定和同类图像ROI提取偏移度较大等问题,为改善这些问题,提出一种新的ROI分割算法。首先确定手掌图像中的两个指谷点;然后利用手掌轮廓特定区域边界点拟合直线,以该直线为基准,以固定角度的方式建立直角坐标系,利用指谷点找到掌纹信息丰富的区域,确定掌纹的ROI,最后提取特征矢量进行匹配识别。实验结果表明,该算法分割掌纹ROI的准确度高、速度快,对同类图像分割的偏移度更小,掌纹ROI的提取率达98.2%,掌纹正确识别率提高了3%左右,为基于掌纹的身份认证系统的实现提供了理论和实验依据。     

小邻域统计信息核磁共振医学图像分割模型

目的 提出局部统计信息测地线活动轮廓图像分割方法。方法 该方法采用高斯分布拟合图像局部灰度统计特征信息,构造了方向性驱动项。在此基础上,建立了局部统计信息测地线能量泛函。通过极小化该泛函,来驱动演化曲线有序地向目标边界逼近,最后,整个分割过程采用二值水平集方法实现。结果 本文方法降低了灰度不均匀信息影响,达到提取感兴趣区域轮廓目的,提高算法效率和稳定性。结论 实验结果表明,该方法可以快速准确地分割医学感兴趣目标边界。     

形状约束下活动轮廓模型冠脉血管图像多尺度分割

目的 由于计算机断层血管造影(CTA)图像的复杂性,临床诊断冠脉疾病往往需要经验丰富的医师对冠状动脉进行手动分割,快速、准确自动分割出冠状动脉对提高冠脉疾病诊断效率具有重要意义。针对双源CT图像特点以及传统单一基于区域或边界的活动轮廓模型的不足,研究了心脏冠脉3维分割算法,提出一种基于血管形状约束的活动轮廓模型分割方法。方法 首先,利用改进的FCM(fuzzy C-means)对心脏CT图像感兴趣区域初分割,其结果用于初始化C-V模型水平集演化曲线及控制参数,提取感兴趣区域轮廓。接着,由3维心脏图像数据获取多尺度梯度矢量信息构造边界型能量泛函,然后利用基于Hessian矩阵的多尺度血管函数对心脏感兴趣区域3维体数据增强滤波,获取血管先验形状信息用于约束能量泛函。最后融合边界、区域能量泛函并利用变分原理及水平集方法得到适合冠脉血管分割的水平集演化方程。结果 由于血管图像的灰度不均匀,血管末端区域更为细小,所以上述算法的实施是面向被划分多个子区域的血管,在缩小的范围内进行轮廓的演化。相比于传统的血管分割方法,该方法充分融合血管图像的先验信息及梯度场信息,能够从灰度及造影剂分布不均匀的冠脉血管图像中准确分割出冠状动脉,对于细小的血管结构亦能获得较好的分割效果。实验结果表明,该方法只需在给定初始轮廓前提下,有效提取3维冠脉血管。结论 对多组心脏CT图像进行分割,本文基于血管先验形状约束的活动轮廓模型可以准确分割出冠脉结构完整轮廓,并且人工交互简单。该方法在双源CT冠脉图像自动分割方面具有较好的正确率与优越性。     

A new level set method for inhomogeneous image segmentation

Intensity inhomogeneity often appears in medical images, such as X-ray tomography and magnetic resonance (MR) images, due to technical limitations or artifacts introduced by the object being imaged. It is difficult to segment such images by traditional level set based segmentation models. In this paper, we propose a new level set method integrating local and global intensity information adaptively to segment inhomogeneous images. The local image information is associated with the intensity difference between the average of local intensity distribution and the original image, which can significantly increase the contrast between foreground and background. Thus, the images with intensity inhomogeneity can be efficiently segmented. What is more, to avoid the re-initialization of the level set function and shorten the computational time, a simple and fast level set evolution formulation is used in the numerical implementation. Experimental results on synthetic images as well as real medical images are shown in the paper to demonstrate the efficiency and robustness of the proposed method.     

一种改进的变分水平集的图像分割算法

为了解决灰度不均匀现象对医学图像的干扰问题,提出了基于局部极性信息的活 动轮廓模型。通过引入局部图像信息,该模型能有效地分割灰度不均匀图像。在规则化项中增 加的能量惩罚项,使得水平集函数在演化过程中保持为近似的符号距离函数。该算法将图像分 割问题归结为曲线能量泛函的最小化,首先建立包含局部灰度信息（极性信息）和改进的符号 距离函数的曲线演化能量泛函;然后采用变分水平集方法求解能量函数的最小值,得到最终的 分割结果。真实医学图像和人工合成图像的实验结果表明,此方法对灰度不均匀的医学图像有 较高的分割精确度,在图像分割速度上有较大提高。由于利用了局部灰度信息,可以有效地分 割灰度不均匀的医学图像,而改进后的变分水平集可以完全避免重新初始化,使得图像分割效 率大大提高了。     

B超图像HIFU损伤区域分割方法的研究

针对目前高强度聚焦超声（High-Intensity Focused Ultrasound,HIFU）治疗过程中图像分割环节耗时过长且依赖于临床医生对损伤区域的准确判断的问题。提出了一种新的自动分割方法,该方法面向HIFU治疗这一具体应用,由治疗前治疗计划拟定的靶点和靶区大小对治疗后B超图像划定感兴趣区域（ROI）并对区域内图像进行最大类间方差法（Otsu）阈值分析,然后根据分析得到的阈值信息对治疗后图像进行阈值水平集分割。实验结果证明,与基于区域阂值的分割方法进行比较,该方法的敏感性和准确度分别可达98．67％和93．52％。     

Active contours driven by local image fitting energy

A new region-based active contour model that embeds the image local information is proposed in this paper. By introducing the local image fitting (LIF) energy to extract the local image information, our model is able to segment images with intensity inhomogeneities. Moreover, a novel method based on Gaussian filtering for variational level set is proposed to regularize the level set function. It can not only ensure the smoothness of the level set function, but also eliminate the requirement of re-initialization, which is very computationally expensive. Experiments show that the proposed method achieves similar results to the LBF (local binary fitting) energy model but it is much more computationally efficient. In addition, our approach maintains the sub-pixel accuracy and boundary regularization properties.     

Fully automatic and segmentation-robust classification of breast tumors based on local texture analysis of ultrasound images

Region of interest (ROI) is a region used to extract features. In breast ultrasound (BUS) image, the ROI is a breast tumor region. Because of poor image quality (low SNR (signal/noise ratio), low contrast, blurry boundaries, etc.), it is difficult to segment the BUS image accurately and produce a ROI which precisely covers the tumor region. Due to the requirement of accurate ROI for feature extraction, fully automatic classification of BUS images becomes a difficult task. In this paper, a novel fully automatic classification method for BUS images is proposed which can be divided into two steps: “ROI generation step” and “ROI classification step”. The ROI generation step focuses on finding a credible ROI instead of finding the precise tumor location. The ROI classification step employs a novel feature extraction and classification strategy. First, some points in the ROI are selected as the “classification checkpoints” which are evenly distributed in the ROI, and the local texture features around each classification checkpoint are extracted. For each ROI, all the classification checkpoints are classified. Finally, the class of the BUS image is determined by analyzing every classification checkpoint in the corresponding ROI. Both steps were implemented by utilizing a supervised texture classification approach. The experiments demonstrate that the proposed method is very robust to the segmentation of BUS images, and very effective and useful for classifying breast tumors.     

基于局部熵的主动轮廓模型

针对传统C-V模型对灰度分布不均匀图像分割效果不理想的问题,研究了一种基于局部熵的主动轮廓模型.首先,算法将局部熵的概念引入到C-V模型中,通过核函数获得局部区域的不均匀信息,来构建局部熵能量函数;其次,采用变分水平集的方法,最小化局部熵能量泛函,得到水平集的梯度下降流,根据梯度下降流不断更新水平集,获得目标轮廓图;最后,对4组灰度严重不均匀的图像进行仿真实验,并将本文算法与LBF方法和LGDF方法进行对比.实验结果表明,与LBF方法和LGDF方法相比,本文算法实现了灰度不均匀的图像的精确分割.     

融合区域和测地线的活动轮廓模型与图割相结合的自然图像分割

针对活动轮廓模型利用水平集函数演化来分割图像时,只能分割灰度均匀的图像 问题以及容易陷入能量泛函局部极小值的缺点,提出一种新的图像分割模型。模型将区域中的 局部和全局信息融合的活动轮廓模型与边界模型相结合,然后利用图切割进行优化。实验表明, 该方法对初始曲线不敏感,能分割灰度不均的自然图像,避免陷入局部极小,并能有效提高图 像分割的速度和精度。     

结合局部熵能量泛函与非凸正则项的图像分割

为了克服灰度不均匀对图像分割的影响，结合CV模型的全局能量项和LBF模型的局部能量项，引入图像局部熵信息和非凸正则项，构造新的能量泛函，提出了结合局部熵的局部能量泛函与非凸正则项的图像分割算法。该算法首先采用CV模型中的全局能量泛函得到图像的大致演化轮廓；通过构建具有局部熵信息的局部能量泛函，实现对图像的精确分割。然后，利用非凸正则项作为图像演化过程中零水平集逼近目标的又一驱动力驱动曲线演化和边缘保护。该算法利用变分水平集方法将这一新构建的能量泛函进行最小化，通过迭代更新水平集函数，完成曲线演化。最后，对比实验表明，所提出的算法可以高效、准确地分割灰度不均匀图像。