基于非线性增强和图割的CT序列肝脏肿瘤自动分割

针对腹部CT图像肝脏肿瘤对比度低、边界模糊、灰度多样等因素引起的分割困难,提出基于非线性增强和图割的肝脏肿瘤自动分割.首先根据肝脏区域灰度分布特性,采用自适应分段非线性增强和迭代卷积操作提高正常肝实质与肿瘤组织的对比度;然后将增强结果和图像边界信息有效地融入图割能量函数,实现肝脏肿瘤初步自动分割结果;最后采用三维形态学开操作对初步分割结果进行优化,去除其中的误分割区域,提高分割精度.在3Dircadb和XYH数据库上的实验结果表明,该方法能有效地自动分割腹部CT序列中的肝脏肿瘤,且综合分割性能优于现有多种方法.     

基于水平集和形状描述符的腹部CT序列肝脏自动分割

肝脏分割是计算机辅助肝脏疾病诊断的重要前提和基础.本文提出了一种新的基于水平集和形状描述符的腹部CT序列图像肝脏自动分割方法.首先, 对原始腹部CT序列图像进行预处理, 去除与肝脏不相关的器官和组织.然后, 利用灰度偏移场, 结合周长项、距离正则项和相邻切片肝脏分割结果构建水平集能量函数, 实现CT序列肝脏自动分割.为避免分割误差累积, 提出一种基于形状描述符和瓶颈率的肝脏边缘优化方法, 在每张切片分割完毕后去除由于灰度重叠造成的过分割.通过对XHCSU14数据库和Sliver07数据库中腹部CT序列的肝脏分割实验, 以及与其他肝脏分割算法的比较, 表明了本文方法的有效性, 且分割精度高, 鲁棒性强.     

基于64排CT序列图像的肝脏及其管道的提取算法

目的：把肝脏及其内部的肝静脉和门静脉两种管道从64排CT序列图像中提取出来,为后续肝及其管道的三维重建及最终的虚拟手术模拟提供正确的数据。方法：利用CT序列图像之间的相似性,通过自适应的区域生长算法对CT序列图像进行自动提取。结果：实验结果表明这种提取算法能得到很好的分割结果。结论：本文提出的这种算法可以正确有效地完成CT序列图像的提取工作。     

一种优化树状模型的肝脏自动分割方法

针对CT图像的复杂性与肝脏形态的多样性,提出一种优化的肝脏自动分割方法。通过基于部件共享池的混合树状模型(TSPM)捕获肝脏边界的拓扑形态变化,利用凹凸点算法根据肝脏形变自动筛选TSPM中的关键点,避免冗余点对肝脏边界的错误定位,并将不同颜色空间应用于肝脏图像分割中提高分割精度。实验结果表明,与现有分割方法相比,优化方法可获得更准确的肝脏分割结果。     

CT序列图像中肝脏及其管道的分割

把肝脏及其内部各种管道从CT序列图像中分割出来,为后续肝脏及其管道的三维重建及最终的虚拟手术模拟提供正确的数据。在结合CT序列图像之间的相似性基础之上,提出一种动态自适应的区域生长算法。首先对原始CT数据进行中值滤波,去除部分噪声,然后采用相应的序列化区域生长分割模型,对CT序列图像中肝脏及其内部管道分别进行提取。实验结果表明,应用该方法能得到准确的肝脏及管道分割结果。     

基于先验知识的肝脏轮廓线提取算法研究

准确有效地提取肝脏CT序列的轮廓线是腹部软组织三维模型重建与可视化的关键问题之一。针对肝脏轮廓线提取准确性不高的问题, 提出了一种基于先验知识的肝脏轮廓线提取算法。首先利用拉普拉斯算法进行CT图像增强, 再利用基于边缘先验知识的套索模型对感兴趣区域进行半自动的初始化, 最后通过改进的Snake算法准确地提取肝脏CT图像的边缘。针对序列CT肝脏的边缘提取, 提出根据CT图像序列之间的相关性, 将上一幅图像的轮廓线提取结果作为下一幅CT图像边缘提取的初始化点, 接着批处理地提取CT序列的肝脏边缘。实验结果表明：该算法大大减少了手动初始化结果对目标边缘轮廓准确提取的依赖性, 并有效地解决了肝脏轮廓线的提取问题。     

基于空间约束的模糊C均值聚类肝脏CT图像分割

传统模糊C均值（FCM）聚类算法应用于肝脏CT图像分割时仅考虑像素本身特征,无法解决灰度不均匀造成的影响以及肝脏边界模糊造成的边界泄露的问题。为解决上述问题,提出一种结合空间约束的模糊C均值（SFCM）聚类分割算法。首先,使用二维高斯分布函数构建卷积核,利用该卷积核对源图像进行空间信息提取得到特征矩阵;然后,引入空间约束惩罚项,更新并优化目标函数得到新的迭代方程;最后,通过多次迭代,完成对肝脏CT图像的分割。实验结果表明,SFCM算法分割具有灰度不均匀和边界粘连的肝脏CT图像时得到的肝脏轮廓形状更加规则,准确率达到92.8%,比FCM和直觉模糊C均值（IFCM）算法的分割准确率分别提升了2.3和4.3个百分点,过分割率分别降低了4.9和5.3个百分点。     

一种新的多区域肝脏CT图像分割方法

肝脏CT图像分割是肝脏计算机辅助诊断系统中最关键的部分,也是医学图像分割中的一个难点.已有的算法一般只能分割出多区域肝脏CT图像中某一区域,针对这一问题,提出了一种新的多区域肝脏CT图像分割方法.首先利用自动双阈值方法进行初步分割,然后利用图像的灰度信息及相邻肝脏CT图像的面积、形状变化比较小等信息来进行多区域肝脏CT图像分割.通过仿真实验,证明该方法能够准确、快速的对多区域肝脏CT图像进行自动分割.     

基于HC-CFCN模型的肝脏CT图像分割

在计算机断层扫描(CT)图像中肝脏与相邻器官灰度值近似,且不同患者的肝脏轮廓存在差异性,导致肝脏CT图像的精确分割成为医学图像处理中的难题之一。为实现肝脏CT图像的自动分割,构建一种层间上下文级联式的全卷积神经网络模型HC-CFCN。利用第1级网络实现肝脏轮廓的粗略分割,并将其分割结果与原始CT图像、肝脏能量图共同作为第2级网络的输入,优化分割结果。在LiTS数据集上的实验结果表明,与U-Net、FCN+3DCRF和V-Net模型相比,HC-CFCN模型的分割精度较高。     

置信连接的自动肝脏分割方法

肝脏分割是计算机辅助肝病诊断和手术计划制定的基础,文中结合置信连接的区域生长算法实现了肝脏的全自动分割.首先利用改进的曲线各向异性扩散滤波对CT图像进行平滑预处理,以便在去除噪声的同时保存边缘信息,进而通过对预处理图像的灰度分析自动选取序列种子点;然后使用置信连接的区域生长算法对肝脏进行分割;最后采用空洞填充法填补区域生长中产生的空洞,改善分割效果.对10套腹部CT图像数据的实验结果表明,分割每幅图像的平均时间是1.46s,准确率为93.6％,其高效、准确性为临床诊断和手术导航提供了有利的信息.     

改进的B-Snake模型肝脏CT图像分割算法

肝脏模型的个性化是肝脏虚拟手术系统中的一个关键技术,而肝脏模型的个性化又是以肝脏CT图像的三维分割为前提的。针对B-Snake模型的特点,提出一种结合区域填充的改进B-Snake模型图像分割算法。将相邻的上一张切片的分割结果映射到当前切片上,根据一定的规则进行区域填充,并将填充后的结果与前一张切片的分割结果按一定的算法进行比较,进一步优化。得到的初始轮廓很接近肝脏的真实边界,而且大部分曲线已在边界上,将其作为改进的B-Snake模型算法的初始轮廓,只需对其进行部分控制点的优化调整,就可得到准确的分割结果。以此类推,直到处理完所有切片图。实验表明,该算法能有效提高分割的准确度,获得较满意的分割结果。     

结合改进分水岭和GVF的三维肝脏分割方法

三维肝脏分割是当前医学图像处理的热点问题,如何准确快速地从腹部CT序列中分割出肝脏是肝部病变诊断的基础。针对传统活动轮廓模型对轮廓线敏感、运算量大的问题,改进了传统轮廓线设置方法,并把算法扩展到三维。首先,在一幅腹部CT图片中采用改进的分水岭算法,按照灰度和纹理的相似性原则从一个种子块开始生长出整个肝脏,再用其边缘作为相邻CT序列的起始轮廓,用GVF算法从序列图片中分割出肝脏,重复该过程,直至分割出整个腹部序列图像的切片,进行三维重建。     

基于改进窄带水平集的三维肝脏肿瘤分割

三维肝脏肿瘤识别是当前研究的热点问题,如何准确快速地从腹部CT序列中分割出肝脏肿瘤是肝部病变诊断的基础。针对水平集方法在进行分割时收敛速度较慢,设置窄带宽度固定不灵活的缺点,先利用分水岭算法,对肝脏图像进行“过分割”,搜索初始轮廓所在的分水岭块作为窄带区域进行标记,在窄带区域内用水平集算法使初始轮廓线收敛至准确轮廓。再以其边缘作为相邻CT序列的肿瘤初始轮廓,找出初始轮廓线所在的分水岭块,构成新的窄带,用水平集算法对轮廓线进行迭代分割出肿瘤。重复该过程,直至完成整个肝脏序列图像的肿瘤图像分割,进行三维重建。     

基于遗传算法的原位根系CT图像的模糊阈值分割

原位根系CT图像的精确分割是实现植物根系3维重建和定量分析的重要基础。为了对原位根系CT序列图像进行准确、有效的分割,针对原位根系CT序列图像固有的模糊性特征,设计了一种基于遗传算法的模糊多阈值图像分割方法。该方法首先通过直方图分析确定了原位根系3维分割的初始阈值范围;然后通过设计一种模糊隶属度函数, 将图像模糊划分为若干个不同的区域; 最后采用最大模糊熵准则,并借助遗传算法寻找确定了一组序列图像的最佳分割阈值。编程实验结果证实,该算法不仅能更加准确、有效地对植物根系原位CT序列图像进行分割,并可提高图像阈值分割的精度和效率。     

基于双向轮廓跟踪的面部轮廓线生成算法

为了提高医学图像中面部轮廓线的分割效果,提出一种新的面部轮廓线生成算法(bidirectional contour tracking,BCT).该算法首先利用边缘检测算法对CT图像进行检测,然后利用头部CT图像中各组织的灰度特征和图像的对称性,对检测后的图像进行双向轮廓跟踪,并获得面部的轮廓线.另外,根据面部轮廓线的特点,使用中点法可生成辅助轮廓线.以一组颅脑CT图像为例来验证算法的效果,实验结果表明,新的生成算法提高了轮廓线的生成速度,并有很好的分割效果.     

融合超像素和CNN的CT图像分割方法

提出了一种融合超像素和CNN的CT图像器官主动轮廓分割方法。用超像素SLIC方法将CT图像网格化并分配标签;将网格化后图像作为数据集训练CNN网络分割出器官（如肝脏、肺部等）边界超像素,并将这些超像素的种子点连接成为粗分割边界;将粗分割边界作为初始轮廓,进行模糊主动轮廓分割得到CT图像中器官的边界。经过实验对比,该方法对肺部CT图像的分割平均DC系数达到97%、平均ASD系数达到1.23 mm。在肝脏CT图像方面与参考算法进行相比,在保证分割精度的前提下,VOE系数平均减少1%,切片图像的分割时间平均提高10 s。     

髋关节序列CT图像中股骨近端分割方法研究

针对现有髋关节序列CT图像中骨骼近端分割精度差、自动化程度低、计算复杂度高的问题,提出一种自动分割股骨近端的方法。该方法充分利用序列CT图像中股骨头与股骨中段呈现类圆形以及相邻切片中股骨特征相似度高的特点,融合双向分割的股骨轮廓信息得到可靠的股骨近端轮廓。实验结果表明,该方法能准确地从髋关节序列CT图像中提取出股骨近端的轮廓信息,具有一定的实用价值。     

图像分割算法在胃溃疡图像上的应用

主要研究了对胃溃疡图像中溃疡轮廓进行精确提取的问题。首先要解决对胃溃疡图像进行图像分割时,复杂多变的背景噪音对分割效果的影响,利用小波变换的多尺度特性对胃溃疡图像进行边缘提取,获得不同尺度下的边缘提取图。通过不同尺度下的边缘效果和溃疡边界的连通性,将不同尺度下获取的边缘再次进行对比和提取,把降低噪音的影响和保持边界连续性有效的统一起来,得到效果更佳的边缘提取图。同时利用梯度矢量流模型将轮廓收敛至溃疡的边界上,并对轮廓内的面积进行计算得到溃疡的面积。计算结果显示,利用小波变换和梯度矢量流模型后得到的溃疡面积,已经能够达到临床医学的要求。