改进多图谱配准的三维医学图像分割算法

为提高海马体分割精度与时间效率,在多图谱分割(Multi-Atlas Segmentation, MAS)脑部图像的配准阶段提出可变形配准网络EDUNet。针对浮动图像与固定图像,进行数据预处理,使其受到外界的影响最小,在配准阶段,用ANTs代替传统“粗”配准,利用卷积神经网络(Convolutional Newral Nerwork, CNN)改进“精”配准,对配准场进行估计,并引入注意力机制及空洞卷积模块。注意力机制用于自动学习和优化注意力特征,加强特征表达能力;空洞卷积扩大感受野,获取多尺度信息;配准中使用端到端网络,减少配准时间、提高配准效率。算法在OASIS数据集与LBPA40数据集进行了验证,配准精度可达0.786 3,使用基于局部二元模式的特征提取方法进行标签融合后,最终分割精度较其他方法提升3%～10%,验证了算法的有效性和准确性。     

医学图像分割技术

医学图像分割作为图像处理技术的关键步骤,为医生临床诊断、手术方案制定、病灶的定位提供重要依据。与普通图像不同,医学图像具有模糊、不均匀的特点,这使分割的难度大大增加。目前,医学图像分割技术繁多,总的来说可以分为基于区域、基于边缘、与特定理论相结合的方法。我们今后研究的重点是制定评价算法优劣的定量准则。     

关于医学图像分割的综述

医学图像分割是医学图像处理中最基本和最重要的技术,其目的是把图像空间分割成一些有意义的区域.医学图像分割技术的发展决定着医学图像处理中其它相关技术的发展.本文在大量阅读国内外近期文献的基础上,对近年来医学图像分割技术的发展进行了分类综述.     

医学图像分割概述

在医学研究和实践中,经常需要对人体某种组织和器官的形状、边界、截面面积以及体积进行测量,从而得出该组织病理、或功能方面的重要信息。由于偏移场的存在使核磁共振图像中局部统计特性发生变化,不同生理组织的亮度交叠分布,成为自动化分割的一个主要障碍。医学图像分割算法的研究仍是当前医学图像处理和分析的热点。本文阐述了医学图像分割的目的意义,分析医学图像分割现状,并对目前国内外医学图像分割方法进行了归纳,总结各种不同类型方法的特点。     

基于改进自调整图谱方法的SAR图像分割

谱聚类是在给定数据集上用基于图论的方法进行分类,并已广泛地应用于SAR图像分割.自调整谱聚类（self-tuning spectral clustering,简称STSC）方法是一种可以自动确定尺度因子和分类数的方法.本文给出了一种改进的STSC方法,使用熵函数作为自动求分类数的代价函数,使得分类数的计算更加准确和有效,提高了方法的分类精度.实验表明,改进的STSC方法对自然图像、SAR图像的分割精度高于原STSC方法.     

基于数学形态学的医学CT图像分割方法研究

提出一种基于形态学分水岭算法的医学CT图像分割方法。针对传统分水岭算法易产生过分割现象的问题,分析产生过分割现象的原因并提出解决方案:首先利用形态学重构算法滤波,然后合并极小值,对梯度图像进行修正,最后对修正的梯度图像进行分水岭变换。仿真结果表明该方法能够抑制过分割现象,得到理想的分割结果。     

改进FCM算法在医学图像分割的方法研究

本文提出使用改进模糊C均值聚类(MFCM)算法和模糊可能性C均值聚类(FPCM)算法的图像分割方法并应用于医学图像分割过程中。MFCM算法是通过调整FCM算法的测量距离来批准标签像素受到其他图像像素和在切分中抑制噪声效果来约束,从而使得成员变量没有最大约束值。基于真实医学图像的实验表明了MFCM算法和FPCM算法在医学图像中进行分割的实际效果,具体是通过对FCM、MFCM、FPCM进行精度对比来验证算法有效性。     

基于二进小波变换的医学图像分割方法研究

文章分两个部分,第一部分是预处理部分：医学图像增强部分,第二部分是文章的主要研究部分：基于二进小波的医学图像分割部分,该部分中先对脑白质图像直接进行分割,并把实验结果作为参考图a1,然后对脑白质图像先进行参考文献[7]所研究的图像增强,对于增强得到的图像进行基于二进小波的图像分割,把实验结果看作参考图a2,并对参考图a1和图a2进行比较。由分割结果和白质差异图可以发现,先对图像进行增强,然后对结果图进行基于二进小波变换的脑白质分割,其结果比前者更佳且更准确。     

一种改进的交互式医学图像序列分割方法

本文介绍了一种结合live wire算法和活动轮廓模型的医学图像序列的分割方法.我们通过把live wire算法和图像分割中一般的区域增长方法结合来改进live wire算法,并用改进后的算法来对医学图像序列中的单张或多张切片进行交互式的准确分割.然后计算机利用活动轮廓模型来自动分割相邻的未分割切片.我们通过在活动轮廓模型的边缘点中引入记录已分割物体边缘附近局部区域特征的灰度模型来把已分割切片中的物体与背景的局部区域特征带入相邻的未分割切片中,并用由灰度模型定义的区域相似性代替活动轮廓模型中的外能来引导边缘轮廓收敛到物体的实际边缘.本文还介绍了一种基于live wire算法思想的简单的分割结果交互式修补方法.实验表明我们的算法仅需少量用户交互就能快速准确的从医学图像序列中分割出感兴趣的物体.     

医学图像的三维自适应迭代分割算法

医学图像分割是医学图像处理分析领域中的研究重点和难点问题,文中对医学CT图像的三维分割方法进行了深入研究,提出了一种医学CT图像的三维分割框架--三维自适应迭代分割算法(SO3DAISA).试验结果表明,本文的分割方法在很大程度上减少了人工干预、执行效率高、图像分割效果好,并且具有很好的实用性.     

基于深度学习的医学图像分割方法研究进展

医学图像处理技术随着深度学习的兴起而飞速发展。基于深度学习的医学图像分割技术成为了分割领域的主流方法，弥补了传统分割方法分割精度不足的缺点，已被应用到一些病理图像的分割任务中。文中对近年来出现的基于深度学习的分割方法进行了介绍和对比，重点综述了U-Net及其改进模型在分割领域的贡献，归纳了常见的医学图像模态、分割算法的评价指标和常用分割数据集，并对医学图像分割技术的未来发展进行了展望。     

基于多尺度特征融合和注意力机制的医学图像分割网络

针对传统编解码结构的医学图像分割网络存在特征信息利用率低、泛化能力不足等问题,该文提出了一种结合编解码模式的多尺度语义感知注意力网络(multi-scale semantic perceptual attention network,MSPA-Net) 。首先,该网络在解码路径加入双路径多信息域注意力模块(dual-channel multi-information domain attention module,DMDA) ,提高特征信息的提取能力;其次,网络在级联处加入空洞卷积模块(dense atrous convolution module,DAC) ,扩大卷积感受野;最后,借鉴特征融合思想,设计了可调节多尺度特征融合模块 (adjustable multi-scale feature fusion,AMFF) 和双路自学习循环连接模块(dual self-learning recycle connection module,DCM) ,提升网络的泛化性和鲁棒性。为验证网络的有效性,在CVC-ClinicDB、ETIS-LaribPolypDB、COVID-19 CHEST X-RAY、Kaggle_3m、ISIC2017和Fluorescent Neuronal Cells等数据 集上进行验证,实验结果表明,相似系数分别达到了94.96%、92.40%、99.02%、90.55%、92.32%和75.32%。因此,新的分割网络展现了良好的泛化能力,总体性能优于现有网络,能够较好实现通用医学图像的有效分割。     

基于多算子融合的图像分割算法的研究

图像分割是图像处理技术中重要的组成部分,在实际生活中有着广泛的应用.针对目前几种常用的基于微分算子的图像分割算法不能很好的分割出目标区域,本文提出了一种基于多算子融合的图像分割算法.算法对几种不同的算子处理的结果进行融合,从而实现对目标区域的分割.实验结果表明,相对于Sobel算子、Prewitt算子、Canny算子、Roberts算子和Kirsch算子,多算子融合算法取得了最优的综合性能.其不仅能很好的解决简单背景下的目标分割,对背景较复杂的图像也能达到很好的分割性能.     

基于多尺度偶数卷积注意力U-Net的医学图像分割

为了提高U-Net网络性能的同时尽可能减少额外计算量,本文提出了一种新的多尺度偶数卷积注意力UNet(Multiscale Even Convolution Attention U-Net,MECAU-Net)网络。该网络在编码端采用2×2偶数卷积代替3×3卷积进行特征提取,并借鉴多尺度思想,采用4×4偶数卷积将得到的信息直接传递给主干部分,以获取更全面的图像信息并减少额外计算开销,同时还采用对称填充解决偶数卷积提取信息过程中产生的偏移问题。此外,在2×2偶数卷积模块后加入卷积注意力模块,结合空间和通道注意力,在提取更丰富的信息的同时几乎不增加额外开销。最后,在两个医学图像数据集上进行仿真实验,实验结果表明提出的MECAU-Net网络相对于U-Net在稍微增加计算成本的情况下,分割性能得到了较大的提升,并比其他对比网络取得更好的分割性能的同时还降低了参数量。     

医学图像中典型分割算法的比较分析

通过图像分割算法获取医学图像感兴趣区域是医学图像分析与识别要解决的首要问题及技术难点。在阐述医学图像分割及其研究意义的基础上,总结了医学图像分割中的典型算法。接着,以MR颅脑图像的分割为例,做了基于FCM、C-V、区域生长法的图像分割及对比分析,讨论了医学图像有效分割存在的技术难点。最后,指明了医学图像分割未来的发展趋势。研究成果对深入认识医学图像分割的研究意义、分割算法、分割难点、分割趋势等,推动医学图像分割技术的发展均具有一定意义。     

改进的分水岭算法用于X光医学图像分割

为了提高医学图像分割质量,提出了一种基于X光医学图像的改进分水岭算法。算法在应用分水岭算法前首先对感兴趣图像进行预处理,包括对感兴趣区域进行最小阈值法,分离背景区,对前景区运用腐蚀和膨胀运算得到候选区;在分水岭变换过程中,通过像素聚类合并准则,将与主像素聚类有相同特性的次像素聚类加入到分割结果中,最终得到合并区域。试验证明,这种改进的分水岭算法使过分割现象得到减少,有效地分割和提取医学图像中的病变区域。     

改进的分水岭算法在医学图像分割中的应用

针对传统分水岭算法对噪声敏感和易于产生过分割的问题,提出了一种将同态滤波增强与控制标记符分水岭相结合的分割策略.该方法先进行同态滤波增强预处理,再采用改进控制标记符的分水岭分割算法进行分割.仿真实验表明,提出的算法很好地抑制了过分割,实现了有意义的医学图像区域分割,同时还具有较强的区域轮廓定位能力,不需要再进行后续的合并处理,算法简单,并且能够适应医学图像分类与信息提取的需求.     

图像分割技术研究

本文主要介绍了图像分割的两大类方法：基于边缘的分割方法和基于区域的分割方法及其各自存在的问题和最新进展，同时简单介绍了物理的分割方法和图像分割评价，最后指出了图像分割技术的发展趋势。     

基于Contourlet域图谱聚类和多尺度Markov模型的多光谱遥感图像分割

针对多光谱遥感图像的特点,结合图谱聚类、Co ntourlet系数分布的统计特性和多尺度Markov模型, 提出了一种基于Contourlet域图谱聚类和多尺度Markov模型的分割(CSCMMS)方法。首先对 待分割图像进行Contourlet变换,利用图谱聚类对最粗尺度低频图像聚类得到可靠的初始分 割结果;然后 利用互信息构造Contourlet域的多尺度Markov模型,结合多尺度、多方向的图像信息将低频 图像的初始分 割结果逐尺度传递到最细尺度,得到原始图像的分割。对合成图像和多光谱遥感图像的实验 结果表明,提 出方法在边缘信息保持和噪声敏感性上具有明显改进,错分率和运算时间进一步降低。