结合极值区域检测的血管内超声图像并行分割

目的 血管内超声（IVUS）图像动脉壁边界分割不仅对血管壁和斑块特征的定量分析至关重要,而且对血管弹性定性分析和重建动脉3维模型也是必需的。针对IVUS图像传统分割方法建模复杂、运算量大且需分别设计算法串行提取内膜和外膜的缺点,本文提出基于极值区域检测的IVUS图像并行分割方法。方法 本文方法包含极值区域检测、极值区域筛选以及轮廓拟合3部分。对单帧IVUS图像提取极值区域,经面积筛选后得到候选区域,并将区域的局部二值模式（LBP）特征、灰度差异和边缘周长的乘积作为筛选矢量在候选区域中提取代表管腔和介质的两个极值区域,并进行轮廓的椭圆拟合化,完成分割。结果 在包含326幅20 MHz的IVUS（intravascular ultrasound）B模式图像的标准公开数据集上,定性展示极值区域轮廓和椭圆拟合轮廓,并与专家手动绘制的结果进行对比;然后使用DC（dice coefficient）、JI（jaccard index）、PAD（percentage of area difference）指标以及HD（hausdorff distance）对本文算法做鲁棒性测试和泛化测试,实验中内膜各指标值分别为0.94±0.02,0.90±0.04,0.05±0.05,0.28±0.14 mm,外膜各指标值分别为0.91±0.07,0.87±0.11,0.11±0.11,0.41±0.31 mm,与相关文献的定量对比实验结果表明本文算法提取的内外膜性能均有所提高。此外,本文方法在临床数据集上的测试效果也很好,与专家手动描绘十分接近。结论 结合极值区域检测的IVUS图像并行分割,算法在精度和鲁棒性方面均得到了改善。     

结合先验形状信息和序贯学习的心血管内超声外弹力膜检测

目的 针对心血管内超声(IVUS)图像中钙化斑块、声影等干扰因素影响外弹力膜(EEM)轮廓检测准确性的问题,提出结合先验形状信息和序贯学习分类的心血管内超声外弹力膜检测的改进算法。方法 首先用多类多尺度序贯学习(M²SSL)将IVUS图像分割七大不同组织;然后在分类结果的基础上,结合血管先验形状信息筛选出外弹力膜轮廓的关键点;最后,结合IVUS图像的梯度和相位信息,采用Snake模型,获得最终的EEM轮廓。结果 临床采集22组IVUS序列,挑选出具有代表性的153帧图像做实验。统计数据显示:本文算法检测结果的平均Jacc指标为88.5%,满足临床诊断要求,性能优于国内近年来较好的算法。结论 本文的EEM自动检测算法简单有效,相比国内已有算法,提高了对钙化、纤维斑块以及声影区域的识别能力,对含钙化斑块、纤维斑块或血管中心偏移的高频IVUS图像具有较高的适用性。     

综合边界和纹理信息的合成孔径雷达图像目标分割

目的 针对传统Grab Cut算法需要人工交互操作,无法实现合成孔径雷达（SAR）图像的自动分割,且方式单一（仅利用边界或纹理信息中的一种）的问题,提出一种综合利用边界和纹理信息的改进Grab Cut算法,实现对SAR图像目标的自动分割。方法 首先将其他格式的彩色或灰度SAR图像转化为24 bit的位图,采用图形理论对整幅SAR图像建模,根据最大流算法找到描述图的能量函数最小的割集,从而分割出目标区域;然后采用中值滤波抑制相干噪声;最后通过邻域生长算法滤除图像斑点和小目标的干扰,从而达到目标边界的连接,实现自动对SAR图像中的目标进行分割。结果 在64位Window 7环境下采用MATLAB R2014处理平台,对楼房、车库、大树、汽车群等4幅分辨率不同的SAR图像进行目标分割实验,特征目标被自动分割出来,耗时分别为1.69 s、1.58 s、1.84 s和3.09 s,相比Mean-shift和Otsu算法,平均计算效率分别提升150%和3%,并且图像中的背景杂波、目标阴影和干扰小目标均被有效去除。结论 综合利用边界和纹理信息能够有效抑制相干噪声,去除图像斑点和小目标的干扰,从而达到目标边界的连接,实现对SAR图像目标的自动分割。实验结果表明,本文算法可以满足工程化应用要求,自适应性强,分割精度高,且具有较好的鲁棒性。     

结合基因表达式编程与空间模糊聚类的图像分割

目的 针对模糊C-均值聚类图像分割方法存在的对初始值敏感及抗噪性能差的问题,提出一种结合基因表达式编程与空间模糊聚类的图像分割方法。方法 首先,利用基因表达式编程算法对图像进行初次分割,即将聚类中心编码成染色体,通过适应度评价引导搜索获得优化的聚类中心;然后在隶属度计算中引入空间函数,以初次分割结果作为初始值,使用空间模糊聚类对图像进行二次分割。结果 对加噪的合成图像和Berkeley图像的分割实验显示,本文方法在聚类划分系数（VPC）、聚类划分熵（VPE）和峰值信噪比（PSNR）等评价指标上总体性能优于经典的模糊C-均值聚类和空间模糊C-均值聚类分割算法,其中VPC值平均高出0.062 4和0.061 1,VPE值平均降低0.117 0和0.101 1,而PSNR值平均提升了约13.312 1 dB和3.308 4 dB;在对Berkeley图像库中的6幅图片的分割实验显示,本文方法对图像分割的VPC值均在0.93以上,相比两种对比方法平均提高0.157 6和0.013 3,VPE值保持在0.1附近,均低于对比方法,PSNR值平均提高2.896 3 dB和1.934 4 dB;在多目标分割实验上,随着聚类数目增加,3种方法的分割性能均有下降,但本文方法性能曲线最为平缓,受聚类数目的影响最小。虽然本文方法所需的运行时间略有增加,但求解所需的迭代次数却极大地减少。结论 本文提出的图像分割方法具有很强的抗噪性、更高的分割精度和稳定性,适用于需要更精确结果、对时间要求不高的分割场景。     

深度学习多部位病灶检测与分割

目的 多部位病灶具有大小各异和类型多样的特点,对其准确检测和分割具有一定的难度。为此,本文设计了一种2.5D深度卷积神经网络模型,实现对多种病灶类型的计算机断层扫描（computed tomography,CT）图像的病灶检测与分割。方法 利用密集卷积网络和双向特征金字塔网络组成的骨干网络提取图像中的多尺度和多维度信息,输入为带有标注的中央切片和提供空间信息的相邻切片共同组合而成的CT切片组。将融合空间信息的特征图送入区域建议网络并生成候选区域样本,再由多阈值级联网络组成的Cascade R-CNN（region convolutional neural networks）筛选高质量样本送入检测与分割分支进行训练。结果 本文模型在DeepLesion数据集上进行验证。结果表明,在测试集上的平均检测精度为83.15%,分割预测结果与真实标签的端点平均距离误差为1.27 mm,直径平均误差为1.69 mm,分割性能优于MULAN（multitask universal lesion analysis network for joint lesion detection,tagging and segmentation）和Auto RECIST（response evaluation criteria in solid tumors）,且推断每幅图像平均时间花费仅91.7 ms。结论 对于多种部位的CT图像,本文模型取得良好的检测与分割性能,并且预测时间花费较少,适用病变类别与DeepLesion数据集类似的CT图像实现病灶检测与分割。本文模型在一定程度上能满足医疗人员利用计算机分析多部位CT图像的需求。     

融合各向异性扩散信息的图像分割

目的 图像因各种因素的影响存在一定程度的噪声,而噪声会在图像分割时影响待分割目标的边缘识别,导致分割结果难以达到理想状态。针对以上问题,在距离规则化水平集（DRLSE）演化模型的基础上,提出一种将各向异性扩散散度场信息融合到DRLSE模型中的新模型。方法 将水平集函数初始化为分段常数表达式,设定演化方程中的参数和水平集函数演化过程中的迭代时间步长Δt。随后将常值权系数α替换为融合各项异性扩散散度场信息的变权系数α（I）,对水平集函数的演化方程进行迭代演化,直至收敛到目标边缘。输出最终演化轮廓。结果 对选自Weizmann数据库的图像和经过人为改造的的图像进行图像分割实验,采用迭代时间和评价分割结果相似性的J系数（Jaccard相似性系数）和D系数（Dice相似性系数）等定量指标进行评价。对无噪声图像和噪声图像分割时,本文模型的J系数和D系数均比DRLSE模型的值大,表明本文模型的分割结果与真值图像的相似性较高。在分割时间方面,仅在分割背景简单边缘清晰的无噪声图像时,本文模型较DRLSE模型略长;在分割边缘清晰、背景灰度不均匀和边缘模糊、背景灰度不均匀的无噪声图像以及人为添加噪声的各种情况下,本文模型分割时间均明显短于DRLSE模型。其中,对边缘模糊、背景灰度不均匀的无噪声图像,本文模型分割时间为3.718 s,较DRLSE模型短9.523 s;对存在噪声、待分割目标存在凹区域且边缘模糊背景灰度不均匀图像,本文模型分割时间为4.235 s,较DRLSE模型短35.165 s。结论 实验结果表明,融合了各向异性扩散信息的DRLSE模型在图像分割尤其是噪声图像分割方面,具有明显的有效性、高效性和鲁棒性。     

带尺寸约束的弱监督眼底图像视盘分割

目的 医学图像的像素级标注工作需要耗费大量的人力。针对这一问题，本文以医学图像中典型的眼底图像视盘分割为例，提出了一种带尺寸约束的弱监督眼底图像视盘分割算法。方法 对传统卷积神经网络框架进行改进，根据视盘的结构特点设计新的卷积融合层，能够更好地提升分割性能。为了进一步提高视盘分割精度，本文对卷积神经网络的输出进行了尺寸约束，同时用一种新的损失函数对尺寸约束进行优化，所提的损失公式可以用标准随机梯度下降方法来优化。结果 在RIM-ONE视盘数据集上展开实验，并与经典的全监督视盘分割方法进行比较。实验结果表明，本文算法在只使用图像级标签的情况下，平均准确识别率（mAcc）、平均精度（mPre）和平均交并比（mIoU）分别能达到0.852、0.831、0.827。结论 本文算法不需要专家进行像素级标注就能够实现视盘的准确分割，只使用图像级标注就能够得到像素级标注的分割精度。缓解了医学图像中像素级标注难度大的问题。     

含多级通道注意力机制的CGAN遥感图像建筑物分割

目的 遥感图像建筑物分割是图像处理中的一项重要应用,卷积神经网络在遥感图像建筑物分割中展现出优秀性能,但仍存在建筑物漏分、错分,尤其是小建筑物漏分以及建筑物边缘不平滑等问题。针对上述问题,本文提出一种含多级通道注意力机制的条件生成对抗网络（conditional generative adversarial network,CGAN）模型Ra-CGAN,用于分割遥感图像建筑物。方法 首先构建一个具有多级通道注意力机制的生成模型G,通过融合包含注意力机制的深层语义与浅层细节信息,使网络提取丰富的上下文信息,更好地应对建筑物的尺度变化,改善小建筑物漏分问题。其次,构建一个判别网络D,通过矫正真实标签图与生成模型生成的分割图之间的差异来改善分割结果。最后,通过带有条件约束的G和D之间的对抗训练,学习高阶数据分布特征,使建筑物空间连续性更强,提升分割结果的边界准确性及平滑性。结果 在WHU Building Dataset和Satellite Dataset II数据集上进行实验,并与优秀方法对比。在WHU数据集中,分割性能相对于未加入通道注意力机制和对抗训练的模型明显提高,且在复杂建筑物的空间连续性、小建筑物完整性以及建筑物边缘准确和平滑性上表现更好;相比性能第2的模型,交并比（intersection over union,IOU）值提高了1.1%,F₁-score提高了1.1%。在Satellite数据集中,相比其他模型,准确率更高,尤其是在数据样本不充足的条件下,得益于生成对抗训练,分割效果得到了大幅提升;相比性能第2的模型,IOU值提高了1.7%,F₁-score提高了1.6%。结论 本文提出的含多级通道注意力机制的CGAN遥感图像建筑物分割模型,综合了多级通道注意力机制生成模型与条件生成对抗网络的优点,在不同数据集上均获得了更精确的遥感图像建筑物分割结果。     

时空图卷积网络与注意机制的视频目标分割

目的 从大量数据中学习时空目标模型对于半监督视频目标分割任务至关重要,现有方法主要依赖第1帧的参考掩膜（通过光流或先前的掩膜进行辅助）估计目标分割掩膜。但由于这些模型在对空间和时域建模方面的局限性,在快速的外观变化或遮挡下很容易失效。因此,提出一种时空部件图卷积网络模型生成鲁棒的时空目标特征。方法 首先,使用孪生编码模型,该模型包括两个分支：一个分支输入历史帧和掩膜捕获序列的动态特征,另一个分支输入当前帧图像和前一帧的分割掩膜。其次,构建时空部件图,使用图卷积网络学习时空特征,增强目标的外观和运动模型,并引入通道注意模块,将鲁棒的时空目标模型输出到解码模块。最后,结合相邻阶段的多尺度图像特征,从时空信息中分割出目标。结果 在DAVIS（densely annotated video segmentation）-2016和DAVIS-2017两个数据集上与最新的12种方法进行比较,在DAVIS-2016数据集上获得了良好性能,Jacccard相似度平均值（Jaccard similarity-mean,J-M）和F度量平均值（F measure-mean,F-M）得分达到了85.3%,比性能最高的对比方法提高了1.7%;在DAVIS-2017数据集上,J-M和F-M得分达到了68.6%,比性能最高的对比方法提高了1.2%。同时,在DAVIS-2016数据集上,进行了网络输入与后处理的对比实验,结果证明本文方法改善了多帧时空特征的效果。结论 本文方法不需要在线微调和后处理,时空部件图模型可缓解因目标外观变化导致的视觉目标漂移问题,同时平滑精细模块增加了目标边缘细节信息,提高了视频目标分割的性能。     

结合改进的U-Net和Morphsnakes的肝脏分割

目的 精确的肝脏分割是计算机辅助肝脏疾病诊断和手术规划的必要步骤,但由于肝脏解剖学的复杂性、邻近器官的低对比度和病态等原因,使得肝脏分割在医学图像处理领域仍然是具有挑战性的任务。针对腹部图像器官边界模糊及传统U-Net模型实现端到端的分割时精确度不高等问题,设计了一种基于改进的U-Net （IU-Net）和Morphsnakes算法的增强CT图像肝脏分割方法。方法 首先根据CT图像头文件信息对原始数据进行预处理并构建数据集,然后使用构建好的数据集训练IU-Net,训练过程中使用自定义的Dice层评测图像分割结果的准确率,最后通过OpenCV和Morphsnakes对初始分割结果进行精细分割,最终实现增强CT图像中肝脏的精确分割。结果 实验数据包括200组增强CT,160组用于训练,40组用于测试。本文算法分割准确率达到了94.8%,与U-Net、FCN-8s模型相比,具有更好的分割效果。结论 本文算法可以准确分割增强CT图像中各种形状的肝脏,能够为临床诊断提供可靠依据。     

基于snake模型的IVUS图像序列三维分割方法

针对血管内超声（Intravascular Ultrasound,IVUS）图像序列中血管壁内外膜轮廓的提取问题,提出一种基于snake模型的三维并行分割方法。首先,对原始图像进行滤除噪声和抑制环晕伪像等预处理。然后,获取IVUS图像序列的四个纵向视图,并从中提取出内腔边界和中-外膜边界。通过将这些边界曲线映射到各帧IVUS图像中,得到横向视图中的初始轮廓。最后,将该初始轮廓作为snake模型的初始形状,通过使snake能量函数最小,模型不断变形,最终得到各帧IVUS图像中的内腔和中-外膜边界。该方法可实现对IVUS图像序列的并行分割,与二维串行分割方法相比,可大大提高处理效率。采用大量临床图像数据的实验结果证明该方法可自动、快速、可靠的完成IVUS图像序列的分割。     

结合图像增强的心血管内超声中-外膜边缘检测

针对心血管内超声(IVUS)图像中-外膜边缘检测中,伪影、斑块及血管分支等造成边缘难以准确检测的问题,提出一种基于空频域图像增强的中-外膜边缘检测算法。首先,采用一种空频域相结合的增强算法对图像进行增强处理,该增强算法结合了基于方向滤波器组的频率域增强算法与基于邻域、直方图均衡化的空间域增强算法的优点,同时克服了前者导致的对比度降低的缺陷及后者带来的图像细节模糊的缺陷。然后,将增强后的图像数据矩阵作为代价矩阵,利用启发式图搜索法对代价矩阵进行图搜索,从而获取中-外膜边缘。实验结果表明,本文增强算法在增强中-外膜边缘特征的同时改善了图像的对比度和清晰度,使基于其增强结果的图搜索能准确地检测到中-外膜边缘,其检测正确率达到92.76%,提高了IVUS图像中-外膜边缘检测的准确性。     

基于血管内超声图像序列的相角配准与边缘检测

血管内超声成像可以显示血管内腔、管壁清楚的实时截面图像。实际采集的冠状动脉序列图像由于受脉动的影响而产生较大的重叠和错位,破坏毗邻图像的相关性,从而影响血管边缘检测、定量测量和3维重建的准确性。为进行精确的配准和边缘检测,采用一种新型的无需硬件设施的相角配准技术,经对序列图像的重采样得到相同相位下的连续图像,再基于快速主动轮廓算法模型提出一种适合血管内超声图像的自动边缘检测方法对重采样后的图像进行边缘检测。检测结果表明自动检测的内腔、血管面积与手动追踪非常吻合,具有较高的相关系数和较小的系统误差,可作为医生可靠而准确的诊断工具。     

Unsupervised skin lesions border detection via two-dimensional image analysis

The skin cancer was analyzed by dermoscopy helpful for dermatologists. The classification of melanoma and carcinoma such as basal cell, squamous cell, and merkel cell carcinomas tumors can be increased the sensitivity and specificity. The detection of an automated border is an important step for the correctness of subsequent phases in the computerized melanoma recognition systems. The artifacts such as, dermoscopy-gel, specular reflection and outline (skin lines, blood vessels, and hair or ruler markings) were also contained in the dermoscopic images. In this paper, we present an unsupervised approach for multiple lesion segmentation, modification of Region-based Active Contours (RACs) as well as artifact diminution steps. Iterative thresholding is applied to initialize level set automatically; the stability of curves is enforced by maximum smoothing constraints on Courant–Friedreichs–Lewy (CFL) function. The work has been tested on dermoscopic database of 320 images. The border detection error is quantified by five distinct statistical metrics and manually used to determine the borders from a dermatologist as the ground truth. The segmentation results were compared with other state-of-the-art methods along with the evaluation criteria. The unsupervised border detection system increased the true detection rate (TDR) is 4.31% and reduced the false positive rate (FPR) of 5.28%.     

Multi-agent segmentation of IVUS images

A novel multi-agent image interpretation system has been developed which is markedly different from previous approaches in especially its elaborate high-level knowledge-based control over low-level image segmentation algorithms. Agents dynamically adapt segmentation algorithms based on knowledge about global constraints, contextual knowledge, local image information and personal beliefs. Generally agent control allows the underlying segmentation algorithms to be simpler and be applied to a wider range of problems with a higher reliability.The agent knowledge model is general and modular to support easy construction and addition of agents to any image processing task. Each agent in the system is further responsible for one type of high-level object and cooperates with other agents to come to a consistent overall image interpretation. Cooperation involves communicating hypotheses and resolving conflicts between the interpretations of individual agents.The system has been applied to IntraVascular UltraSound (IVUS) images which are segmented by five agents, specialized in lumen, vessel, calcified-plaque, shadow and sidebranch detection. IVUS image sequences from 7 patients were processed and vessel and lumen contours were detected fully automatically. These were compared with expert-corrected semiautomatically detected contours. Results show good correlations between agents and expert with r=0.84 for the lumen and r=0.92 for the vessel cross-sectional areas, respectively.     

结合深度学习和超像元的高分遥感影像变化检测

目的 随着遥感影像空间分辨率的提升,相同地物的空间纹理表现形式差异变大,地物特征更加复杂多样,传统的变化检测方法已很难满足需求。为提高高分辨率遥感影像的变化检测精度,尤其对相同地物中纹理差异较大的区域做出有效判别,提出结合深度学习和超像元分割的高分辨率遥感影像变化检测方法。方法 将有限带标签数据分割成切片作训练样本,按照样本形式设计一个多切片尺度特征融合网络并对其训练,获得测试图像的初步变化检测结果;利用超像元分割算法将测试图像分割成许多无重叠的同质性区域,并将分割结果与前述检测结果叠合,得到带分割标记的变化检测结果;用举手表决算法统计带分割标记的变化检测结果中超像元的变化状况,得到最终变化检测结果。结果 在变化检测实验结果中,本文提出的多切片尺度特征融合卷积网络模型在广东数据集和香港数据集上,优于单一切片尺度下卷积神经网络模型,并且结合超像元的多切片尺度特征融合卷积网络模型得到的Kappa系数分别达到80%和82%,比相应的非超像元算法分别提高了6%和8%,在两个测试集上表现均优于长短时记忆网络、深度置信网络等对比算法。结论 本文提出的卷积神经网络变化检测方法可以充分学习切片的空间信息和其他有效特征,避免过拟合现象;多层尺度切片特征融合的方法优于单一切片尺度训练神经网络的方法;结合深度学习和超像元分割算法,检测单元实现了由切片到超像元的转变,能对同物异谱的区域做出有效判决,有利于提升变化检测精度。     

血管内超声图像后处理综述

血管内超声显像是目前临床常用的诊断血管病变的介入影像手段,可在活体中观 察血管壁和管腔的形态,以及斑块的形态和成分。采用数字图像处理技术,对血管内超声图像 序列进行自动或半自动地处理和分析,对于血管病变的计算机辅助诊断和制定最佳诊疗方案具 有重要意义。本文就近年来血管内超声图像计算机后处理的研究现状进行综述,包括图像分割 和组织标定、运动伪影的抑制、血管的三维重建、血管形态和血流动力学参数的测量、组织定 征显像及与其他影像的融合等,评价了目前的研究情况,并对未来的研究提出了展望。