基于光照球索引的医学图像感兴趣区快速体绘制*

针对三维医学图像显示中感兴趣器官遮挡和快速真实体绘制的问题,提出一种感兴趣区体绘制方法,并在GPU(graphic processing unit)上实现。通过构造基于光照球索引的传递函数,实现感兴趣组织的风格化显示;通过交互设定感兴趣区域,用灰度和梯度信息生成的重要因子调节体素不透明度,强调感兴趣区域器官。实验结果显示了该方法在速度和显示效果上的优点。     

基于自动阈值的CT图像快速肺实质分割算法

首先给出了一个肺实质分割的基本框架,结合最佳阈值法、数学形态学方法,对图像进行了粗分割;然后,针对左右肺未完全分离的情况,提出了快速自适应的优化细分割方法。在实际临床胸部CT图像上的实验表明,该方法的分割结果和专家的人工分割结果很接近,特别是对于左右肺的分离有很好的实验效果,成功分割率达到94.8%。     

基于熵和局部邻域信息的高斯约束CV模型

基于曲线演化的Chan-Vese(CV)模型常常不能准确分割非均匀性且结构复杂的医学图像.针对此缺点,文中提出了一种基于熵和局部邻域信息的高斯约束CV模型,作者利用熵构造内部和外部区域能量的权值系数,加强了对曲线演化的控制;同时将曲线上各点的局部邻域信息引入到曲线演化过程中,提高了分割的准确性,并降低了区域内灰度不均匀等因素对曲线演化的影响;高斯约束保证了曲线演化过程中的稳定性、光滑性,同时不需要曲线周长约束项和重复初始化.利用Circular Hough变换对左心室壁内、外膜进行初始定位,避免了人工设置初始轮廓,减少了曲线向目标轮廓演化时间和初始轮廓位置敏感性对分割结果的影响.作者对心脏MR图像的左心室内、外膜进行了分割.结果表明文中方法能够快速准确地分割左心室壁内、外膜,抗干扰能力强,鲁棒性好.     

特征点对引导的医学图像弹性配准方法

采用最优化方法进行弹性图像配准时,常常会因为初值选择不合适导致优化过程收敛到局部极值,从而使配准失败。针对该问题,提出了利用一对匹配的特征点来引导迭代配准过程的算法。首先,根据一对匹配的特征点确定图像初始局部配准区域;然后,在算法迭代过程中逐渐扩展局部配准区域直至覆盖整个图像。建立初始局部配准区域及局部配准区域扩展时,根据特征点对的空间位置关系,以及医学图像的形变场在统计特性上是高斯马尔可夫随机场的先验知识,来估计局部配准区域形变参数向量的初值;在对局部配准区域进行配准时,基于图像像素灰度统计信息的配准方法被用来求解局部配准区域的形变场参数向量。实验证明,该算法能够有效克服弹性配准算法容易陷入局部极值的问题。     

一种新的心脏磁共振图像分割方法

心脏磁共振图像的分割是心脏功能辅助诊断和分析的基础,而左心室轮廓的提取则是正确分割心脏磁共振图像的关键。提出了一种提取心脏磁共振图像中左心室轮廓的方法。该方法首先采用一种自适应边缘保持平滑算法对心脏磁共振图像作平滑处理,接着采用K均值聚类算法对心脏磁共振图像作聚类分析,然后采用基于变分水平集方法的几何主动轮廓线模型提取左心室轮廓。实验表明,该方法能够克服心脏磁共振图像中的噪声和心脏周边组织的影响,而且具有较好的准确性和鲁棒性。     

图像的模糊增强与聚类分割

本文对于被噪声污染而又要求按若干个灰度级作多区域分割的图象处理问题，给出了模糊增强的具体实现过程；并提出基于直方图对多个亮度进行聚类分析，通过建立聚类目标函数的最小化数据，确立多级灰度门限，从而实现图像的多级灰度的最佳分割。     

PET序列图像超分辨率优质重建算法

为了从PET序列低分辨率图像中重建出优质高分辨率图像,提出了一种基于正则化参数的自适应线性斜率超分辨率算法。该算法通过对正则化线性斜率的自适应,更新动态优化代价函数,以降低对PET图像高频成分的抑制。为验证算法的有效性,采用模拟PET序列图像进行实验。实验结果表明,新算法在改善图像空间分辨率上取得良好的效果。     

基于高维互信息量的图像配准

基于互信息量的图像配准算法只考虑单个相对应点间的关系,忽略了图像的空间信息,因此当图像分辨率较低、有噪声影响和部分缺损时就容易出现误配.将图像的空间信息引入到配准中,考虑对应点及其邻域的关系,提出了一种新的相似性测度--高维互信息量.新的测度不仅能够反映图像的灰度统计信息,而且能够反映图像的空间信息.实验结果表明,在图像空间分辨率较低、有噪声影响和图像部分缺损的情况下,该算法具有较高的准确性.     

基于隶属度光滑约束的模糊C均值聚类算法

传统的FCM聚类算法未利用图像的空间信息,在分割叠加了噪声的MR图像时分割效果不理想。本文考虑到脑部MR图像真实的灰度值具有分片为常数的特性,按照合理利用图像空间信息的原则,对传统的FCM聚类算法进行了改进,增加了使隶属度趋向于分片光滑的约束项,得到了新的聚类算法。通过对模拟脑部MR图像和临床脑部MR图像的分割实验结果表明,本文提出的新算法比传统的FCM算法等多种图像分割算法有更精确的图像分割能力,并且运算简单、运算速度快、稳健性好。