基于窄带水平集的带标记线左心室核磁共振图像的自动分割

提出了一种全自动分割带标记线左心室核磁共振图像的方法.它主要由两部分组成:先采用支持向量机(SVM)进行左心室定位,从而给出初始轮廓线;然后用改进的窄带水平集(Level Set)方法演化曲线得到最终分割结果.该方法改进了窄带生成方法,减少了窄带生成时间.针对带标记线左心室核磁共振图像的成像特点,引入了块像素变差和灰度相似性的思想对水平集方法的速度项进行了改进.实验结果表明,该方法能全自动、快速、准确地实现左心室的分割.     

带标记线左心室MR图像的自动分割

带标记线核磁共振(MR)图像能够提供了大量的运动信息，为实现左心室的运动重建提供了有利条件，但图像中存在灰度的不一致性、弱边界、伪影、标记线的影响等现象，这些都给带标记线左心室MR图像的分割带来了困难。目前带标记线核磁共振图像的左心室分割主要靠人工完成，为此提出了一种自动分割方法，它是基于分级处理的分割方法，主要由3部分组成：首先用数学形态学的方法实现左心室的自动定位；然后用K均值聚类、模板匹配和基于骨架的心肌形状恢复方法给出左心室的内外初始轮廓线；最后用改进的水平集方法对初始轮廓线进行演化而得到最终结果。实验结果证明，此方法有较强的鲁棒性，是行之有效的方法。     

改进的C-V水平集模型图像分割算法

复杂的计算限制了基于Chan-Vese（C-V）水平集模型的图像分割方法的应用。为提高图像分割的速度,提出一种基于C-V水平集模型的改进水平集方法。在一般情况下,只需要几次简单迭代就能分割出物体的轮廓。实验表明,该方法简单高效,能够快速有效地实现图像轮廓分割。     

基于区域信息的水平集医学图像分割

医学图像分割是医学诊断中非常重要的部分,针对医学图像分割往往出现边缘泄漏和不完全分割等问题,本文提出一种基于区域信息的水平集图像分割方法。该方法通过引入符号压力函数来取代传统的停止函数,可以有效地解决曲线初始位置敏感的问题,同时使得演化曲线摆脱了单方向演化的缺陷,演化曲线根据区域信息来选择演化方向.通过构造新的速度函数可以有效地控制速度大小,当演化曲线接近目标边缘时,速度值较小,可以有效避免边缘泄漏.当曲线远离目标边缘时,速度值很大,节省演化所需的时间.     

基于Mumford-Shah模型的快速水平集图像分割方法

该文对Chan-Vese提出的基于Mumford-Shah模型的水平集分割图像的算法做了两方面的改进:首先改进了C-V方法的偏微分方程,使得C-V方法可以快速计算出全局最优分割;其次,采用源点映射扫描方法来快速计算符号距离函数,克服了常规水平集方法中构造符号距离函数计算量大的缺点,并结合该文所提出的基于快速步进法生成符号表的方法,进一步提高了计算稳定性.两方面的改进提高了计算的速度和分割效果,试验统计结果显示,对于512×512的大幅图像,一般只需要10次左右的迭代就可以得到最优的分割效果.对合成图像、生物医学图像的分割结果表明了本文方法的稳健、快速.     

基于变分水平集的图像分割模型

基于传统的变分水平集方法的图像分割,水平集函数必须周期性地重新初始化使之保持为符号距离函数,这存在如何选择重新初始化的时间和方式的难题.Li模型通过在能量泛函中引入一个内部约束能量,去除了水平集函数在演化过程中需重新初始化的难题.通过对Li模型的分析,提出了一个新的变分水平集的分割模型.该模型通过在能量泛函中加入一个较简单的内部约束能量,同样可以实现水平集演化过程中的无需重新初始化.并且通过对边缘停止函数的重新定义,引入了新的外部能量,使得本文模型对噪声图像的分割更具鲁棒性.实验表明无论是在收敛速度上,还是在对噪声图像的分割质量上,本文模型和Li模型相比都具有一定的优势.     

一种改进的变分水平集的图像分割算法

为了解决灰度不均匀现象对医学图像的干扰问题,提出了基于局部极性信息的活 动轮廓模型。通过引入局部图像信息,该模型能有效地分割灰度不均匀图像。在规则化项中增 加的能量惩罚项,使得水平集函数在演化过程中保持为近似的符号距离函数。该算法将图像分 割问题归结为曲线能量泛函的最小化,首先建立包含局部灰度信息（极性信息）和改进的符号 距离函数的曲线演化能量泛函;然后采用变分水平集方法求解能量函数的最小值,得到最终的 分割结果。真实医学图像和人工合成图像的实验结果表明,此方法对灰度不均匀的医学图像有 较高的分割精确度,在图像分割速度上有较大提高。由于利用了局部灰度信息,可以有效地分 割灰度不均匀的医学图像,而改进后的变分水平集可以完全避免重新初始化,使得图像分割效 率大大提高了。     

水平集方法在图像分割技术中的应用

图像分割是图像工程中热门且举足轻重的一项研究.图像分割的本质是将感兴趣的目标从图像背景中提取出来,以便后续处理,是图像工程中十分关键的一步.重点研究水平集方法在图像分割技术中的应用,通过水平集方法能够将图像梯度信息、区域统计信息和目标形状等信息融入分割框架中,能出色地控制轮廓的演化,同时减少了计算量,从而获得更高的分割精度和效率.     

结合统计模型和曲线演化的左心室MRI图像分割

提出结合区域统计模型和图像梯度信息的MRI图像分割算法.由于心脏的变形和血液的流动,MRI图像中出现弱边界、局部梯度极大值区域、伪影等现象.基于图像梯度构造停止项的水平集方法难以分割此类图像.本文提出两阶段图像分割算法.首先结合先验知识和直方图,确定图像中像素的类别总数.用极大似然估计原理求出每一类的先验概率和概率分布参数,根据像素属于感兴趣区域(ROI)的后验概率构造水平集速度函数,通过曲线演化获取ROI的粗边界.然后再使用图像梯度构造速度函数对边界进行细化.实验结果表明,本文算法能够有效分割心脏MRI图像.     

基于双符号压力函数的活动轮廓图像分割方法

为了解决测地线模型和CV模型无法同时对弱边界、灰度不均匀图像进行分割的问题,提出一种基于双符号压力函数的活动轮廓图像分割方法。首先,基于图像统计信息定义分割灰度不均匀图像的符号压力函数,基于内部和外部灰度均值给出轮廓曲线内外的全局区域灰度均值的加权组合函数,运用图像全局信息定义分割弱边界图像的符号压力函数;然后,结合统计信息的符号压力函数和全局信息的符号压力函数（简称“双符号压力函数”）,通过增加组合的权值系数,设计新的水平集演化方程;最后,将双符号压力函数引入到二值选择和高斯滤波正则化水平集模型中,构建一种基于双符号压力函数的活动轮廓图像分割算法。仿真实验结果表明,该算法能够有效地分割弱边界、灰度不均匀的图像,同时对噪声也有一定的抗干扰性。     

一种全局优化的水平集图像分割方法

该文对Chan—Vese提出的水平集图像分割算法进行了改进，提出了分段光滑的Mumford—Shah全局优化的水平集图像分割模型，并对偏微分方程进行了修正，以提高模型的图像分割能力。实验表明，该方法不但解决了C—V方法对于灰度值渐进图像无法正确分割的问题，同时可更精确地描述原图像，是一种高效、稳定的图像分割模型。另外，针对水平集方法中符号距离函数构造计算量大的问题，还提出一种全邻域源点扫描法，以便通过对图像平面网格点的扫描来实现距离函数的快速计算，这种方法不仅计算性能稳定，而且速度快、精度高。     

改进的双水平集医学图像分割方法

由于基于简化M_S模型的多相水平集图像分割模型仅仅利用了图像的区域信息,对图像的另一个重要信息(边缘信息)没有有效的利用,同时在分割的过程中需要对水平集函数不断进行重新初始化.为了解决上述模型的不足,本文提出改进的双水平集医学图像分割方法.该方法主要是在基于简化M_S模型的多相水平集图像分割模型的基础上将图像的边界信息项和为避免重新初始化水平集函数的惩罚项加入模型中.实验结果表明,添加了边界信息后的模型能够在边界位置定位更容易,同时改进后的双水平集模型在实现多目标分割时,无需重新初始化水平集函数,减少了计算量,简化了算法实现的复杂度.     

形状统计Mumford-Shah模型的MR图像左心室外轮廓分割

左心室的分割是左心室运动重建的前提,分割的精度直接影响重建的真实性,由于左心室外轮廓存在弱边界,甚至边界的断裂,使得精确分割左心室外轮廓变得相当困难．文章在详细分析左心室外轮廓的基础上,采用了形状统计Mumford-Shah模型的分割方法,同时对原模型做了如下两点改造：（1）用期望最大（EM）算法求得图像中每点属于心肌的后验概率,通过此后验概率构造“伪灰度”图像来替代原灰度图像,以达到目标与背景灰度呈阶跃型分布的目的;（2）坩边缘罔替代Mumfor-Shah模型中的梯度项,以增强弱边缘,提高分割精度．实验结果证明,此方法可以有效地改进分割精度,适合整个心动周期．     

结合纹理与形状的Tagged MR图像左心室分割算法

分割带标记线核磁共振(tagged MR)图像是左心室运动重建的前提.由于标记线的加载破坏了左心室的轮廓边缘和区域灰度一致性,再加上乳突肌的存在,使带标记线核磁共振图像的左心室内外轮廓分割变得相当困难.在变分框架下,将纹理分类信息与形状统计先验知识引入Mumford-Shah模型中,提出了一种改进的分割带标记线核磁共振图像的左心室内外轮廓的方法.该方法基于支持向量机对S滤波器组提取的纹理特征的分类结果,构造了一种新的图像能量表示;针对乳突肌及边缘断裂现象,引入形状统计先验信息来约束曲线的演化.因为分割过程利用了有监督学习策略,较好地克服了标记线对左心室区域灰度的影响,提高了分割精度.实验结果表明,该方法较以往方法具有更高的分割精度和更好的稳定性.     

基于局部统计信息的快速CV模型MR图像分割

ChanVese（CV）模型以其能较好地处理图像的模糊边界和复杂的拓扑结构而广泛运用于图像分割中。但由于核磁共振（MR）图像广泛存在强度不均匀性,因此CV模型不仅不能进行准确的分割,而且迭代过程需要对所有图像数据进行反复计算,分割效率很低。针对以上缺点,提出了一种基于局部统计信息的用于快速进行图像分割的CV模型,即首先在局部区域内,通过计算统计量来得到像素点归类的贝叶斯后验概率,并以此作为曲线演化的依据,这样,就能对强度不均匀的MR图像进行准确的分割;然后设置两个表分别存储曲线内外部邻点,并通过更新这两个表内的点来实现曲线演化,从而不但大幅提高了计算速度,并保持了水平集方法能自动处理拓扑结构变化的优点。     

A Variational Approach for the Segmentation of the Left Ventricle in Cardiac Image Analysis

In this paper we propose a level set method to segment MR cardiac images. Our approach is based on a coupled propagation of two cardiac contours and integrates visual information with anatomical constraints. The visual information is expressed through a gradient vector flow-based boundary component and a region term that aims at best separating the cardiac contours/regions according to their global intensity properties. In order to deal with misleading visual support, an anatomical constraint is considered that couples the propagation of the cardiac contours according to their relative distance. The resulting motion equations are implemented using a level set approach and a fast and stable numerical approximation scheme, the Additive Operator Splitting. Encouraging experimental results are provided using real data.