基于灰度积分投影与模糊C均值聚类的肺实质分割

提出一种基于灰度积分投影与模糊C均值聚类的肺实质分割算法,用于CT图像的快速自动分割。首先,对原始肺部CT图像分别在水平和垂直方向上进行灰度积分投影;然后,选用平滑样条曲线拟合平滑原始图像的积分投影曲线,并提取拟合平滑前后曲线的极大值点,确定肺实质初始边界;最后,利用模糊C均值聚类算法对边界内区域进行分割,结合滚动小球法修复边界区域,获得肺实质区域。选取LIDC (肺部图像数据库联盟)数据库中20组图像（平均每组图像包含120幅CT图像）进行实验,平均分割精度为95.66%,平均每幅图像花费时间为0.77 s。实验结果表明,该方法可以用于CT图像肺实质分割,具有全自动、高精度、鲁棒性等特点。     

基于改进凸包算法的肺实质分割研究

肺实质的精确分割一直都是肺部疾病计算机辅助诊断的重要研究内容,传统的分割方法大多只能分割出不包含病灶的肺实质区域,为后期的图像分析与辅助决策带来很大的影响。针对具有边缘型肺结节的肺部CT图像,提出一种实现简单且实验效果较好的肺实质分割算法。首先,利用常规方法提取肺实质的粗略轮廓;然后,针对上一步骤中肺实质病灶信息等的缺失现象,提出一种改进的二维凸包算法对肺实质的外轮廓进行再修复;最后,利用区域生长和形态学运算,修复肺实质的内部轮廓。运用新算法,对200张边缘型肺结节的肺部CT图像进肺实质分割。实验结果表明：与已有的“滚球法”和凸包算法修复肺实质相比,新算法具有较高的准确率,可以达到90%以上,边缘型肺结节等病灶信息能被较为准确地表示出来,为建立高效的肺部疾病诊断系统奠定基础。     

基于肺部CT序列图像的肺实质三维分割

目的:肺实质分割是基于CT图像的肺结节计算机辅助检测技术必不可少的步骤。结合阈值技术、连通区域标记以及形态学技术,提出了一种简单有效的从CT图像中分割三维肺实质的方法,以期能为后续肺结节计算机辅助检测技术的研究奠定基础。方法:首先,将原图像二值化,并应用三维连通域标记去除背景及细小空洞;然后,经三维区域生长法去除气管;最后,经形态学滤波平滑肺边界得到肺部精确的三维模板,并采用该模板从CT序列图像中分割出肺实质。结果:根据对20组层厚2.0mm、每组约250个切片的肺部CT临床数据实验验证,其肺实质分割的平均正确度为91.55%,处理单组数据平均耗时167.4563s。结论:实验结果表明,本文方法能自动快速地从CT序列图像中分割出肺实质。     

基于改进模糊连接度的CT图像肝脏血管三维分割方法

解决传统模糊连接度难以较好分割CT图像肝血管、需要多个种子点和较耗时等问题。改进传统模糊连接度分割算法:对最新的Jerman血管增强算法进行改进;将改进的血管增强响应引入模糊亲和度函数;使用Otsu多阈值算法代替置信连接度,进行模糊连接度算法的初始化。预处理包括自适应S型非线性灰度映射和各向同性插值采样;随后,执行改进的Jerman血管增强算法;再将其增强响应引入模糊亲和度函数,同时利用Otsu多阈值算法统计前景目标信息,对模糊连接度进行初始化;最终,结合单一种子点实现三维肝脏血管的自动分割。选用内含20例CT的公开数据集,定量评估改进的血管增强算法和模糊连接度分割算法。评价标准主要包括对比度噪声比、准确性、敏感性和特异性。该血管增强算法的平均对比度噪声比为8.43 dB,优于传统血管增强算法。该血管分割算法的准确性达98.11%,优于基于置信连接度的传统模糊连接度分割算法、区域生长算法和水平集分割算法。此外,在分割算法的耗时方面,该算法也具有明显优势。提出的三维分割方法能有效解决传统模糊连接度分割CT影像中肝血管结构的不足,可提升分割精度和效率。     

基于非局域注意力和多任务学习的胸部X线片肺实质分割方法

肺实质的准确分割是计算机辅助影像学诊断肺部疾病的关键。随着深度学习技术的发展，基于全卷积网络的图像分割模型取得了很好的效果，但对于边缘模糊和肺实质密度不均匀的情形仍会误分割。针对该问题，本文提出一种基于非局域注意力机制和多任务学习的胸部X线片图像肺实质分割方法。首先，基于残差连接的编-解码卷积网络提取肺实质多层级语义特征信息并预测肺实质边界轮廓；其次，通过非局域注意力机制建立肺实质轮廓与全局语义特征信息之间的相关性并增强轮廓区域特征信息权重；再次，基于增强的特征信息进行多任务监督学习，实现肺实质的准确分割；最后，在JSRT和Montgomery公开数据集上验证了本文方法的有效性和模型泛化能力，对比其他几种代表性的分割模型，其Dice系数和准确性最大分别提高1.99%和2.27%。实验结果表明，通过增强特征信息中边界轮廓的注意力，能有效减少肺实质密度不均匀时的误分割并提高模糊边缘的分割精度。     

原发性肺癌孤立性结节的自动提取

研究自动分割和提取原发性肺癌肺部孤立性结节(SPN)特征的方法。对CT图像进行预处理后，首先分割出肺实质，然后用模糊C均值聚类方法对肺实质图像作进一步地细分割，提取感兴趣区域(ROI)，最后根据分形理论计算出分形维数结合灰度方差供分类判决。结果表明此方法能够有效地自动识别SPN。     

胸部CT中肺实质的提取与辅助诊断

根据临床应用需求,研究胸部高分辨率CT图像中肺实质的提取与量化诊断问题。首先讨论肺区分割与肺实质提取问题,自动分割法采用全局自适应阈值将躯干和背景分离,然后应用轮廓跟踪方法获取到肺部轮廓;人工分割则是在勾勒若干轮廓点后,应用Bresenham扫描线法得到连续的肺部轮廓。利用基于四邻域的背景标记扫描线方法,提取肺部实质区域。最后,根据肺气肿量化诊断标准,进行量化分析与诊断。实验证明,该方法能快速、准确地分割肺实质,实现肺气肿的量化分析与辅助诊断。     

针对肺结节检测的肺实质CT图像分割

目的：针对CT图像上肺结节的自动检测，开发并评价对全肺螺旋CT扫描中的肺实质进行自动分割的一种综合方法。方法：首先利用全局阈值对CT图像进行二值化，然后消除由于支气管、细支气管等低密度影和由于结节、血管等高密度影以及由检查床造成的条状伪影等噪声，最后对包含胸膜连接结节的图像利用数学形态学运算和图像凸包运算进行完善形成肺实质掩膜。结果：利用该方法对从LIDC数据库中所有包含结节的505张CT扫描片（来自69个病例）进行肺实质分割，正确率为95．4％。其中，包含胸膜连接结节的139张CT扫描片的正确分割率为94．2％。结论：本文提出的方法较好地完成了肺实质分割任务，为利用CT图像进行计算机辅助肺结节的检测打下了基础。     

基于模糊Gibbs场和模糊C均值聚类的脑部磁共振图像的分割

提出了一种利用模糊Gibbs场和模糊C均值聚类的新算法,用来分割脑部磁共振(Magnetic resonance, MR)图像.本算法引入了像素的空间约束,提出了势团均匀分布的概念,并使用模糊信息定义了势团的Gibbs能量,并在传统的基于灰度的模糊C均值聚类(Fuzzy C-means, FCM)算法中引入Gibbs能量的补偿项,建立包含像素灰度信息和空间约束的新的目标函数,并得到模糊矩阵和聚类中心的迭代公式,克服了基于灰度信息的模糊C均值聚类算法的缺陷,从而改善了原有的分割模型.对合成图像和脑部MR图像的实验表明了本算法的有效性,可以有效地分割被噪声污染的低信噪比的MR图像.     

基于胸部CT图像的肺结节分割

目的提出一种从胸部CT图像中分割提取多种类型肺结节的算法,辅助肺癌诊断和疗效评估。方法首先由放射科医生确定种子点和目标容积区域,再根据初分割结果自动识别非肺壁粘连结节和肺壁粘连结节。然后采用多阈值结合距离变换的方法分割非肺壁粘连结节,光线投射和直线拟合分割肺壁粘连结节。最后,将算法应用于85组患者数据（232个肺结节）,并由高年资放射科医生评价分割结果的准确性。结果本文算法鲁棒性强,能准确判别肺壁粘连和非肺壁粘连结节,从而适用于孤立、血管粘连、毛玻璃和肺壁粘连结节的提取。测试的232个结节中无异常发生,且分割速度较快。经放射医生评价,平均准确率达90％。结论本文算法可以从胸部CT图像中分割提取4种类型肺结节,鲁棒性、准确性和速度均可满足实际临床需求,对肺癌筛查、诊断和疗效评估具有重要价值。     

基于边界逼近的肺实质分割方法

肺部CT图像的分割是计算机辅助诊断系统处理的一个重要环节,其分割的结果影响到医生的诊断与进一步的分析。由于胸膜结节的灰度与肺实质外围的灰度相近,运用传统的分割方法无法正确分割出此类病灶。将胸膜结节包含肺实质一起分割出来,使计算机辅助诊断系统能够对此类病灶做进一步的分析。提出一种结合Graham算法以及边界逼近的方法,对肺实质的轮廓进行修正,进而得到修正的二值模板;将该模板与原图像做乘运算,得到包含胸膜结节的肺实质。运用所提出的方法,对公开数据库LIDC中68张含病灶的CT样本图像做处理,通过与传统方法的对比以及对算法的过分割比例、欠分割比例以及准确性的分析,得到准确率为98.5%,平均过分割比例为1.35%,平均欠分割比例为0.51%,证明了该方法的有效性。     

基于重采样的胸部CT图像肺实质自动分割

目的胸部CT图像的肺实质自动分割是肺部疾病计算机辅助检测的重要基础。为提高分割速度,本文提出并实现了一种基于重采样的分割算法。方法首先对数据重采样,提取部分（1／8）体数据。再基于重采样体数据,通过阈值分割、胸腔提取、气管剔除、血管填充、左右肺分离和肺壁结节填充等步骤,得到初步分割结果。然后将该结果还原到完整数据体上,形态学平滑后即完成最终分割。最后将算法应用于20例患者数据（2556个断层）,并与放射科医生手动分割结果进行比较。结果本文算法对20例患者数据均能取得优异结果,与放射科医生手动分割的平均面积重叠率达99．02％,且适用于左右肺相连、肺壁存在结节、视野不完整等异常情况。通过数据重采样极大缩短分割时间,一般可缩短50％,一帧图像平均耗时小于0．25s。结论本文算法能够实现胸部cT图像肺实质的自动分割,结果准确可靠,鲁棒性好,速度快,基本满足实际临床需求。     

一种从胸HRCT图像序列分割肺的自动化方法

提出了一种从胸部高分辨率CT图像序列中由粗到细分割肺组织的自动化方法.首先基于结构连续性的分割策略,采用阈值法和数学形态学分割出粗略的肺实质,再用区域生长法去掉气管,最后通过滚球法弥合肺边缘的裂缝及缺口.对6个数据集(共1720层图像)的分割结果成功率均在90%以上,每层分割时间小于6s,相似度分析表明自动与手工分割结果吻合良好,并能较好地保留细节.     

基于低剂量CT图像的肺实质分割方法

为了提高早期肺癌筛查中肺结节计算机辅助检测、辅助诊断的准确性,提出一种多种方法结合的低剂量CT图像肺实质自动分割算法。首先利用改进的多方向形态学滤波算法进行预处理;然后利用聚类法、flood-fill算法去除背景,实现粗分割;接着利用引入霍夫变换的改进三维区域生长算法去除气管和主支气管树;最后利用分水岭算法和二维凸包算法实现肺实质细分割。实验结果通过对ELCAP数据库中的50个低剂量CT序列利用本研究算法进行处理,验证了该算法的有效性,正确分割率达到95.75%。为肺结节检测等后期的诊断提供了有价值的参考信息。     

CT图像肺结节自动检测

肺癌是对人类生命健康危害最大的恶性肿瘤之一。计算机辅助诊断系统对肺部CT图像进行自动分析后,可提示医生可疑肺结节,从而克服医生在诊断中的一些主观因素,为此本文提出了一种基于胸部CT图像的可疑肺结节自动检测算法。首先,根据胸部组织的特殊结构,利用一种新的分割算法提取出肺实质部分;在此基础上提取出灰度与结节相近的感兴趣区域,包括结节、肺血管、支气管;然后,以已标记的结节数据作为样本集,计算结节的面积、灰度均值、灰度方差、圆形度、形状矩、体积、球形度等特征值,利用最近邻法建立分类器判别函数;最后,计算测试集感兴趣区域的上述特征,对其进行判别、分类,并标记出结节。试验结果表明,该算法综合考虑了肺结节特征,具有较高的准确度。     

一种基于概率配分和最大模糊熵的CT图像分割方法

为了从CT图像中提取到多个组织的解剖特征,克服运算速度快与运算结果不稳定的矛盾,提出了一种基于概率分布和模糊熵的CT图像分割方法。为了找到分割灰度图象的最佳阈值,根据模糊聚类和概率配分之间的关系,以及模糊熵有最大值的必要条件,从而得到各类的概率配分,因此在搜索阈值组合时,先搜索满足各类概率配分的阈值,然后从这些阈值中搜索使模糊熵最大的阈值。实验结果表明该方法能很好地完成CT图象的分割。此算法运算速度较快;与用遗传算法、模拟退火算法相比较,运算结果稳定,分割更准确。     

基于偏场校正的概率模糊C均值改进算法研究

目的提出一种基于偏场校正的概率模糊C均值(BCPFCM)改进算法,并应用于脑部MRI图像分割。方法采用BrainWeb数据库中2幅人工合成图像和20幅脑部MRI图像进行仿真实验。第一步,构建MRI图像信息模型,并分离出偏场图像。第二步,采用像素加权隶属度和加权一致性测度解决难以分类的邻域空间异质性像素。第三步,构建基于模糊C均值算法、BCPFCM改进算法目标函数。采用误分类率和Tanimoto指数,比较不同算法图像分割结果。结果BCPFCM改进算法能准确检测高低频条带与像素灰度不均等偏场信息,并完整分割出人工合成图像与脑部MRI图像各功能分区。基于BCPFCM改进算法的人工合成图像分割精度为100%;含40%灰度不均偏场的脑部MRI图像误分类率为5.74%,含1%～5%水平噪声图像误分类率为6.85%～14.34%。基于BCPFCM改进算法分割所得白质、灰质和脑脊液Tanimoto指数分别为0.75±0.03、0.79±0.04和0.39±0.01。结论 BCPFCM改进算法分割精度高、鲁棒性强,是一种可行的脑部MRI图像分割算法。     

基于自适应标记分水岭算法的肝脏CT图像自动分割

目的为减少人工交互提出了基于自适应标记分水岭的CT系列图像肝脏区域自动分割算法。方法首先对图像进行形态学重构运算以平滑图像,然后计算多尺度形态学梯度,同时提出利用梯度图像非零的局部极小值点的均值进行自适应标记提取,以避免分水岭的过分割和欠分割,再结合肝脏为最大的实质性脏器和相邻图像的相似性实现CT系列图像的肝区自动分割。结果该算法能自动、快速地提取CT系列图像中的肝脏区域。结论分水岭算法能准确定位区域的边缘,通过选择合适的阈值对梯度图像进行标记以抑制分水岭的过分割,实现医学图像中感兴趣区域的自动分割。     

一种基于自适应最小模糊熵的CT图像分割方法

为了从CT图像中提取到多个组织的解剖特征,解决运算速度的提高与运算结果不稳定的矛盾,我们提出了一种基于自适应最小模糊熵的图像分割算法.为了找到分割灰度图像的最佳阈值.首先利用迭代公式以及图像的直方图来计算出每个模糊子集的隶属函数中指数参数的值以及阈值的搜索范围,然后在已确定的搜索范围内用穷举法搜索出能使模糊熵最小的最佳阈值.实验表明该方法能较好的完成CT图像的分割.此算法运算速度较快;与用遗传算法、模拟退火算法相比较,运算结果稳定,重复性更好,得到的图像细节成分要更多些.     

超像素有偏观测模糊聚类的乳腺超声图像分割

图像分割在医学超声图像的定量、定性分析中均扮演着十分重要的作用,并直接影响到后续的分析、处理工作。乳腺组织的特殊性导致了其超声图像纹理复杂、噪声明显、对比度较低,临床应用难以准确自动分割,诊断较依赖于人工观测。针对此问题提出一种基于超像素和模糊聚类技术相结合的图像分割算法。采用紧密度自适应的简单线性迭代聚类产生超像素,实现初步划分,减小计算量;计算各超像素的特征向量组成集合;采用聚类有效性分析和有偏观测模糊C均值聚类将特征向量分类,实现目标区域的有效分割。采用此方法对20帧乳腺超声图像进行图像分割实验,采用基于区域的评价准则对分割结果进行量化评估,评估结果表明真阳性为92.87%±2.98%,假阳性为11.05%±2.75%,相似性为83.39%±3.64%,取得了较好的分割结果。对乳腺肿块超声诊断的辅助方法研究具有探索意义。