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。     

局部熵驱动下的脑MR图像分割与偏移场恢复耦合模型

核磁共振图像受成像机制的影响往往导致图像中含有噪声以及偏移场,使得传统的图像分割方法很难得到较好的分割结果.为此,提出一种基于局部熵的分割与偏移场恢复耦合模型,首先在小邻域内构建基于模糊C均值(FCM)聚类模型的局部统计项并将偏移场信息耦合到模型中,以恢复图像偏移场;其次采用非局部信息来构建邻域正则项,使得模型在降低噪声影响的同时能有效地保留图像结构信息;最后在对局部能量项进行全局积分时引入局部熵信息,使得模型具有各向异性,从而对噪声和偏移场影响更具鲁棒性.实验结果表明,本文方法可以得到较准确的分割和偏移场矫正结果.     

结合非局部信息的脑MR图像分割与偏移场恢复耦合模型

磁共振图像由于成像机制的影响往往导致图像中含有噪声和偏移场,使得传统方法很难得到较好的分割结果.为此,在模糊C均值模型的基础上提出一种分割与偏移场恢复耦合模型.首先构建基于非局部信息的邻域正则项,使得在降低噪声影响的同时能有效地保留图像结构信息;其次在模型求解时引入人工蜂群算法,使得模型能快速逼近凸优解.实验结果表明,该模型对噪声和偏移场均具有较好的鲁棒性,可得到较准确的分割和偏移场矫正结果.     

脑MR图像分割和偏移场矫正的耦合水平集模型

脑核磁共振(MR)图像因需要偏移场矫正,传统分割方法很难获得准确的分割结果。针对这一问题,首先构造一组基函数拟合偏移场以保证偏移场的光滑特性,再将其融入到高斯概率密度函数中,结合统计分类准则建立脑MR图像的分割和偏移场矫正的能量方程,最后将该能量方程引入到三相位水平集的变分框架中得到脑MR图像的分割和偏移场矫正的耦合模型。实验表明该方法在得到准确的分割结果同时还可以得到较好的恢复结果。     

一种基于交互式遗传算法的图像检索模型

提出了一种基于交互式遗传算法的图像检索模型。该模型首先将图像划分成一定的特征区间，结合区问的颜色特征和信息熵对图像进行编码，通过对用户评价后的图像进行遗传操作选出接近用户需要的图像，同时在遗传操作的过程中使用保护策略，保证在选择过程中用户不会丢失最适合的图像。实验证明该方法是实用有效的。     

改进的非局部FCM脑核磁共振图像分割与偏移场恢复耦合模型

核磁共振图像技术可用于对疾病的辅助诊断,然而受成像机制的影响往往图像中含有噪声以及偏移场,使得传统的模糊C均值(FCM)算法很难得到较好的分割结果.为此,提出一种基于FCM算法的分割与偏移场恢复耦合模型.首先将偏移场耦合到模型中,以降低灰度不均匀对分割的影响;其次将非局部信息融入模型中,使其在降低噪声影响的同时还能保持细长拓扑结构区域信息;最后引入隶属度正则项,以降低隶属度在过渡区域的影响,改善模型的分割效果.实验结果证明,文中模型对噪声具有较好的鲁棒性,并且在分割过程中能较好地恢复图像偏移场,得到较理想的分割结果及偏移场估计.     

局部熵驱动的生物医学图像分割偏移场恢复耦合模型

为降低噪声影响同时恢复图像偏移场,提出一种基于局部熵信息的分割与偏移场恢复耦合模型.该模型在水平集理论的整体框架下将局部熵引入耦合模型,进而将其改造成全局凸函数,并利用Split-Bregman方法求得全局最优解.实验结果表明,文中模型可以准确、快速地分割灰度不均匀图像,同时可较好地恢复出图像的偏移场信息,对初始曲线和参数也具有较好的鲁棒性.     

改进的核磁共振图像分割与偏移场恢复耦合模型

生物医学图像分析可以辅助医生诊断疾病,然而,图像中常含有噪声以及灰度不均匀现象,使得传统的图像分割方法不能得到满意的结果。针对这些问题,构造一种基于图像区域信息的偏移场恢复耦合模型,使得模型可以在分割的同时恢复出图像偏移场。为了得到全局最优解并提高算法效率,将该模型改进成1范数下的凸函数,并使用基于Split-Bregman方法对该耦合模型进行快速求解。实验结果表明,本文方法可以降低噪声和灰度不均匀的影响,得到较准确的分割结果和偏移场信息,而且大大地降低了计算复杂度。     

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。     

一种基于自适应遗传算法的神经网络学习算法

结合遗传算法与梯度下降法优点,提出了一种训练神经网络权值的混合优化算法,同时能够优化网络的结构。首先利用全局搜索能力可靠的遗传算法,采用递阶编码方案和自适应变异概率,同时优化网络的权值和结构,在进化结束时,能够寻到全局最优点附近的点。在遗传算法搜索结果的基础上,利用局部寻优能力较强的梯度下降法,从此点出发,进行局部搜索,最终达到网络的训练目标。与单一的遗传算法或者梯度下降法比较而言,混合优化算法的收敛速度明显提高。     

基于动态自适应蚁群算法的MRI图像分割

MRI图像分割在医学图像分析中具有极其重要的理论和应用价值.蚁群算法是一种具有离散性、并行性、鲁棒性和模糊聚类能力的进化方法.对目标边界模糊、目标灰度不均匀及目标不连续等情况的图像(如医学图像)分割,蚁群算法是一个比较好的选择.本文针对基本蚁群算法容易出现早熟和停滞现象的特性,提出了一种动态自适应蚁群算法,通过自适应的初始聚类中心调整策略和动态更新局部信息素浓度,使其收敛性和稳定性有一定的提高.实验证明改进的蚁群算法能够有效地分割MRI图像.     

心脏核磁共振图像标记线的网格跟踪

提出了基于可形变网格模型跟踪标记线的算法．通过网格模型的节点对标记线网格节点进行直接的跟踪,并将贪婪优化算法应用于模型能量极小化过程,提高了算法的速度．对多序列心脏收缩期核磁共振图像的实验表明,在保证标记线跟踪准确性的同时,文中算法大大提高了跟踪的速度．     

基于K-means和图割的脑部MRI分割算法

为了克服原始图割算法在用户选定的像素种子点较少情况下,目标边界容易出现错分这一现象,本文提出了基于K-means和图割(Graph cut,GC)算法相结合的交互式K-均值图割（K-means and graph cut,KMGC）算法,对脑部核磁共振图像（Magnetic resonance image,MRI） 进行交互式操作,该算法通过K-means聚类,对脑部MRI的灰度不均匀性进行了处理,在此基础上,再使用图割算法进一步对脑部MRI进行细化,从而达到有效地分割脑白质和脑 灰质的目的。本文分别在仿真和真实的脑部MRI数据上进行了大量的实验,分别从定量分析和定性分析两个角度对实验结果进行了分析,并与其他分割算法进行了对比,对比实验结果标明,KMGC算法能够有效地对脑部MRI进行分割,并在分割效果上优于其他算法。     

基于改进FCM的医学图像分割

为解决模糊C均值聚类(FCM)算法在图像分割尤其是医学图像分割中存在的计算量大、运行时间过长的问题,提出了一种改进方法。通过数据约减,即通过对相近的像素进行量化并聚合来减少像素个数,从而降低运算量。该方法用于人脑磁共振图像的分割比传统FCM算法的运算速度提高了50￣100多倍,并且选择合适大小的量化箱不会影响算法的分割效果。     

乳腺磁共振图像中偏差场的校正

文中提出一种校正乳腺磁共振图像中光滑、缓慢变化的偏差场的方法。它在同态滤波的基础上，用B样条对初步估计的偏差场进行平滑，从而能更有效地估计磁共振图像中光滑、缓慢变化的偏差场。在有偏差场的模型图像和MR乳腺图像的校正中，此方法均取得了成功。     

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。     

融合MRI信息的PET图像去噪: 基于图小波的方法

正电子发射断层成像(Positron emission tomography, PET)是一种强大的核医学功能成像模式, 广泛应用于临床诊断, 但PET图像的空间分辨率低且含有噪声, 有必要对PET图像进行去噪以提升PET图像的质量. 随着PET/MR (Magnetic resonance)等一体化成像设备的出现, 磁共振成像(Magnetic resonance imaging, MRI)的先验信息可用于PET图像去噪, 提高PET图像质量. 针对动态PET图像, 提出了一种融合MRI先验信息的PET图像图小波去噪新方法. 首先构建PET合成图像; 再将PET合成图像与MRI信息通过硬阈值方法进行融合; 接着在融合图像上构造图拉普拉斯矩阵; 最后通过图小波变换(Graph wavelet transfrom, GWT)对动态PET图像去噪. 仿真实验结果表明, 与单独的图滤波、图小波去噪方法以及其他结合MRI的PET图像去噪方法相比, 本文方法有更高的信噪比(Signal-to-noise ratio, SNR), 更好地保留了病灶信息; 本文方法的去噪性能与VGG (Visual Geometry Group)深度神经网络等基于学习的方法相当, 但不需要大量数据的训练, 计算复杂度低.     

基于改进的主动轮廓模型及光流估计的标记线跟踪

在心脏核磁共振图像分析中，标记线的跟踪是心肌运动分析及3维运动重建的重要步骤。为了提高心脏标记线跟踪的准确性，首先使用改进的基于动力学方程的主动轮廓模型来对标记线进行跟踪，并根据标记线的特点，引入了3种弹性势能，然后采用了新的内能函数，并使用新的方法来产生图像势能，由于改变了原模型中轮廓线初始速度为零的假设，并引入了光流估计作为轮廓的初始速度，从而提高了跟踪结果的准确性。对多序列心脏收缩期核磁共振图像的实验结果表明，该算法可以获得较好的跟踪效果。     

基于双匹配配准算法的多重复纹理图像拼接

针对目前图像配准算法对于多重复纹理图像配准位置偏差的问题,提出图像内自匹配与图像间互匹配相结合的双匹配配准(Double-match image registration,DMIR)算法.首先在对待匹配图像提取尺度不变特征转换(Scale-invariant feature transform,SIFT)特征之后,通过...