基于级联Dense-UNet和图割的肝脏肿瘤自动分割

腹部CT图像肝脏肿瘤分割是进行肝脏疾病诊断、手术规划和放射治疗的重要前提。针对肝脏肿瘤灰度异质、纹理丰富、边界模糊等因素引起的分割困难,该文提出基于级联Dense-Unet和图割的自动精确鲁棒分割方法。首先运用级联的Dense-UNet获取肝脏肿瘤初始分割结果及感兴趣区域,然后利用图像像素级和区域级特征,分别构建可有效区分肿瘤与非肿瘤的灰度模型和概率模型,并将其融入图割能量函数,进一步精确分割感兴趣区域中的肿瘤组织。最后分别采用LiTS和3Dircadb公共数据库作为训练集与测试集进行实验,并与现有多种自动分割方法进行了比较。结果表明,提出方法可有效分割CT图像中灰度、形状、大小、位置各异的肝脏肿瘤,能提取更精确的肿瘤边界,尤其对于对比度低、边界模糊的肿瘤具有明显优势。     

改进边界指示函数的水平集活动轮廓模型

由于受成像原理的限制,导致超声图像对比度低、边界模糊,因此基于边界的水平集分割效果很不理想。为了提高超声图像的分割精度和分割效率,提出了一种梯度信息与区域信息相结合的水平集分割算法。首先对基于边界的距离正则化水平集演化(DRLSE)模型进行改进,将区域信息引入到边界指示函数中,并用改进后的边界指示函数代替DRLSE模型中的边界指示函数,最后,得到一个梯度与区域信息相结合的水平集演化模型。结果表明,本文中的模型能准确分割甲状腺肿瘤超声图像,且在分割效率和分割精确度方面均比DRLSE模型有所提高。     

基于多模型融合方法的肺结节良恶性分类

针对CT图像中肺结节因边缘模糊、特征不明显造成的分类效果有偏差的问题,本文提出一种嵌入注意力机制的多模型融合方法(简称MSMA-Net)。该方法先将原始CT图像进行肺实质分割和裁剪操作后得到两种不同尺寸的图像,然后分别输入到空间注意力模型和通道注意力模型进行训练,其中,空间注意力模型着重于提取肺结节在CT图像中的空间位置信息,通道注意力模型着重于提取肺结节的细节特征。最后将两个模型提取的特征进行融合,用于得出良恶性分类结果。经过大量实验表明,这种多模型融合方法能很好地提取到肺结节在CT图像中的位置信息和自身的边缘特征,在LIDC数据集的基础上,该方法在准确率,敏感性,特异性分别达到了96.28%,96.72%,96.17%,相较于传统的网络模型取得了更好的分类效果。     

Segmentation of the Ventricle Membranes in Short-Axis Sequences by Optical Flow Base on DLSRE Model

Recent studies have pointed out that the boundary of the extracted ventricle membranes is unsmooth, and the segmentation of the cardiacpapillary muscle and trabecular muscle do inconformity the clinical requirements. To address these issues, this paper proposes an automatic segment algorithm for continuously extracting ventricle membranes boundary, which adopts optical flow field information and sequential images information. The images are cropped by frame difference method, which according to the continuity of adjacent slices of cardiac MRI images. The roughly boundary of epicardium is extracted by the Double level set region evolution (DLSRE) model, which combines image global information, local information and edge information. The ventricle endocardium and epicardial contours are tracked according to the optical flow field information between image sequences. The segmentation results are optimized by Delaunay triangulation algorithm. The experimental results demonstrate that the proposed method can improve the accuracy of segmenting the ventricle endocardium and epicardium contours, and segment the contour of the smooth ventricle membrane edge that meets the clinical definition.     

复杂背景下基于分割逼近法的抠像技术研究

论述了复杂背景下人物的抠像问题,提出一种新的抠像方法--分割逼近算法.首先使用背景更新模型建立了差分背景,然后用本文提出的分割逼近法对图像进行粗分和细分两次分割,建立了人物图像边缘连通体,最后运用Laplacian算子对勾勒出的人物轮廓提取边缘,并用替换原图像的方法实现人物的抠像.     

一种基于胸部CT的肺实质分割研究

CT检测在人体肺部疾病的诊疗中起着重要作用,快速完整地分割出肺实质区域已成为定性、定量诊断肺部疾病的重要手段。文章在分析研究大量胸部CT图像的基础上,提出一种新的肺实质分割方法:将Mean-Shift算法结合Snake模型分割出肺实质区域。实验证明,文章所提方法精确度高、分割效果完整,满足临床诊疗的要求。     

甲状腺结节超声图像分割算法研究

超声甲状腺结节分割是发现与识别甲状腺良恶性肿瘤的关键技术之一.针对模糊聚类法无法准确分割超声图像甲状腺结节边缘,而局部拟合(RSF)模型法对手动初始化轮廓敏感的问题,提出一种融合空间约束模糊C均值聚类和局部拟合RSF模型的分割结节方法.用空间约束模糊C均值聚类法(SKFCM)对图像进行聚类并二值化聚类结果作为RSF模型法初始轮廓,克服了RSF模型法对初始轮廓敏感问题,水平集演化参数也将通过聚类结果自动给出,不再需要人为设定.同时改进了RSF模型法拟合项,并利用高斯正则化规则RSF模型水平集,提高了RSF模型演化效率,缩短了收敛时间.仿真实验结果表明,提出的甲状腺结节超声图像分割方法能够快速准确地分割出结节区域.     

基于空间分布的三维自动化肺结节分割算法

针对肺结节分割中存在的自动化程度低、较少考虑空间结构以及粘附型肺结节分割不充分问题,提出了一种基于空间分布的三维自动化肺结节分割算法.该算法首先利用C-means聚类算法分割出肺实质,然后根据肺结节空间分布的差异性将其分为3类:孤立性肺结节、胸膜粘附性肺结节、血管粘附性肺结节,并对3种不同类型的肺结节分别采用基于连通性、灰度下降和散度差异的分割算法进行分割,70个肺结节(其中孤立性肺结节38个,血管粘附性肺结节17个,胸膜粘附性肺结节15个)CT图像的实验结果表明,算法能够准确、自动地分割出3种不同部位的肺结节.     

Application of SVM and its Improved Model in Image Segmentation

In the research and application of images, people are often only interested in the foreground or specific area of the image, so it is necessary to extract the specific area from the image, and image segmentation technology is the key to solving this problem. Aiming at the complex background and the color image with unclear target contour as the target image to be segmented, this paper first uses the texture and color of the image as the feature vector, and proposes an image segmentation algorithm based on SVM. The experimental results show that the segmentation accuracy is 91.23%. Secondly, in order to improve the accuracy of segmentation, the SVM algorithm is improved. The improved SVM algorithm is based on the grid search method to optimize the parameters C and g in the SVM. At the same time, the HIS color channel is added to the feature vector to obtain more Excellent SVM image segmentation model. Finally, the color image segmentation is verified and compared with the standard SVM algorithm. The experimental results show that the accuracy rate of the improved SVM algorithm reaches 97.263%, which improves the segmentation efficiency. It is verified that the improved model proposed in this paper can effectively segment complex color images.

     

Automatic liver and lesion segmentation: a primary step in diagnosis of liver diseases

Computed Tomography (CT) images are widely used for diagnosis of liver diseases and volume measurement for liver surgery and transplantation. Segmentation of liver and lesion is regarded as a major primary step in computer-aided diagnosis of liver diseases. Lesion alone cannot be segmented automatically from the abdominal CT image since there are tissues external to the liver with similar intensity to the lesions. Therefore, it is necessary to segment the liver first so that lesion can then be segmented accurately from it. In this paper, an approach for automatic and effective segmentation of liver and lesion from CT images needed for computer-aided diagnosis of liver is proposed. The method uses confidence connected region growing facilitated by preprocessing and postprocessing functions for automatic segmentation of liver and Alternative Fuzzy C-Means clustering for lesion segmentation. The algorithm is quantitatively evaluated by comparing automatic segmentation results to the manual segmentation results based on volume measurement error, figure of merit, spatial overlap, false positive error, false negative error, and visual overlap.     

基于最大隶属度与SVM的彩色图像分割新算法研究

图像分割是图像处理的主要问题,也是图像处理的难题之一,由于彩色图像提供了比灰度图像更多的信息,因此彩色图像处理,尤其是彩色图像分割受到了越来越多的重视。本论文提出一种基于HSI模型和模糊最大隶属度原则与SVM的彩色图像分割方法,从彩色图像的彩色直方图中获取目标色RGB模型和背景色RGB模型,再将RGB模型转化为HSI模型建立一组色彩模糊集,对HSI模型进行SVM训练识别再计算该图像中的色彩在各模糊集中的隶属度,最后确定色彩的归属,再将HSI模型转化为RGB模型。实现了快速有效的彩色图像分割方法的研究。     

C2 Transformer U-Net:面向跨模态和上下文语义的医学图像分割模型

跨模态的医学图像可以在同一病灶处提供更多的语义信息,针对U-Net网络主要使用单模态图像用于分割,未充分考虑跨模态、上下文语义相关性的问题,该文提出面向跨模态和上下文语义的医学图像分割C2 Transformer U-Net模型。该模型的主要思想是:首先,在编码器部分提出主干、辅助U-Net网络结构,来提取不同模态的语义信息;然后,设计了多模态上下文语义感知处理器(MCAP),有效地提取同一病灶跨模态的语义信息,跳跃连接中使用主网络的两种模态图像相加后传入Transformer解码器,增强模型对病灶的表达能力;其次,在编-解码器中采用预激活残差单元和Transformer架构,一方面提取病灶的上下文特征信息,另一方面使网络在充分利用低层和高层特征时更加关注病灶的位置信息;最后,使用临床多模态肺部医学图像数据集验证算法的有效性,对比实验结果表明所提模型对于肺部病灶分割的Acc, Pre, Recall, Dice, Voe与Rvd分别为:97.95%, 94.94%, 94.31%, 96.98%, 92.57%与93.35%。对于形状复杂肺部病灶的分割,具有较高的精度和相对较低的冗余度,总体上优于现有的先进方法。     

基于改进的变分水平集和区域生长的图像分割方法的研究

针对水平集和区域生长方法都存在对噪声和初始边界敏感以及容易从弱边缘处泄露等不稳定的问题,提出了结合待分割目标灰度统计信息和图像梯度信息的水平集演化函数对水平集方法进行改进,并利用区域生长方法解决水平集方法对初始边界敏感的问题.分别用传统区域生长方法、阈值方法、GAC模型、C-V模型、Snake模型以及本文方法进行从腹部CT图像分割肝脏区域的实验比较,实验结果表明:本文方法不仅可以减少图像分割的时间,而且显著地提高了分割质量.     

Automatic segmentation of newborns’ skull and fontanel from CT data using model-based variational level set

The newborn’s cranium is composed of flat cranial bone and fontanels forming together the envelope of the cerebral cavity. The fontanels are relatively flexible since they consist of fibrous membrane that ossifies during maturation becoming flat cranial bone as well. Fontanels give less contrast in computerized tomography (CT) images; they can be identified as gaps between the cranial bones. In this paper, we propose an automatic model-based method using variational level set to segment the skull and fontanels from CT images. In this approach, firstly a skull model consisting of cranial bones and fontanels is created and then used as constraint for level set evolution. Then, by removing the cranial bones from the segmented skulls, the fontanels are obtained. To verify the validity of the achieved results, automatically segmented skull and fontanels have been compared with the ones manually segmented by an expert using Dice similarity and Hausdorff dissimilarity measures, which show the good agreement between them. Furthermore, the surface areas of cranium and fontanel have been determined for these segmentations. The results for both, manual and automatic segmentation, are in good agreement.     

CT图像中肿大淋巴结肺癌转移分类方法

为解决肺癌N分期中胸部CT难于对肿大淋巴结是否癌转移进行评价的问题,寻求能够有效表示淋巴结病理特性的图像特征,实现对肿大淋巴结癌转移快速准确地判别。该文采取交互式分割从CT图像中提取出肿大淋巴结;直接计算淋巴结的多分辨率直方图得到200维空间信息特征样本集;利用具有处理高维数据集优势的支持向量机(SVM)构造分类器;用测试集对经训练的SVM分类器进行测试以评价分类性能。经96例病例实验结果表明:100个淋巴结图像的200维特征计算用时1.91 s,SVM分类器训练测试用时1.36 s,敏感性76%,特异性64%,准确度70%,接受者操作特性曲线(ROC)下面积(AUC)0.6525。高维图像空间信息特征能够有效表示淋巴结特性;没有考虑医学征象进行肿大淋巴结癌转移定性诊断的准确度就达到了70%,同时分类速度比传统纹理算法提高了约10倍。     

Image Segmentation Based on Support Vector Machine

Image segmentation is a necessary step in image analysis. Support vector machine （SVM） approach is proposed to segment images and its segmentation performance is evaluated. Experimental results show that： the effects of kernel function and model parameters on the segmentation performance are significant; SVM approach is less sensitive to noise in image segmentation; The segmentation performance of SVM approach is better than that of back-propagation multi-layer perceptron （BP-MLP） approach and fuzzy c-means （FCM） approach.     

一种鲁棒的非均匀灰度图像分割算法

针对非均匀灰度图像分割困难及分割效率低下的问题,该文提出了一种基于活动轮廓模型的高效图像分割算法。不同于传统水平集方法中仅用单一信息定义的能量泛函,该算法结合图像的边缘信息和区域统计信息定义了一个新的能量泛函。边缘信息的利用便于演化轮廓线快速精确地定位至物体边缘;区域统计信息由局部统计信息和全局统计信息构成,一方面,局部统计信息的利用能够有效处理图像的灰度分布不均匀现象,另一方面,全局统计信息的利用避免了轮廓线陷入局部极小值。最后,在轮廓线演化过程中,通过高斯卷积核实现快速规则化,避免了传统模型计算代价高昂的重新初始化或规则化。合成图像和真实图像的实验结果表明,该文算法不仅能够快速有效分割灰度分布不均匀的弱边缘物体,而且对于多灰阶复杂结构物体也能够精确分割;同时,该算法对噪声和初始轮廓线具有较好的鲁棒性。     

基于改进Canny算子的双水平集医学图像分割

医学图像常常伴有噪声以及灰度不均匀等问题,且图像边缘具有复杂性,因此传统的双水平集模型无法达到理想的分割效果。针对该问题提出了一种基于改进Canny算子的双水平集医学图像分割算法,首先在Canny算子的基础上加入梯度模板,用来解决传统Canny算子无法完全检测出复杂图像边缘的问题,然后将检测后的图像融入到双水平集模型中,通过在水平集模型中加入偏移场来解决灰度不均匀的问题,并且在距离规则化项中使用双肼势函数。实验结果证明,该模型对于复杂边界以及灰度不均匀的图像有较好的分割效果。     

多站点新冠肺炎肺部CT图像的三维深度卷积分割

CT(Computed Tomography)肺部图像的毛玻璃病变是检测新冠肺炎的重要指标之一,准确分割病变区域对诊断、治疗和预后有重要意义。然而,作为世界性的流行性疾病,新冠肺炎患者肺部的病变类型、大小会随着人口种群、病情以及采集设备的不同存在较大差异,难以获得具备泛化能力的定量分析模型。本文提出一种基于U net的深度卷积网络,通过提取感兴趣区(region of interest, ROI)解决分割中前景背景不均衡的问题;同时,我们集成不同分辨率的网络,通过不同的感受野实现鲁棒分割多种分辨率图像的目的。为了解决医学图像数据集小的问题,在训练和测试阶段采用数据扩增技术来避免分割结果出现假阳性。在训练集和测试集含有199个和46个多站点新冠肺炎病变患者CT图像的数据集上对本文提出的方法进行了验证,从Dice指标来看,本文算法获得了较好的效果。