首页 > 文献资料
-
基于改进密度峰值聚类的医学图像分割
目的 提高医学图像分割效果,弥补密度峰值聚类算法(density peaks clustering algorithm,DPC)截断距离(cut-off distance,dc)与聚类中心需要主观指定的不足.方法 提出一种果蝇算法优化密度峰值参数的医学图像分割算法,首先使用变量量化表示聚类中心个数,再使用随机步长取代果蝇算法中固定步长,避免陷入局部优;后,采用果蝇算法迭代计算图像熵值得到佳气味浓度值的方法优化选择截断距离和聚类中心,实现图像分割.结果 仿真实验表明本文算法能够自适应分割医学图像,定量和定性分析结果较好.结论 改进算法的分割效果优于DPC、K均值和仿射传播等典型聚类算法,且有较快的收敛性和良好的鲁棒性.
-
医学图像分割技术及其进展
医学图像分割是医学图像处理中的一个经典难题.图像分割技术的发展不仅影响到医学图像处理中其它相关技术的发展,如可视化、3D重建、不同模式医学图像的配准和融合等,而且在生物医学图像的分析中也占有极其重要的地位.近年来,由于一些新兴学科在医学图像处理中的应用,医学图像分割技术取得了显著的进展.本文对近年来的医学图像分割技术、发展趋势、研究热点及其医学图像分割的评价等问题进行了综述和讨论.
-
医学图像的分割技术及其新进展
近几年,计算机断层成像(Computed Tomography,CT),核磁共振成像(Magnetic Resonance Image,MRI),超声成像(ultrasound image,USI)等医学成像技术已经广泛应用在医疗的诊断、术前计划、术后监测等各个环节中,其目的是全面而精确地获得病人的各种数据,为诊断、治疗计划、手术和术后评估提供正确的数字信息.
-
浅谈医学图像分割技术
目的:综述医学图像分割的定义、应用、类型以及方法.方法:结合国内外相关文献.结果:详细的阐述医学图像分割的应用、类型、方法,展望其发展.结论:医学图像分割是一项基本和重要的技术,但目前还没有一种满意分割所有图像的分割方法.
-
集成自适应回归核的肿瘤生物靶区随机游走勾画方法
目的:评估一种肿瘤正电子发射断层扫描(PET)影像生物靶区的勾画新方法.方法:为有效区分PET影像中标准摄入值(Standard Uptake Value,SUV)相近的肿瘤区域和正常组织区域,首先计算肿瘤PET影像中每个体素点对应的自适应回归核,并将其集成到随机游走无向图的边权值函数中.然后利用三维自适应区域生长方法自动选取随机游走种子点,实现肿瘤PET生物靶区的自动勾画.结果:以临床放疗专家勾画的大体肿瘤区作为参考标准,本方法勾画的7例鼻咽癌病人PET生物靶区DICE相似性的均值为0.8367,比仅基于PET SUV的随机游走勾画方法提高了4.31％,比基于PET SUV值和对比度纹理特征的随机游走勾画方法提高了3.34％.结论:集成自适应回归核的随机游走方法能够更精确地勾画肿瘤PET生物靶区.
-
基于特征融合视觉显著性的医学图像分割
医学图像分割结果的准确性对医生诊断病情并制定相应的治疗策略具有重要价值.针对现有的医学图像进行分割时由于没有考虑人类视觉显著性机制因素导致分割精度不高的问题,提出一种基于特征融合视觉显著性的医学图像分割方法.首先基于频率调谐生成待分割医学图像的显著图,得到图像的显著区域并突出医学图像的边缘轮廓,然后分别提取其颜色特征和纹理特征将其作为反向传播神经网络的输入向量,在此基础上用神经网络分类器模型对图像进行分割.通过实验进行验证,结果表明该方法获得了较好的分割精度和分割效率,本文所提方法为医学图像的准确分割提供了一种新途径.
-
基于MRI的脑肿瘤分割技术研究进展
目的:对脑肿瘤的准确分割在临床上具有重要应用价值,但由于脑肿瘤结构复杂、边界模糊且与正常脑组织混叠在一起,因此,要实现对脑肿瘤的正确分割非常困难.为给相关研究者提供有益参考,本文对基于MRI的脑肿瘤分割技术研究进展进行了探讨.方法:查阅国内外相关资料的基础上,对现有的基于MRI的脑肿瘤分割方法进行分类,然后对近年来基于MRI的脑肿瘤分割技术及其研究进展进行了比较详细的综述和讨论,并介绍了脑肿瘤分割算法的评价方法,后对脑肿瘤分割方法的发展趋势进行展望.结果:基于MRI的脑肿瘤分割方法主要包括:区域生长法、聚类分割方法、基于形变模型的分割方法、基于形态学分水岭的分割方法、图谱匹配、多谱MR图像分割和基于异常检测的分割方法等.结论:基于MRI的脑肿瘤分割方法将向全自动、实时、准确的分割方向发展,并有效地结合多种分割方法,综合利用多种图像信息和先验知识,有望在新的理论技术上做出突破.
-
基于CUDA的快速三维医学图像分割
目的:三维分割是医学图像分析和可视化中的重要组成部分,也是医学图像分割中的一个难点.水平集方法在三维医学图像分割中有很广阔的应用前景,但是该算法的计算量大,不能达到实时处理的要求.针对这个问题,提出了一种基于CUDA的并行加速方法.方法:采用NVIDIA公司的GPGPU模型CUDA,利用图像像素的独立性和偏微分方程求解的并发性,提高C-V水平集算法的分割速度.给出了并行计算的流程图,并对C-V水平集算法在CUDA上的实现进行了详细介绍.结果:实现了C-V水平集并行加速算法,该方法在保证分割效果的前提下,具有更快的分割速度.结论:所提出的方法是切实可行的,实现了快速的三维医学图像分割.
-
基于分割的交互式实时脑肿瘤绘制
目的:为了消除传统脑肿瘤切除手术的盲目性,解决传统绘制技术不能够实时绘制的问题,本文设计出了一种交互式实时肿瘤分离技术.方法:给出了系统主要功能和流程,并且对系统实现中的两项关键技术:区域生长分割、三维体数据的绘制作了详细介绍,改进后的面绘制使得重建的三维模型图像清晰,提高实时绘制效率.结果:该系统对脑肿瘤准确分割,并实现了交互式实时绘制,证明其技术和方法有效可行.结论:所提出的方法是切实可行的,从而为进一步实现医院信息化建设打下了基础.
-
一种边界和马尔可夫随机场相结合的脑MRI医学图像分割方法
目的:在现有的脑MRI医学图像分割方法基础上,以阿尔茨海默病(Alzheimer's Disease,AD)数据为例,提出了一种基于边界和马尔可夫随机场为基础,再结合李代数和流场论对图像进行分割和配准的方法.方法:该方法以基于边界的分割方法去除颅骨和非组织,再利用马尔可夫随机场分割脑组织,后结合李代数和流场论对图像进行标准配准,并与当前为常用的SPM-VBM方法进行比较.结果:以现有的AD病人脑MRI数据为基础进行分析对比,能够得到更加有效的脑组织分割和更精确的脑激活区定位.结论:该方法能够显著提高分割效果.
-
基于灰度直方图多峰值选取的脑组织MRI图像K-means聚类分割方法研究
针对传统的K-means聚类算法随机选取初始聚类中心的问题,根据脑MRI图像的灰度直方图呈现出多个“波峰”和“波谷”的特点,将鲁棒选取的“波峰”点用作代表脑白质、脑灰质、脑脊液的K-means聚类算法的初始聚类中心,提出了一种基于灰度直方图多峰值选取的脑MRI图像K-means分割算法,实验结果表明,该分割算法克服了传统K-means聚类算法随机选取初始聚类中心带来的迭代次数多、分割效率低、精确度不高、结果不稳定等不足,能够高效、准确、稳定地分割出了脑白质、脑灰质、脑脊液等脑组织.该算法直方图“波峰”点选取思想具有较为广泛的适用性.
-
RSF模型的优化及其在MRI脑肿瘤分割中的应用
磁共振成像(MRI)具有图像模糊,灰度不均等特点,其分割问题一直都是研究的热点和难点.可变区域拟合(RSF)能量模型是一种较新的区域活动轮廓模型,可用于灰度不均匀图像的分割.然而,RSF模型设定的水平集函数(LSF)不适合初始轮廓内外灰度分布不同的环境,应用于整体灰度环境复杂的脑肿瘤MRI图像时,通常得不到理想的分割结果.构建新的LSF,并辅以mean shift平滑算法可使其更适用于肿瘤图像的分割,使新模型具有更好的收敛性和目标指向性.利用优化后的模型进行一系列实验,其结果表明:该算法鲁棒性强,可以快速、准确地分割出MRI图像中的脑肿瘤,具有显著的临床意义.
-
基于小方差Snake模型的医学图像分割
传统的参数活动轮廓模型(Snake模型)难于处理自动分割医学图像的弱边界.我们在分析参数活动轮廓和几何活动轮廓模型的基础上,提出小方差参数活动轮廓模型,并成功应用于医学图像自动分割.该方法将气球力Snake模型中的恒定气球力修改为包含区域信息的变力,以目标和背景两区域具有小方差为准则,引导轮廓线演化.实验结果表明,该模型对初始轮廓位置不敏感,能实现自动分割.对于带噪声的医学图像,先进行保边界特性的曲率流滤波,然后应用该模型也能取得满意的分割效果.
-
三维医学图像序列的自动连续分割
我们针对医学辅助诊断系统中从MR图像分割脑肿瘤的问题,改进了区域竞争算法,并利用它实现了医学图像序列间的连续自动分割, 特别是脑肿瘤的分割和脑膜瘤的自动识别.模糊化区域竞争算法是为了更好的适应医学图像的模糊与不均匀的特点,而用区域增长做初始化可以给区域竞争提供用来竞争和合并的过分割区域.为了实现医学图像序列的自动连续分割,每一副切片的分割结果都会被用作初始化下一张切片;并且我们根据脑膜瘤的特点实现了它的自动识别.实验表明,我们的自动分割算法对仿真脑图像和真实脑图像均有较好的分割精度,并能满足系统对分割快速性的需要.
-
基于CV模型的CT图像分割研究
由于医学图像边缘模糊、不均匀性等特点,使用传统的Chan-Vese (CV)模型方法难以达到分割要求,同时该方法存在计算量大、分割速度慢的问题.本文提出了一种基于CV模型改进的分割算法,在水平集演化迭代过程中,根据当前主动轮廓线的位置,引入图像局部灰度信息,提高了水平集能量项的有效性和该模型的收敛速度,并提出了一种关于图像序列的分割方法.实验结果表明,运用本文提出的方法能够快速、准确地提取图像中感兴趣目标,是一种较为理想的医学图像分割方法.
-
主动轮廓模型的一种初始轮廓设定方法
图像分割是图像处理中至关重要的一步,是进行图像分析与图像理解的基础,分割效果的好坏直接关系到后续的图像处理。针对目前主动轮廓模型在图像分割领域中分割速度慢的缺点,提出了一种新的初始轮廓设置方法。首先将图像进行预处理得到一个或几个较粗糙的连续轮廓;然后利用八邻域分割法,检测出该边缘作为梯度矢量流主动轮廓模型的初始轮廓,经过迭代后得到较精确的收敛轮廓。大量医学图像分割实验表明,运用本文提出的方法能够较好地检测到目标边界,速度快,是一种较为理想的图像分割方法。
