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。     

P-集合的动态特性

在P-集合定义的基础上研究了P-集合的动态特性。提出了P-集合的动态识别——P-距离,P-距离可以将P-集合的动态变化程度进行量化,进而得到集成P-集合的过滤-剩余定理,利用这一定理可以进行药效识别、信息检索等。     

P-集合的信度特征

利用P-集合的结构,给出属性迁移的信度特征：属性集α的内P-集合信度特征,属性集α的外P-集合信度特征,利用这些结果,给出内P-集合的信度特征,外P-集合的信度特征,提出内P-集合的随机结构与随机定理,外P-集合的随机结构。普通集合的结构是P-集合的随机结构的特例,P-集合的随机结构是普通集合结构的一般形式。     

多元高斯混合模型脑MR图像去壳模型

将脑部组织从MR图像中提取出来已经成为脑部图像处理中的一个重要环节,它可以提高后继的脑组织定位、容积测量等处理的精确度。但由于脑MR图像往往具有偏移场、弱边界和强噪音,使得基于图像梯度信息的水平集模型很难得到真实解。高斯混合模型使用了图像全局信息,能较好地处理弱边界问题。但传统的高斯混合模型仅使用了灰度值分布信息,未对像素的位置进行考虑,这使得其在处理噪音图像时效果并不是很理想。利用图像多种信息构造新的信息场,使得由信息场构造的高斯混合模型更能降低偏移场、噪音等影响,同时防止曲线从弱边界泄漏。传统的高斯混合模型求解参数时,往往仅使用EM算法,易陷入局部最优。针对这个缺点,引入粒子群算法,并对其进行改进,使得改进的算法可以较快地得到精确解。对脑MR图像分割实验表明该模型可得到较好的分割效果。     

基于多元信息的高斯混合模型左心室MR图像分割

水平集模型在核磁共振图像(MRI)分割中具有十分重要的地位。但由于MR图像往往具有弱边界和强噪音,传统的水平集模型用于图像分割时一般依据图像梯度信息,因而很难得到真实解。高斯混合模型使用了图像全局信息,能较好地处理弱边界问题。但传统的高斯混合模型仅使用了灰度值分布信息,未对像素的位置进行考虑,这使得其在处理噪音图像时效果并不是很理想。该文利用图像多种信息构造新的信息场,使得由信息场构造的高斯混合模型更能处理噪音等影响,同时防止从弱边界泄漏。在取得心脏内壁后构造能量方程,运用形状约束和图像信息以得到心脏外壁。对左心室MR图像分割实验表明该模型具有较好的分割效果。     

基于PPCT和基数k的动态图混合编码方案

针对PPCT动态图编码效率低的特点,提出了一种将PPCT枚举编码和基数k枚举编码进行混合编码的动态图编码方案。在保证其抗攻击力的前提下,为了提高PPCT枚举编码的编码效率,把基数k枚举编码的循环链表指针编码系数的方法运用到PPCT枚举编码中。该编码方案具有PPCT枚举编码的抗攻击能力和基数k枚举编码的编码效率,克服了PPCT动态图编码效率低的缺点。     

一种增强的隐私保护K-匿名模型——（α，L）多样化K-匿名

K-匿名化是数据发布环境下保护个人隐私的一种有效的方法。指出目前已有的一些K-匿名模型存在隐私泄露问题,给出了一种新的有效的K-匿名模型——（α,L）多样化K-匿名模型解决存在的问题。通过一个局部化泛化算法对新模型的有效性进行实验验证。     

基于蕴涵算子L-λ-0-λ-G的模糊推理的三I算法

研究了基于蕴涵算子L-λ-0-λ-G模糊推理的FMP三I支持算法,给出了FMP模型和FMT模型的三I算法的计算公式。     

ε-支持向量回归机算法及其应用

针对现有传统的一些图像去噪方法难以获得清晰图像边缘的问题,提出了利用ε-SVR技术构建图像去噪滤波器的新方法。ε-支持向量回归机通过引入ε不敏感损失函数,可以实现具有较强鲁棒性的回归,而且回归估计是稀疏的,保留了SVM的所有优点。分析了ε-支持向量回归机理论算法及其在图像去噪中的应用,使用ε-支持向量回归机对图像进行滤波并且与最小值滤波、均值滤波和维纳滤波等常用的滤波方法相比较,还比较了SVM各种核函数对不同噪声的滤波效果和分析了不同阶数的Multinomial核的滤波效果。实验结果表明了ε-支持向量回归机能够有效地去除噪声,不但信噪比较高而且比较清晰,同时具有良好的稀疏性。     

基于高斯混合模型的人脑MR图像分割新算法研究

有限高斯混合模型是广泛应用于聚类分析与分布估计的概率模型之一,同样在脑部MR图像分割领域获得了广泛应用.利用高斯混合模型可以描述大脑图像,通过期望最大算法求解随机变量的特征值,并用其对图像上的点进行分类,可以在一定程度上解决脑图像分割问题.针对含脉冲噪声的大脑图像,首先利用改进的滤波方法对图像进行滤波,再利用粒子群改进算法的全局优化特性求解高斯混合模型的参数,这样避免了EM算法易陷入局部极值的现象,以提高参数精度,从而进一步提高分割质量.     

强噪声干扰下MR图像的脑组织分割

核磁共振图像（Magnetic Resonance Imaging）容易受到噪声的干扰,并且在图像边缘部分呈弱对比度。强噪声下核磁共振图像的脑组织分割一直是个难题,引起很多学者的关注。提出了一种使用自适应正则化参数并结合空间关系的算法,同时将核距离替换传统的欧式距离进行计算,对强噪声下的核磁共振图像进行分割,大大提高了分割的鲁棒性。算法的主要优点是为图像每个点定义自适应参数,并且将这个参数同时应用到目标函数的两项表达式当中,既减少了参数数量,又增强了分割效果。最后,由于结合空间关系,使分割结果更加的精确。实验表明,该方法在脑组织的分割精度、细节保留以及噪声处理方面比其他方法有所提高。     

White matter hyper-intensities automatic identification and segmentation in magnetic resonance images

A methodology for automatic identification and segmentation of white matter hyper-intensities appearing in magnetic resonance images of brain axial cuts is presented. To this end, a sequence of image processing technics is employed to form an image where the hyper-intensities in white matter differ notoriously from the rest of the objects. This pre-processing stage facilitates the posterior process of identification and segmentation of the hyper-intensity volumes. The proposed methodology was tested on 55 magnetic resonance images from six patients. These images were analysed by the proposed system and the resulted hyper-intensity images were compared with the images manually segmented by experts. The experimental results show the mean rate of true positives of 0.9, the mean rate of false positives of 0.7 and the similarity index of 0.7; it is worth commenting that the false positives are found mostly within the grey matter not causing problems in early diagnosis. The proposed methodology for magnetic resonance image processing and analysis may be useful in the early detection of white matter lesions.     

Automated segmentation of brain MR images

A simple, robust and efficient image segmentation algorithm for classifying brain tissues from dual echo Magnetic Resonance (MR) images is presented. The algorithm consists of a sequence of adaptive histogram analysis, morphological operations and knowledge based rules to accurately classify various regions such as the brain matter and the cerebrospinal fluid, and detect if there are any abnormal regions. It can be completely automated and has been tested on over hundred images from several patient studies. Experimental results are provided.     

基于模糊马尔可夫场的脑部MR图像分割算法

在传统马尔可夫场模型的基础上,建立了模糊马尔可夫场模型。通过对模型的分析得出图像像素对不同类的隶属度计算公式,提出了一种高效、无监督的图像分割算法,从而实现了对脑部MR图像的精确分割。通过对模拟脑部MR图像和临床脑部MR图像分割实验,表明新算法比传统的基于马尔可夫场的图像分割算法和模糊C-均值等图像分割算法有更精确的图像分割能力。     

一种基于改进的遗传算法的脑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,影响后继图像分割。采用Legendre多项式基函数来拟合偏移场,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,求得的偏移场最优。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,将遗传算法引入到参数求解过程中,然而传统的遗传算法时间复杂度高,易陷入局部最优,对遗传算法进行了改进,更容易得到全局最优解且时间复杂度较低。实验证明该算法可以得到精确的偏移场,得到准确的分割结果。     

基于影像的病脑检测方法综述

脑部疾病严重威胁着人类的健康,而随着计算机技术的发展,CT、MRI、PET-CT等医学图像越来越多地被应用到医疗诊断工作当中,这将计算机可视化技术推向了一个新的高度。脑部疾病的病情各异,有的甚至直接危及生命,因此,脑疾病的早期诊断对疾病治疗具有十分重要的意义。目前,深度学习的火热,及其自动学习特征的优势,使得基于深度学习的计算机辅助医疗诊断成为了研究热点。将简单介绍病脑成像技术,并针对传统的病脑检测方法和基于深度学习的病脑检测方法进行比较、分析和总结,研究其发展现状和趋势,并针对不同的诊断方法对其检测性能等方面进行分析与比较。     

基于方向Snake模型的心脏磁共振图像左心室内外膜分割

针对心脏磁共振图像(MRI)左心室内膜与外膜边缘方向不同的特点,提出一种基于曲线演化框架的方向主动轮廓模型进行左心室内外膜分割。曲线演化方程中包含基于图像边缘与区域灰度特征的混合几何流。几何流中的边缘信息项由经Fast Marching方法扩展后的动态方向梯度矢量流场（DDGVF）构成,用以引导曲线向具有不同方向的目标边缘运动,而区域灰度信息项则由Chan-Vese (CV)模型构成,用以防止曲线在演化过程中受其他边缘成分的影响而发生泄漏。最终的曲线演化方程采用水平集方法求解。实验结果表明,所提方法能够较为准确地分割出心脏MRI图像中的左心室内外膜并具有较好的鲁棒性,对于实现基于心脏MRI图像的左心室心肌区域自动快速分割和心脏功能分析与评价具有一定的应用价值。     

分割多发性硬化症白质病灶的新方法

多发性硬化症(MS)是一种慢性的中枢神经系统疾病,其病灶可由常规脑部核磁共振成像(cMRI)进行检测。为提高图像处理的效率,提出了一种自动分割cMRI图像中的MS白质病灶(WML)的新方法。首先将模糊核聚类（KFCM)用于预处理后的T1加权像,得到白质图像;然后利用一个种子点的区域生长处理白质图像,提取出一个二值模板。该模板与对应的T2加权像进行乘积,得到一幅仅包含白质、病灶及背景的图像;最后再次利用KFCM分割图像,得到病灶的核心部分。实验结果表明,所提出的方法能快速、有效地分割出低噪声仿真图像中的WML,且Dice相似性系数平均值在80%以上。