医学超声图像交互型目标检测

医学图像中要分割的对象常比较复杂,通常的图像自动检测方法很难得到理想的结果.在曲线演化图像分割方法的基础上,提出了一种基于水平集方法的人机交互模型.该模型不仅继承了水平集方法的拓扑变化的自适应性,而且还有良好的人机交互性能.在分割过程中,医生只要在图像的适当位置上加入少许几个标记点,就可以在医生的指导下对复杂的对象进行准确的检测.实验表明,交互模型具有良好的实用性.     

一种基于改进水平集与边缘检测结合的轮廓提取与检验方法

目前图像分割方法主要研究图像分割精度、质量等,但对分割的结果研究甚少,通常是依靠人工检测结果的收敛性。通过分析图像边界的特点,给出了强边界、弱边界的定义和收敛准则,提出一种将改进的水平集与边缘检测相结合的图像分割方法,用来检验图像分割结果的收敛性,提高分割结果可信度。首先利用自适应区域生长分割出图像初始区域;然后利用预分割的结果构造初始水平集函数和进行边缘演化;最后,用边缘检测算子对分割结果进行检验,将检验得到的结果再进行水平集演化,如此往复,直到收敛。实验结果表明,该方法对弱边界图像有很好的分割效果,可较为理想地提取海马图像中的目标。     

基于相位和GGVF的水平集乳腺超声图像分割

提出一种基于相位和广义梯度矢量流(generalized gradient vector flow,GGVF)的水平集分割方法,并用于乳腺超声图像的肿瘤分割。首先,在频域空间,用Cauchy核替代Log-Gabor作为正交滤波器对图像进行滤波,提取来自于单演信号的多尺度图像特征,引入相位一致的思想将多尺度特征结合起来进行边界检测;然后,在此基础上,利用相位一致梯度图定义了一个基于相位的速度停止项函数,同时改进了GGVF;最后,将得到的速度停止项和梯度矢量流融入到水平集演化方程中来控制曲线的演化,获得乳腺肿瘤的边界。实验结果表明,使用该分割方法可获得比现有方法更好的乳腺肿瘤分割结果。     

基于多尺度水平集的MR图像海马区分割方法

针对MR图像中海马区存在灰度不均匀性,基于区域动态轮廓的C-V模型只利用区域信息无法获得准确的海马区分割问题,结合多尺度边缘约束的演化思想和图像区域的全局信息,提出了一种结合边缘和区域信息的多尺度水平集MR(magnetic resonance)图像海马区分割方法.首先,在C-V模型的基础上采用内部约束能量项,消除水平集的重初始化,提高分割速度;其次,改进水平集函数中外部能量项的图像区域全局信息,解决由于灰度不均匀所引起的分割不准确问题;最后,在水平集函数的外部能量项中加入基于多尺度图像边缘的梯度信息,作为边缘约束停止项,使分割效果达到优化.实验结果表明,该算法对存在灰度不均匀性的图像海马区分割速度快、准确率高.     

基于几何图像的三角网格分割

对反求工程中三角网格数据的分割算法进行研究,提出一种基于几何图像的三角网格分割方法.在网格参数化的基础上,改进几何图像的生成方法.结合形态学方法,用去除逼近项小波重建方法和梯度图像方法两种方法分割法矢图像,基于阈值法分割曲率图像,把几何图像的分割结果映射回到原始网格.实例表明基于几何图像的三角网格分割方法对没有复杂自由曲面的网格数据可以取得较好的分割效果.     

结合概率密度函数和主动轮廓模型的磁共振图像分割

为了提高大脑磁共振图像的分割精度,提出了一种新的图像分割算法。首先,分析了常用于大脑磁共振图像分割的高斯混合模型和主动轮廓模型的优缺点,联合高斯混合模型的概率密度函数和主动轮廓模型的能量函数构造了一个新的能量函数。然后,利用遗传算法和最大期望算法获取概率密度函数的参数值。最后,利用水平集方法和梯度下降流法,对获得的能量函数进行最小化,从而得到最终的分割结果。与传统方法相比,本文算法对脑组织中的白质和灰质的分割精度分别提高了6.73%和14.07%。该算法利用像素点的区域信息和概率值驱动主动轮廓曲线的演化,能有效区分具有相近灰度值的不同区域,从而提高了大脑磁共振图像的分割精度。     

基于水平集的前列腺磁共振图像分割方法研究

基于前列腺磁共振图像(MRI)特征信息及其病变好发特定区域等先验知识,针对前列腺内外轮廓全分割问题,提出基于边缘距离调整水平集演化(DRLSE)的前列腺MRI两步分割方法。在构建统一水平集能量函数的基础上,第1步基于前列腺MR的T1(纵向弛豫时间)图像实现其外轮廓分割,第2步在外轮廓约束限定条件下,基于前列腺MR的T2(横向弛豫时间)图像实现前列腺的内部轮廓分割,进而完成前列腺内外轮廓的全面有效分割。设计了前列腺分割的人机交互界面,对10个前列腺病例MR图像(含正常、增生和癌变共30幅)进行了分割实验研究,并采用Dice相似性系数(DSC)对分割结果进行评价分析,DSC值达到90%以上。实验结果表明,所提出的基于边缘DRLSE的前列腺MRI两步分割方法能够有效地实现前列腺内外轮廓的全面分割,非常接近于临床专家手动分割的理想结果,对前列腺疾病的临床诊断和治疗有较好的参考价值。     

CT图像中的主动脉分割方法

CT图像中主动脉分割技术在临床医学诊断和定量分析研究过程中有着非常重要的意义.为了实现人体主动脉准确分割的目的,提出了一种联合C-V模型边界的区域分割算法.该算法以基于种子点的区域生长作为区域分割的生长方式,以C-V模型得到的最终演化轮廓曲线为约束条件,两者结合来达到分割主动脉区域的目的.实验过程中,将该算法与区域生长算法进行了精度对比,结果证明本分割算法的精度更高.     

模糊聚类协作区域主动轮廓模型医学图像分割

医学图像分割的研究对于医学影像发展具有重要意义.区域主动轮廓模型(CV)易受目标和背景区域面积比的影响,且对初始位置敏感.针对上述现象,本文提出一种模糊C-均值聚类(FCM)协作改进CV模型的图像分割算法,即FCM-CV算法.首先在CV模型中增加能量权值函数消除面积比的影响,然后用FCM粗分割结果指导设定改进CV模型零水平集的初始位置.实验结果表明,与CV模型和局部二值拟合模型(LBF)相比,FCM-CV算法消除了面积比对分割精度和效率的影响,具有更好的数值稳定性,且对初始位置不敏感,提高了图像分割的准确性.     

图像分割技术及其在模拟指针式仪表自动检定系统中的应用

图像分割技术是智能模拟指针式仪表检定系统中的用的图像分割方法是根据系统自身的实际特点,将多种图像分割方法如基于阈值的分割和基于区域的分割综合使用,并根据具体的要求,对基于边缘的分割方法做了适当的改进,最终得到了适合系统自身要求和特点的图像分割方法.在实际应用系统中,该算法的分割的效果好于其他的单一的图像分割算法,分割出的图像清晰,噪声小,为后续的处理程序提供了良好的基础.