首页 > 文献资料
-
医学图像分割进展
图像分割是解决医学图像在临床上广泛应用的关键性问题.本文简述了医学图像分割技术的进展,综述医学图像分割技术、发展趋势,展望了医学图像分割的前景和面临的挑战.
-
基于聚类算法的脑部MR图像分割
目的：探讨改进的聚类分割算法，并将其应用于脑部MR图像的自动分割。方法采用彩色编码将灰度图像转换到彩色空间，提高图像各解剖结构对比度；利用灰度直方图绘制概率密度曲线获得各类区域峰值点；将此峰值点作为聚类分割算法的初始聚类中心，达到图像自动分割的效果。结果选用不同分割算法对脑部MR图像进行仿真实验。定性分析表明基于本文分割算法的图像中灰质、白质和脑脊液部分容易辨别，且清晰度更高；定量评估结果显示基于本文分割算法能获得优的Jaccard系数和少的平均分割时间。结论基于灰度直方图绘制的概率曲线有效地避免初始聚类中心选取的盲目性，使得分割结果更快速、更准确，在目标分析中具有较高的临床应用价值。
-
图像分割方法在医学领域中的应用
在当今的医学诊断中,医疗影像的辅助诊断作用变得日益重要.近年来,基于计算机视觉的医学图像自动分析与处理技术已经成为一个热点研究领域,各类医学图像的分割与识别方法层出不穷.本文从常用的图像分割算法出发,对医学图像分割领域的研究现状进行分析,并对现有的分割方法进行介绍、分类和总结,后给出该领域的主要发展趋势.
-
医学图像分割方法研究
医学图像分割是医学图像处理中的一个经典难题.图像分割能够自动或半自动描绘出医学图像中的解剖结构和其它感兴趣的区域,从而有助于医学诊断.本文综述和讨论了近年来的医学图像分割技术、发展趋势、研究热点及其医学图像分割的评价等问题,并简要讨论了每类分割方法的特点,展望了医学图像分割的前景和面临的挑战.
-
阿尔茨海默病患者MR图像偏差场修正和脑组织分割的研究
目的 探索适用于阿尔茨海默病(Alzheimers disease, AD)患者MR图像脑组织的分割的方法.方法 结合阿尔茨海默病患者MR图像中组织区域和边缘的特性对传统水平集进行改进,利用同态滤波对图像进行偏差场修正,增加了UNSHARP MASK 处理方法,有效避免了水平集边界泄漏问题.结果 标准体膜和真实数据实验证实,该改进算法分割结果优于SPM5.结论 利用修正偏差场和添加UNSHARP MASK方法有可能提高AD患者MR图像脑组织分割的准确性和鲁棒性,本研究为MR图像脑组织的精确分割和进一步准确测量作了有益探索.
-
基于level sets的医学图像分割
医学图像分割是一个非常重要的研究领域.它主要应用于病人诊断、图像引导手术,以及医学数据可视化.解决这个问题的一个常用方法就是利用活动轮廓或"snake"来分割感兴趣的物体.文中给出两种活动轮廓模型,其中一种基于边缘停止函数,而另一种是一个能量小化算法.两种方法都采用level-sets模型,利用一个Lipschitz函数φ来进行自动拓扑变化.实验表明第一种方法仅仅只能检测边缘梯度较大的物体,而第二种方法没有这样的限制.
关键词： 医学图像分割 level-sets模型 活动轮廓 -
基于自适应标记分水岭算法的肝脏CT图像自动分割
目的 为减少人工交互提出了基于自适应标记分水岭的CT系列图像肝脏区域自动分割算法.方法 首先对图像进行形态学重构运算以平滑图像,然后计算多尺度形态学梯度,同时提出利用梯度图像非零的局部极小值点的均值进行自适应标记提取,以避免分水岭的过分割和欠分割,再结合肝脏为大的实质性脏器和相邻图像的相似性实现CT系列图像的肝区自动分割.结果 该算法能自动、快速地提取CT系列图像中的肝脏区域.结论 分水岭算法能准确定位区域的边缘,通过选择合适的阈值对梯度图像进行标记以抑制分水岭的过分割,实现医学图像中感兴趣区域的自动分割.
-
基于模糊连接度的FCM分割方法在医学图像分析中的应用
图像分割的一个重要应用领域是医学图像的分割.我们针对医学图像的模糊特点和实际应用的要求,结合模糊连接度阈值分割和模糊C均值聚类两种分割方法的优点,提出一种新的交互式医学图像分割方法.首先计算整幅图像的模糊连接度,通过闽值分割提取出感兴趣的对象,并将模糊连接度作为图像的冗余特征;然后在由冗余特征和原图像特征构成的二维聚类空间中,利用模糊C-均值聚类方法优化上一步骤的分割结果,提高分割准确度.我们以CT和MR图像为实验对象进行了验证,实验结果表明这是一个有效的方法.
-
神经网络技术及其在医学图像处理中的应用
神经网络技术是模拟生物神经系统的原理而构成的一种新型智能信息处理技术,已成功应用于疾病预报、方剂配伍等医学领域.近年来,在医学图像处理与分析领域,神经网络技术也得到了广泛应用.本文就神经网络技术在医学图像分割、医学图像配准以及基于医学图像的计算机辅助诊断技术等方面的应用及其研究进展进行综述,阐述具有代表性的技术和算法.
-
头颈部肿瘤分子生物纹理分析与生物靶区自适应勾画
目的 探讨头颈部肿瘤分子生物纹理分析和自适应生物靶区(BTV)勾画方法.方法 根据肿瘤PET图像的标准摄取值(SUV)及其分子生物“方差”(VAR)纹理特征,提出一种改进的两阶段自适应三维体生长肿瘤BTV勾画方法:首先根据PET图像灰度共生矩阵,提取肿瘤分子生物VAR纹理特征；之后联合肿瘤生物VAR纹理特征,改进先前提出的两阶段自适应三维体生长方法,并进行头颈部肿瘤BTV的自适应勾画.结果 鼻咽癌临床PET影像试验和应用结果表明,改进的两阶段自适应三维体生长方法能自适应地勾画鼻咽癌BTV,结果正确合理.结论 改进的两阶段自适应三维体生长方法能够更精确地自适应勾画头颈部肿瘤BTV.
-
基于种子区域增长的胆管分割方法研究
目的：对CT片中的胆管进行分割。方法：采用图像分割技术中的种子区域增长法，首先，选取种子点，得到种子点所对应CT值和相邻26个点均值，然后以种子点所在位置为起点往其临近26点扩散。若其临近点CT值与种子点CT值差值在正负10个HU或者均值满足相同要求则该点为同类点，依次类推，直到不再有同类点时算法结束。结果：自动分割的准确率>80%，计算误差<10%。结论：基于种子区域增长的分割方法能自动地有效地对胆管进行分割。
-
几种图像分割技术在医学图像处理中的应用研究
叙述了基于特定理论的图像分割算法在医学图像处理中的应用,详细介绍了遗传算法、水平集分割法、模糊集分割法各自的基本理论以及优缺点,论述与讨论了医学图像分割效果评价方法,后对各种算法的特点进行了总结.
-
几种医学图像分割方法的性能比较
详细介绍了梯度算子法、拉普拉斯算子法和迭代阈值法等3种医学图像分割方法,通过对这3种算法在高斯噪声环境下的图像分割性能进行分析和比较,得到了梯度算子法和拉普拉斯算子法对图像噪声比较敏感,而迭代阈值法对图像噪声相对不敏感的结果,后指出了在噪声相对较大的医疗图像中可考虑利用迭代阈值法进行分割图像.
-
医学图像分割技术研究进展
医学图像分割是医学图像处理中的一个经典难题.图像分割能够自动或半自动描绘出医学图像中的解剖结构和其它感兴趣的区域,从而有助于医学诊断.综述和讨论了近年来的医学图像分割技术、发展趋势、研究热点及其医学图像分割的评价等问题,并简要讨论了每类分割方法的特点,展望了医学图像分割的前景和面临的挑战.
-
活动形状模型在医学图像分割中的应用
在医学临床实践和研究中经常需要根据各种图像对解剖结构进行识别和精确定位,以获取有用的信息.活动形状模型是计算机视觉领域成长很快的一类统计学模型方法,在图像分割和解释方面展示了相当可观的发展前景.对活动形状模型及其扩展算法活动表观模型的发展现状,以及它们在医学图像领域的应用和研究热点进行了总结并对技术的进一步发展进行了初步探讨.
-
基于多重分形谱和自组织神经网络的医学图像分割
背景:单一的多重分形谱图像分割虽然在边缘及纹理的区分上有较大优势,但是选择不同的测度,不同的闽值对于分割结果影响比较大,正确地选择优的测度比较困难.目的:结合多重分形谱图像分割法及自组织特征映射神经网络对医学图像进行处理.方法:以图像每一象素及其周围象素的均值及方差为基本特征,再结合4种不同多重分形谱为纹理特征,实现自组织特征映射神经网络.结果与结论:选择不同的测度对同一图像的分割结果是不一样的,并且同一种测度对不同图像的分割效果也不一样,说明基于多重分形谱的医学图像分割中选择合适的测度是一个关键所在.因此将多重分形谱结合自组织特征映射神经网络的方法对图像进行处理,该方法省略了选择测度的步骤,直接把4种多重分形谱作为特征,与另两种基本特征一起作为自组织神经网络的输入,对网络进行学习,并自动对图像进行分割.实验结果表明该方法在满足复杂图像中有效进行分割的同时达到了自动、自适应的目的.
关键词： 多重分形 自组织特征映射神经网络 医学图像分割 纹理 数字化影像技术 -
融合颜色和强度先验信息的几何形变模型在医学图像分割中的应用
研究了一种基于融合颜色和强度先验信息的几何形变模型的医学图像分割算法.首先借助遗传算法,从图像的不同颜色空间中得到对应颜色分量的阈值,然后将这些阈值所代表的先验信息融合到形变模型的进化曲线中,从而得到了改进的基于Ievel set的几何形变模型.采用临床骨髓细胞和乳腺细胞分别进行了实验,结果表明相对于传统的只利用图像梯度信息的形变模型,算法不仅能得到更精确的结果,而且具有更快的运行速度.
关键词： 改进几何形变模型 颜色和强度先验信息融合 医学图像分割 -
基于Snake模型的医学图像分割
基于Snake模型的图像分割技术是近年来图像处理领域的研究热点之一.Snake模型承载上层先验知识并融合了图像的底层特征,针对医学图像的特殊性,能有效地应用于医学图像的分割中.本文对各种基于Snake模型的改进算法和进化模型进行了研究,并重点梳理了新的研究成果,以利于把握基于Snake模型的医学图像分割方法的脉络和发展方向.
-
基于K-Means及K-NN的磁共振颅脑图像分割初探
目的 对K-均值聚类(K-Means)和K-近邻规则(K-NN)方法 在MR颅脑图像分割中的应用进行研究,分析二者优缺点并提出改进.方法 利用K-Means算法和K-NN算法对脑组织进行分割.为了减少人脑的劳动使算法自动进行,提出使用K-Means方法 提取K-NN方法 的训练样本.结果 K-Means与K-NN及改良后的K-NN算法(KMN)能很好地从大脑结构中分割白质(white matter,WM)、灰质(grey matter,GM)和脑脊液(cerebrospinal fluid,CSF).结论 实验表明K-Means与K-NN能快速有效地分割脑组织,改进后的K-NN方法 减少了人工参与,并能获得较好的分割效果.
-
Radiomics方法研究应用进展
Radiomics(影像组学)方法是指对CT、MRI和PET等大量医学图像提取定量影像学特征并进行分析,找到疾病的影像学标识物,从而实现对疾病的精准预测、诊断及预后评估等.众所周知,癌症治疗是医学界面临的重要难题,尽早发现、尽早治疗能够极大地改善患者的生存率.肿瘤细胞的变化一般通过基因表达进行监测,但也可以通过影像学标识物进行监测,所以Radiomics方法被广泛应用于癌症的预测、早期诊断和治疗,是当今国内外影像医学及其相关专业的研究热点.本文首先对Radiomics方法中需要解决的4个关键性问题(包括多模态图像采集和重建、图像分割、特征提取和筛选、建立数据库对信息分析建模)分别进行详细的阐述;其次,介绍并分析Radiomics方法在早期预测及诊断非小细胞肺癌、前列腺癌、乳腺癌及其他癌症方面的应用;后,预测Radiomics方法的未来发展趋势.
