基于自适应局部阈值的交互式图像分割

目前比较主流的交互式图像分割技术,对用户的输入位置和输入量比较敏感,而且用户的输入具有试探性,所以为了得到满意的分割结果,用户不得不多次调整自己的输入,比较繁琐。针对这种不足,提出一种新的交互式图像分割方法。首先采用基于自适应局部阈值的图像分割算法,生成一系列同质区域,并描绘出其轮廓;然后用户用不同颜色,粗略标记出组成不同目标的区域集;最后通过合并同色标记的区域集,完成图像分割。实验结果表明,该算法不仅满足用户对交互式图像分割输入更直观、结果更准确的需要,同时方便地实现了多区域多目标的图像分割。     

融合Snake模型与拓扑路线的图像分割算法

为了能够提高图像边缘检测的准确度,提出一种新型图像处理算法.该算法是基于主动轮廓方法和拓扑路线相结合的方法,目的是提高图像检测过程的精确度.该算法提出了新型技术来整合拓扑路线和主动轮廓方法各自的优点.将基于拓扑路线的初始分割边界作为Snake模型输入信号,并逐步演化成为最终对象的分割边界.实验结果表明,该算法可以处理低对比度图像,同时可以提高针对弱图像边界进行分割的准确度,取得了更好的图像分割和边缘检测效果,说明该算法有改进低对比度和自动图像分割系统的处理能力.     

基于水平集人机交互模型的医学图像分割

医学图像中要分割的对象常比较复杂,通常的图像自动分割方法很难得到理想的结果.本文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对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,本方法就可以在医生的监督指导下对复杂的对象进行准确的分割.实验表明,本文的交互模型具有良好的实用性.     

数字式射线图像缺陷检测的C-V方法

数字式射线图像（DR图像）缺陷检测主要是进行缺陷区域的分割和测量,分割精度将直接影响到测量精度。C-V模型是一种新的基于曲线演化理论和水平集方法的图像分割模型,它结合区域信息使得分割结果全局最优,可以很自然地处理轮廓线拓扑结构的变化。针对工件DR图像特点,研究了一种DR图像缺陷检测的C-V方法：首先应用C-V模型进行DR图像缺陷区域的分割,在此基础上,完成缺陷区域几何参数的测量。实验表明,C-V方法能准确地分割出DR图像中的缺陷区域,并获得缺陷形心和面积等参数。     

基于语义分割的复杂驾驶场景障碍物检测

目前经典的语义分割方法无法准确的检测出交通场景中是否存在障碍物的情况,为了克服自动驾驶系统中对障碍物检测的难点,提出了一个用于像素级障碍物检测的框架。提出的算法流程如下：首先使用分割网络对输入图像进行分割,得到一个语义分割结果图和两个不确定性图;其次使用合成网络对预测的语义图进行处理,利用不确定性图来改进再合成方法,生成较为逼真的图像;最后通过比较输入图像和生成图像的特征来计算感知差异,将输入图像和重合成图像输入到相异模块进行障碍物预测。实验结果表明,文中算法在Cityscapes数据集上对所提出的像素级障碍物检测框架进行了测试和评估,与其它经典方法相比,取得了更好的障碍物检测效果。     

基于水平集的医学图像快速分割方法

针对高噪声、低对比度的医学图像难以快速准确分割的问题,结合基于像素的传统方法和基于水平集的活动轮廓模型,提出了一种混合的医学图像分割新技术.首先依据待分割对象的先验知识交互选取感兴趣区域.然后由传统的方法和基于水平集的C-V模型结合实现感兴趣区域图像的预分割.预分割的结果直接作为窄带变分水平集模型的初始轮廓,演化曲线在很短的时间内准确收敛到待分割物体的边缘.     

基于改进DRLSE模型的甲状腺3D超声图像自动分割

从超声图像中准确分割甲状腺区域是甲状腺疾病手术计划的关键之一。本文一方面,针对甲状腺超声3D图像,提出利用边缘指示函数和面积项系数改进的距离正则化水平集演化(Distance Regularized Level Set Evolution,DRLSE)模型来实现甲状腺区域的有效分割;另一方面,根据3D超声图像相邻帧之间甲状腺变化较小的特点,通过计算已分割图像的质心,作为相邻帧图像分割初始点来实现3D图像的自动分割。实验表明,采用本文改进DRLSE模型分割甲状腺3D超声图像,平均分割精度可以达到90%以上。     

基于条件生成对抗网络的乳腺上皮和间质区域自动分割

乳腺病理组织图像中上皮和间质区域的自动分割对乳腺癌的诊断和治疗具有非常重要的临床意义。但是由于乳腺组织病理图像中上皮和间质区域具有高度复杂性,因此一般的分割模型很难只根据提供的分割标记来有效地训练,并对两种区域进行快速、准确的分割。为此,提出一种基于条件对抗网络（cGAN）的上皮和间质分割条件对抗网络（EPScGAN）模型。在EPScGAN中,判别器的判别机制为生成器的训练提供了一个可训练的损失函数,来更加准确地衡量出生成器网络的分割结果输出和真实标记之间的误差,从而更好地指导生成器的训练。从荷兰癌症研究所（NKI）和温哥华综合医院（VGH）两个机构提供的专家标记的乳腺病理图像数据集中随机裁剪出1 286张尺寸为512×512的图像作为实验数据集,然后将该数据集按照7：3的比例划分为训练集和测试集对EPScGAN模型进行训练和测试。结果表明,EPScGAN模型在测试集的平均交并比（mIoU）为78.12%,和其他6种流行的深度学习分割模型相比较,提出的EPScGAN具有更好的分割性能。     

人体前景的自动抠图算法

在基于立体视觉的人体建模系统中,背景像素的移除可以减少不必要的立体匹配计算,提高人体模型重建效率.为此,在给定大量具有前景Alpha蒙板真值的人体图像作为训练数据的前提下,提出了一个端到端的深度学习网络,以实现系统采集图像中人体前景自动抠图.该深度学习网络包括2个阶段:人体前景分割阶段和人体前景Alpha抠图阶段.在人体前景分割阶段,采用Mask R-CNN网络中的目标检测和掩码生成2个负载,并结合训练数据进行迁移学习,得到了适用于人体前景二值化分割的模型网络.在人体前景Alpha抠图阶段,采用Encoder-Decoder网络架构实现Alpha蒙板的自动预测.首先引入核为5的非学习卷积层,以上一个阶段的二值化分割结果作为输入,自动得到三分图Trimap,再和人体前景训练数据一起作为此阶段抠图网络的输入;经过学习迭代,获得能够预测人体前景Alpha蒙板的模型网络.在实验部分,以单幅系统采集人体图像为输入,无需额外先验和人工交互,可以自动估计人体前景Alpha掩码结果.用户测试结果以及与其他方法的对比和分析证明了文中算法的可靠性和鲁棒性;同时,该自动抠图算法还对其他公开数据集的人体图像进行了掩码预测,实验结果表明该算法具有一定的泛化能力.     

基于条件生成对抗网络的乳腺上皮和间质区域自动分割

乳腺病理组织图像中上皮和间质区域的自动分割对乳腺癌的诊断和治疗具有非常重要的临床意义。但是由于乳腺组织病理图像中上皮和间质区域具有高度复杂性，因此一般的分割模型很难只根据提供的分割标记来有效地训练，并对两种区域进行快速、准确的分割。为此，提出一种基于条件对抗网络（cGAN）的上皮和间质分割条件对抗网络（EPScGAN）模型。在EPScGAN中，判别器的判别机制为生成器的训练提供了一个可训练的损失函数，来更加准确地衡量出生成器网络的分割结果输出和真实标记之间的误差，从而更好地指导生成器的训练。从荷兰癌症研究所（NKI）和温哥华综合医院（VGH）两个机构提供的专家标记的乳腺病理图像数据集中随机裁剪出1 286张尺寸为512×512的图像作为实验数据集，然后将该数据集按照7：3的比例划分为训练集和测试集对EPScGAN模型进行训练和测试。结果表明，EPScGAN模型在测试集的平均交并比（mIoU）为78.12%，和其他6种流行的深度学习分割模型相比较，提出的EPScGAN具有更好的分割性能。     

Interactive color image segmentation via iterative evidential labeling

We develop an interactive color image segmentation method in this paper. This method makes use of the conception of Markov random fields (MRFs) and D–S evidence theory to obtain segmentation results by considering both likelihood information and priori information under Bayesian framework. The method first uses expectation maximization (EM) algorithm to estimate the parameter of the user input regions, and the Bayesian information criterion (BIC) is used for model selection. Then the beliefs of each pixel are assigned by a predefined scheme. The result is obtained by iteratively fusion of the pixel likelihood information and the pixel contextual information until convergence. The method is initially designed for two-label segmentation, however it can be easily generalized to multi-label segmentation. Experimental results show that the proposed method is comparable to other prevalent interactive image segmentation algorithms in most cases of two-label segmentation task, both qualitatively and quantitatively.     

一种改进FCN 的肝脏肿瘤CT 图像分割方法

精准的医学图像分割是辅助疾病诊断和手术规划的必要步骤。由于腹部器官边界 模糊、对比度不高,肝脏肿瘤的自动分割一直是一个难题。针对传统全卷积神经网络(FCN)实 现端到端分割精度不佳等问题,提出了一种卷积型多尺度融合FCN 的CT 图像肝脏肿瘤分割方 法。首先,通过提高对比度、增强和去噪的方式对原始的CT 图像数据集进行预处理;然后使 用处理后的数据集对所设计好的FCN 网络进行训练;最终得出能够精确分割肝脏肿瘤的网络模 型。实验效果采用多种评价指标进行分割结果的评估,并且与多种常见的分割网络进行对比。 实验结果表明本文方法可以精准分割CT 图像中各种形状和大小的肝脏肿瘤,分割效果良好, 能够为临床的诊断提供可靠的依据。     

Interactive image segmentation via kernel propagation

In this paper, we propose a new approach to interactive image segmentation via kernel propagation (KP), called KP Cut. The key to success in interactive image segmentation is to preserve characteristics of the user?s interactive input and maintain data-coherence effectively. To achieve this, we employ KP which is very effective in propagating the given supervised information into the entire data set. KP first learns a small-size seed-kernel matrix, and then propagates it into a large-size full-kernel matrix. It is based on a learned kernel, and thus can fit the given data better than a predefined kernel. Based on KP, we first generate a small-size seed-kernel matrix from the user?s interactive input. Then, the seed-kernel matrix is propagated into the full-kernel matrix of the entire image. During the propagation, foreground objects are effectively segmented from background. Experimental results demonstrate that KP Cut effectively extracts foreground objects from background, and outperforms the state-of-the-art methods for interactive image segmentation.     

基于自监督学习的病理图像层次分割

在苏木精-伊红(HE)染色病理图像中，细胞染色分布的不均匀和各类组织形态的多样性给病理图像的自动分割带来极大挑战。为解决该问题，提出了一种基于自监督学习的病理图像三步层次分割方法，对病理图像中各类组织进行由粗略到精细的全自动逐层分割。首先，根据互信息的计算结果在RGB色彩空间中进行特征选择；其次，采用K-means聚类将图像初步分割为各类组织结构的色彩稳定区域与模糊区域；然后，以色彩稳定区域为训练集采用朴素贝叶斯分类对模糊区域进行进一步分割，得到完整的细胞核、细胞质和胞外间隙这三类组织结构；最后，对细胞核部分进行结合形状和色彩强度的混合分水岭分割得到细胞核间的精确边界，进而量化计算细胞核个数、核占比、核质比等指标。对脑膜瘤HE染色病理图像的分割实验结果表明，所提方法对于染色和细胞形态差异保持较高的鲁棒性，各类组织区域分割误差在5%以内，在细胞核分割精度的对比实验中平均正确率在96%以上，满足临床自动图像分析的要求，其量化结果可以为定量病理分析提供依据。     

Performance Modeling and Algorithm Characterization for Robust Image Segmentation

This paper presents a probabilistic framework based on Bayesian theory for the performance prediction and selection of an optimal segmentation algorithm. The framework models the optimal algorithm selection process as one that accounts for the information content of an input image as well as the behavioral properties of a particular candidate segmentation algorithm. The input image information content is measured in terms of image features while the candidate segmentation algorithm’s behavioral characteristics are captured through the use of segmentation quality features. Gaussian probability distribution models are used to learn the required relationships between the extracted image and algorithm features and the framework tested on the Berkeley Segmentation Dataset using four candidate segmentation algorithms.     

基于级联Vnet-S网络的CT影像单一器官自动分割算法

为了快速准确地对计算机断层扫描（CT）影像中的器官进行分割，提出基于级联Vnet-S网络的单一器官自动分割算法。首先，使用第一个Vnet-S网络对CT影像中的器官进行粗分割；然后，选择分割结果中的最大连接通量做两次膨胀，根据膨胀后的最大连接通量确定器官边界并提取器官区域；最后，使用第二个Vnet-S网络对器官进行细分割。为了验证算法的性能，采用MICCAI 2017 Liver Tumor Segmentation Challenge （LiTS）数据集进行肝脏分割实验，采用ISBI LUng Nodule Analysis 2016（LUNA16）数据集进行肺分割实验。级联Vnet-S算法在LiTS的70例线上测试数据上的Dice系数为0.9600，在LUNA16的288例测试数据上的Dice系数为0.9810，均高于Vnet-S网络和Vnet网络。实验结果表明，基于级联Vnet-S网络的单一器官分割算法可以准确地对器官进行分割，而且级联Vnet-S算法的计算量小于Unet网络和Vnet网络。     

基于3D U-Net网络的肿瘤分割方法设计

脑肿瘤MRI图像形态各异,类别严重不平衡,采用传统机器学习的半自动分割或深度学习的全自动分割方法,分割精度都不高.针对此问题,文章将3D U-Net[1]模型改进成一个层数更深的网络模型,此结构可以提取更多图像特征,但同时会导致网络难以训练,收敛过慢.为应对这种情况设计了一个叠加式残差块,在保留更多图像特征的同时,避免...     

基于残差双注意力U-Net模型的CT图像囊肿肾脏自动分割

人体肾脏存在形状的多样性和解剖学的复杂性,囊肿病变也会导致肾脏形状发生大幅变化。为应对CT图像囊肿肾脏自动分割存在的诸多挑战,提出一种新型深度分割网络模型。该模型设计有带残差连接的双注意力模块,在残差结构的基础上,联合空间注意力和通道注意力机制自适应学习更加有效的特征表达。依据U-Net架构,以残差双注意力模块为基础模块构建编码器和解码器,设置层级间的跳跃连接,使网络能够更加关注肾脏区域特征,有效应对肾脏的形状变化。为了验证所提模型的有效性,从医院共采集79位肾囊肿患者的CT图像进行训练和测试,实验结果表明该模型能够准确分割CT图像切片中的肾脏区域,且各项分割指标优于多个经典分割网络模型。     

分水岭算法和基于MRF的层次聚类相结合的混合无监督图像分割算法

提出一种新的混合多阶段无监督图像分割算法。在第一阶段,通过分水岭算法得到一幅过度分割的图像,该图像中的所有小区域作为初始聚类状态将在接下来的层次聚类阶段中被合并。在第二阶段,一种新的启发式的基于Bayesian方法和Markov随机域的计算模型被用于基于区域的层次聚类算法,该算法用来合并初始分割结果中的邻接区域,以改进分水岭算法的分割效果。深入分析了该计算模型中两个相互作用的部分。通过对多种不同种类图像使用该算法进行分割,表明这种多阶段的方法适合无监督分割,它按照视觉一致的方式合并区域,并且比传统的层次聚类算法快很多。