首页 > 文献资料
-
基于sigmoid边缘模型的低对比度 图像分割算法研究
目的 本文采用sigmoid函数模拟平滑噪声强度轮廓,提出一种图像分割混合算法,并将其用于低对比度的CT/MR肿瘤图像.方法 首先,联合使用支持向量机、分水岭和离散数据逼近等算法按肿瘤大小进行分类初步分割;然后,采用sigmoid边缘模型拟合的边缘轮廓;后,根据模型测试参数确定病灶的准确边界.分割结果 采用医学电脑影像及电脑辅助涉入的国际研讨会会议工作组提出的评价体系进行评估.结果 选用人工合成图像和临床CT/MR图像进行仿真实验.敏感性测试确定了分割算法的佳参数:逼近阈值为15,分块数目M为12,dgap为4,邻域矩阵大小为3×3;本文算法能精确分割不同噪声水平图像,且各项评价指标的标准差均<1;对于临床实例图像,基于本文方法 所得分割图像的VOE和RVD,第一组为28.21%和19.20%,第二组为7.62%和13.45%,均明显小于图论算法和水平集方法 .结论 本文提出的图像分割混合算法能精确分割不同特性、不同尺寸的肿瘤病灶,在噪声环境和临床实例中均表现出稳定性、优越性和普适性,具有较高的临床应用价值.
关键词： sigmoid边缘模型 图像分割 离散数据 肿瘤分割 分水岭算法 -
肺原发性肌上皮癌一例
患者男，47岁，1个月前无明显诱因咯鲜血约150 ml，有胸闷不适感伴咳嗽，于2014年4月6日入住孝感市中心医院。既往吸烟多年。入院体检：锁骨上淋巴结无肿大，胸廓无畸形，双肺呼吸音清，未闻及干湿啰音；胸部CT检查左下肺叶见一肿块影，大横径面约6.5 cm ×7.8 cm，边缘见分叶，内见钙化，纵隔未见肿大淋巴结，双侧胸腔未见异常。行CT引导下肺穿刺活检，结果提示肺涎腺型癌。于4月11日在全身麻醉下行左下肺叶切除＋纵隔淋巴结清扫术。切除标本12 cm ×10 cm ×10 cm，切面见一直径为6.5 cm的实性结节性肿块，呈分叶状，灰白伴灰黄色，质中。 HE镜下见肿物呈膨胀性生长，未见明确包膜，位于支气管黏膜及软骨下（图1A），部分区域累犯周围肺组织；瘤细胞主要由梭形细胞及胞质透亮的圆形或卵圆形细胞构成，胞核中度异型，核仁不明显，梭形细胞排列成束状（图1B）；主要形成实性、片状结构，部分区域富含胶原性的纤维间质将肿瘤分割成小巢状或梁索状结构（图1C）；可见鳞状上皮化生形成角化珠结构并伴钙化，10％的肿瘤性区域内可见凝固性坏死；核分裂象少见（1／10个高倍视野）。免疫组织化学示广谱 CK、Vimentin、P63、S-100、SMA、Calponin、GFAP、CK5／6及 Actin均阳性；Ki-67约5％阳性；TTF-1、CD10、CK7、HMB45、CD56、Syn、CgA及EMA均阴性。病理学诊断：（左下肺）肌上皮癌，淋巴结未见转移（0／18）。术后未予其他特殊治疗，随访2个月，患者情况良好。
-
交互式GACV模型的肿瘤图像分割
目的:提取医学图像中肿瘤区域,用以测量肿瘤体积问题.方法:提出一种基于GACV(Geodesic-Aided C-V method)的交互式模型.该模型首先人工选取感兴趣区域,并在区域内设定初始水平集与肿瘤内部种子点,然后在感兴趣区域上应用将图像梯度边缘信息与图像区域灰度特性统一到同一分割中的GACV模型,得到肿瘤的粗分割结果.后为去除目标内外孔洞,提出一种无损边缘的膨胀搜索算法,作为细分割.结果:将该模型应用于不同形状的肿瘤图像中,能成功检测肿瘤轮廓.通过实验与其它活动轮廓分割方法结果对比,结果显示该模型在准确分割肿瘤边界与分割算法耗时方面均具有良好表现.结论:本文提出的分割方法能高效率、准确识别肿瘤区域.
-
基于稀疏表示超像素分类的肿瘤超声图像分割算法
目的:图像中目标的识别与分割一直是图像处理的研究热点.本文针对超声图像提出了一种新的基于超像素区域特征的肿瘤识别分割算法.方法:首先利用简单线性迭代聚类算法产生超像素,将图像分为多个内部特征相似的图像块,然后提取每个区域的特征组成该区域特征向量,利用稀疏表示分类算法(Sparse Representation Classification,SRC)构造分类器,对超像素进行分类合并,终识别并分割出完整的感兴趣区域.结果:本文的算法在超声图像中肿瘤的识别与分割中取得较为理想的效果,灵敏度指数平均值达到了83.79％,标准化的Hausdor距离指数平均值达到了4.80％.结论:本文的分割算法克服了SRC算法不能获得目标区域完整轮廓的缺陷,并取得了较好的实验结果,为超声图像中肿瘤的识别与分割提供了新思路.
-
基于SVM模型参数优化的多模态MRI图像肿瘤分割方法
目的：提出一种基于混合核函数SVM模型参数优化的多模态MRI图像肿瘤分割方法。方法对多模态MRI图像中单一模态的特征信息，分别使用混合核函数SVM方法训练出4个子分类器，对相应模态进行分割。由于不同模态图像选择的支持向量各有侧重，分割结果存在差异。通过迭代修改分割错误数据点的权值，优化选择SVM模型子分类器权重系数，得到多模态加权组合的SVM分类器模型，并应用于多模态MRI图像分割。结果34例MRI脑肿瘤病人图像数据，获得了90.59%的分割精度，与单一模态分类器方法、多模态高斯核函数SVM方法相比，平均分割精度提高5.76%~20.11%。结论本文方法结合多模态图像和SVM的优势，提高肿瘤分割准确率，分割性能好。
-
三维医学图像序列的自动连续分割
我们针对医学辅助诊断系统中从MR图像分割脑肿瘤的问题,改进了区域竞争算法,并利用它实现了医学图像序列间的连续自动分割, 特别是脑肿瘤的分割和脑膜瘤的自动识别.模糊化区域竞争算法是为了更好的适应医学图像的模糊与不均匀的特点,而用区域增长做初始化可以给区域竞争提供用来竞争和合并的过分割区域.为了实现医学图像序列的自动连续分割,每一副切片的分割结果都会被用作初始化下一张切片;并且我们根据脑膜瘤的特点实现了它的自动识别.实验表明,我们的自动分割算法对仿真脑图像和真实脑图像均有较好的分割精度,并能满足系统对分割快速性的需要.
-
基于深度学习和医学图像的癌症计算机辅助诊断研究进展
日益精细化的癌症医学图像提供了大量的有用信息,对辅助医生作出准确诊断发挥着至关重要的作用.为了准确、高效地利用这些信息,基于癌症医学图像的计算机辅助诊断(CAD)研究成为业界热点.近年来,深度学习技术的应用使这方面的研究取得了长足进步.本文拟就深度学习应用于癌症医学图像的计算机辅助诊断的研究进展予以综述.我们发现深度学习在肿瘤分割和分类方面展示了比传统浅层学习方法更好的效果,不仅有广阔的研究空间,也有较好的临床应用前景.
