融合各向异性扩散信息的图像分割

目的 图像因各种因素的影响存在一定程度的噪声,而噪声会在图像分割时影响待分割目标的边缘识别,导致分割结果难以达到理想状态。针对以上问题,在距离规则化水平集（DRLSE）演化模型的基础上,提出一种将各向异性扩散散度场信息融合到DRLSE模型中的新模型。方法 将水平集函数初始化为分段常数表达式,设定演化方程中的参数和水平集函数演化过程中的迭代时间步长Δt。随后将常值权系数α替换为融合各项异性扩散散度场信息的变权系数α（I）,对水平集函数的演化方程进行迭代演化,直至收敛到目标边缘。输出最终演化轮廓。结果 对选自Weizmann数据库的图像和经过人为改造的的图像进行图像分割实验,采用迭代时间和评价分割结果相似性的J系数（Jaccard相似性系数）和D系数（Dice相似性系数）等定量指标进行评价。对无噪声图像和噪声图像分割时,本文模型的J系数和D系数均比DRLSE模型的值大,表明本文模型的分割结果与真值图像的相似性较高。在分割时间方面,仅在分割背景简单边缘清晰的无噪声图像时,本文模型较DRLSE模型略长;在分割边缘清晰、背景灰度不均匀和边缘模糊、背景灰度不均匀的无噪声图像以及人为添加噪声的各种情况下,本文模型分割时间均明显短于DRLSE模型。其中,对边缘模糊、背景灰度不均匀的无噪声图像,本文模型分割时间为3.718 s,较DRLSE模型短9.523 s;对存在噪声、待分割目标存在凹区域且边缘模糊背景灰度不均匀图像,本文模型分割时间为4.235 s,较DRLSE模型短35.165 s。结论 实验结果表明,融合了各向异性扩散信息的DRLSE模型在图像分割尤其是噪声图像分割方面,具有明显的有效性、高效性和鲁棒性。     

基于改进DRLSE水平集模型的图像分割

针对 DRLSE 水平集模型对噪声敏感、依赖初始轮廓位置以及演化速度缓慢等不 足,利用小波变换和小波阈值去噪的方法,构造对噪声不敏感的边缘信息刻画矩阵,定义基于 图像信息的边缘停止函数和自适应权重系数,获得了改进的 DRLSE 水平集图像分割模型。利 用有限差分法对模型求解,并采用 Jaccard 相似度作为评价模型的定量分析方法,数值结果显示 改进的模型及算法对图像分割的有效性,克服了 DRLSE 水平集模型分割含噪图像以及定义初 始轮廓位置的局限性,提高了 DRLSE 水平集模型的计算效率和图像分割精度。     

改进Mask R-CNN的甲状腺结节超声图像分割方法

甲状腺结节超声图像对比度低,斑点噪声严重,且不同病人的甲状腺结节形态差异较大,这给医生准确分割结节带来极大困难。为了精确地从超声图像中分割出甲状腺结节,对原掩膜区域卷积神经网络（mask regionconvolutional neural network,Mask R-CNN）的主干网络进行改进。在原主干网络的残差网络层中加入注意力机制模块来提高模型收敛性,并且在特征金字塔网络中增添一条由下向上的支路,将该支路输出特征图进行融合后,输入至区域推荐网络和感兴趣区域池化层,从而能够在融合多尺度特征的同时平衡特征图信息差异。经过对600幅甲状腺结节超声图像进行测试,改进后Mask R-CNN图像分割的平均Dice系数为0.914 8,平均精确度为0.932 2,平均召回率为0.903 4,平均F1分数为0.917 6。改进算法分割的Dice系数比原Mask R-CNN提升了0.080 6,改进算法可以应用于实际临床医学中自动分割甲状腺结节超声图像。     

基于道路图像的阈值分割算法的研究

在众多的图像分割技术中,阈值化技术是基于区域的图像分割技术,是图像分割中最重要而有效的技术之一.本文给出了几种常用图像阈值分割方法,并提出了一种基于道路图像序列的改进的逐行最优阙值分割算法,其内容是:相邻两帧图像的对应行的亮度、对比度等近似不变,因此它们对应的分割阈值也有近似不变性,运用迭代的方法控制相邻两帧图像对应行的阈值,从而减少运算量,提高算法的实时性.对比仿真结果表明,改进的分割算法具有较高的精度和较好的实时性、鲁棒性.     

针对弱边缘信息的左心室图像分割算法

基于距离正则水平集模型（DRLSE）的左心室MR图像分割算法对梯度信息有很强的依赖性,在图像弱边缘区域容易陷入局部最优,且对初始轮廓的选取敏感。为降低算法对初始轮廓的敏感程度,提高其在左心室图像弱边缘的分割能力,提出一种适用于弱边缘信息的左心室分割算法。在DRLSE的基础上,该分割算法提出运用拟合方法计算基于变异系数分割模型（PSM）的新局部项,算法依靠梯度与图像局部信息驱动曲线演化,降低了DRLSE对初始轮廓的敏感度;引入形状约束力,克服DRLSE算法在左心室外膜弱边界处出现边界泄露的情况。为验证所提算法分割的准确性,基于多伦多市患病儿童医院影像科提供的数据库,利用DRLSE、保持凸性水平集模型（CPLSE）模型、U-Net网络以及提出的内膜算法对心内膜进行分割;利用DRLSE、引入外膜形状约束力的DRLSE模型（DRLSE-shape）、U-Net网络以及提出的外膜算法对心外膜进行分割。实验结果表明,针对左心室内、外膜,所提算法优于上述算法,能降低DRLSE对初始轮廓的敏感程度,提升对左心室弱边界MR图像分割的精确度。     

基于改进归一化割的甲状腺肿瘤B超图像分割

为了实现甲状腺肿瘤B超图像和核素图像的图像配准融合以及得到特征级图像配准所需要的特征区域,需分割出甲状腺、肿瘤及其周围组织。这类图像在形成过程中往往会产生斑点噪声使图像质量较差,且具有灰度对比度低和亮度分布不均匀等特点,提出一种基于各向异性扩散的归一化割分割法,将各向异性扩散模型引入到归一化割中,并通过调节模型参数来对甲状腺肿瘤B超图像进行去噪和边缘增强,优化了归一化割中轮廓线图和权值矩阵,在一定程度上避免了归一化割的过分割和欠分割,实验结果证明了该方法的可行性。     

多阶U-Net甲状腺超声图像自动分割方法

甲状腺超声图像广泛应用于甲状腺相关疾病的诊断。针对甲状腺超声图像对比度低、边缘模糊以及散斑噪声严重等问题,提出一种基于多阶U-Net的深度卷积网络模型,用于实现甲状腺腺体与甲状腺结节的自动分割。该模型以U-Net为基本网络框架,通过不断进阶的特征融合,以实现图像边缘的信息提取。同时,在模型中使用了一种多尺度残差卷积模块以进一步提升分割精度。对比实验结果表明,该模型相较于其他方法能够获得更好的分割结果,具有一定的临床应用价值。     

基于图像区域信息与边界的分割方法研究

图像分割是图像研究中的关键步骤,其对相关工程技术领域有着重要的作用。由于图片具有一定的区域信息和边界信息,我们讨论了图像的区域分裂合并算法和边界跟踪算法。并提出了一种结合边缘与区域信息的变分水平集分割方法,通过对DRLSE(距离正则化水平集)模型的能量函数进行改进,引进了CV模型的外部能量项,实验结果表明,新模型继承了两种提取方法的优势,能够正确、快速、鲁棒的分割出目标区域。     

MR心脏序列图像左心室内外壁联合分割和时序追踪新方法

MR心脏图像左心室内外壁的自动分割是计算机辅助心功能诊断的前提。本文提出了一种MR心脏图像的左心室内外壁的联合分割和时序追踪的新方法。首先用改进几何动态轮廓线算法分割一帧3维MR图像中的左心室内壁,然后通过时序追踪得到同一层面各帧的内壁轮廓。分割外壁时,以内壁为初始轮廓,设计一种由距离和区域灰度均值约束的区域膨胀力,分割心室的外壁。在临床实际心电门控动态4D心脏MRI序列图像上的实验结果表明,算法分割左心室的内外壁的结果和专家手动分割结果很接近;并且根据心室内外壁分割结果建立的左心室3维模型,可以计算出几种重要的临床心功能指标。     

基于图割与改进模糊C均值的图像分割

为提高图割算法对图像的分割效果,提出一种改进的模糊C均值聚类算法(FCMA)和图割分割算法相结合的图像分割方法。首先,用均值漂移算法将图像过分割成多个小区域(超像素),用得到的超像素代替像素点作为图的顶点,以相邻像素块间的关系为边构建图模型;然后,采用改进的模糊C均值(FCMA)算法对前景和背景的混合高斯模型分别进行聚类分析;最后,用最大流/最小割算法求取能量函数的全局最优解即得到图像的分割结果。实验结果表明,该方法在分割结果上具有较强的区域一致性及较为清晰、平滑的图像边缘,并且该方法对含有噪声的图像也能得到较好的分割结果。