医学图像分割

摘要： 针对医学图像的肺部肿瘤分割中病灶和周围组织的对比度低、边缘模糊、肿瘤和正常组织粘连、病灶和背景分布不均衡等问题,提出跨模态多编码混合注意力机制模型分割肺部病灶,用多种模态医学图像辅助分割病灶。首先设计了三编码器提取多模态医学图像的病灶特征,解决单模态医学影像的病灶特征提取能力不足的问题;然后针对网络通道维度冗余和对复杂病灶的空间感知能力不高的问题,在网络跳跃连接中加入混合注意力机制;最后对网络解码路径不同的尺度特征使用多尺度特征聚合块充分利用各个尺度特征。在临床多模态医学图像数据集上验证算法的有效性,对比实验结果表明所提模型对于肺部病灶分割的戴斯相似系数、召回率、体积重叠误差和相对体积差异分别为96.4%、97.27%、93.0%、93.06%。对于病灶形状复杂,病灶和正常组织粘连的情况,分割精度得到有效提升。

摘要： 目的:评估一种心脏超声分割算法:密集金字塔和深度监督神经网络(DPS-Net),在小规模数据集上的分割性能。方法:利用两个小规模心脏超声数据集,用于多结构超声分割的心脏超声采集(CAMUS)和HMC-QU数据集,在数据量和模型不同的情况下分别对DPS-Net进行对比实验。结果:DPS-Net在两个数据集上的性能随病例数的减少并未显著降低(在CAMUS中Dice系数由0.951下降到0.935),且其分割能力超过两种经典算法,取得了更好的分割结果。结论:DPS-Net在小规模数据集上也能很好地完成心脏超声分割任务,具有良好的临床应用潜力。

摘要： 利用深度神经网络解决医学图像分割任务的模型有很多,但这些模型普遍忽视了深度神经网络中由多次下采样操作导致的空间细节丢失的问题,而空间细节中包含大量小区块,边缘等关键信息,这些细节的丢失会导致模型整体性能下降,也会使得分割结果的医疗辅助价值降低。本文提出了一种空间信息恢复网络(SDRNet)来解决上述难题。首先本文提出了空间信息注意力分支(SDAB)优化空间信息的抽取与表达,同时降低对语义信息的干扰;然后提出了特征强化模块(FEM)增强模型对语义信息的编码表达能力,优化训练过程。LUNA数据集上的实验结果表明,提出的模块能协同工作,更好地处理边缘细节和小区块,SDRNet在2个模块的协同作用下能实现更优的分割性能,超越了对比的经典方法,实现了96.44%的平均交并比。

摘要： 为了解决跨领域医学图像分析中不匹配的问题,提出了一种基于对抗学习的无监督领域自适应框架(UAL-DAF)。具体而言,该框架通过外观转移模块(ATM)和结合条件生成对抗网络的语义转移模块(STM)分别缩小了跨领域医学图像外观和语义层次的差异。最后,在具有挑战性的医学图像分割实验中,结果显著优于已有方法。因此,该框架能够提取领域自适应知识的外观和语义层次信息,实现领域知识的协同融合。

摘要： 医学图像自动分割技术具有辅助临床医学诊断的功能.为改善CNN模型在医学图像分割中存在感受野小及细节特征不敏感等问题,基于多尺度策略以及注意力机制,提出一种多尺度综合注意力的U形网络架构,以提升医学图像分割质量.首先,提出一个新的双路径因式分解多尺度融合块,以扩展图像特征的感受野,进一步提取图像特征的细节信息.其次,在架构中融入通道和空间融合自注意力块,利用注意力机制的特性,抑制不相关的部分或背景以突显深层特征的空间信息.最后,引入多尺度注意力块.该模块通过融合多个尺度的特征信息,以突出不同尺度中最显著的特征图来适应当前分割对象的大小.为验证模型的可靠性,将所提出的网络模型应用于肺部、细胞轮廓及肝脏等医学图像分割任务.实验结果表明,所提方法在准确率、Dice系数、AUC及灵敏度等评估指标上均优于目前用于医学图像分割的主流方法.

摘要： 针对传统医学图像分割网络存在边缘分割不清晰、缺失值大等问题,该文提出一种具有边缘增强特点的医学图像分割网络(AS-UNet)。利用掩膜边缘提取算法得到掩膜边缘图,在UNet扩张路径的最后3层引入结合多尺度特征图的边缘注意模块(BAB),并提出组合损失函数来提高分割精度;测试时通过舍弃BAB来减少参数。在3种不同类型的医学图像分割数据集Glas,DRIVE,ISIC2018上进行实验,与其他分割方法相比,AS-UNet分割性能较优。

摘要： 超声医学图像灰度集中、对比度较差,针对传统分割方法效果不理想的问题,提出统计聚类与马尔科夫随机场(MRF)无向图模型的医学图像分割算法。医学图像的统计结构反映了图像空间区域的聚类特征,选定其灰度统计特性的局部峰值对应的灰度值作为K均值算法的初始聚类中心能较好地定位各区域,应用基于统计信息的聚类算法对医学图像进行初始分割;在此基础上构建各区域的无向图模型,建模二阶邻域系统描述像素标记间联系,医学图像的整体特征场采用高斯混合模型表征,并采用高斯模型建模标记相同的灰度特征场;最后,求解其局部能量最小的标记场,实现医学图像分割。实验结果表明,相比于传统的K均值算法、迭代算法以及Otsu算法,文中算法分割的医学图像的边缘与细节的清晰度、精细度均有一定程度改善。

摘要： 为解决以往基于深度学习的滑膜磁共振图像分割模型存在的分割精度较低、鲁棒性较差、训练耗时等问题,本文提出了一种基于Dense-UNet++网络的新模型,将DenseNet模块插入UNet++网络中,并使用Swish激活函数进行训练.利用1036张滑膜磁共振图像数据增广后的14512张滑膜图像对模型进行训练,并利用68张图像进行测试.结果显示,模型的平均DSC系数为0.8199,交叉联合度量(IOU)为0.9279.相较于UNet、ResUNet和VGG-UNet++网络结构,DSC系数和IOU均有提升,DSC振荡系数降低.另外在应用于相同滑膜图像数据集和使用相同的网络结构时,Swish函数相比ReLu函数有助于提升分割精度.实验结果表明,本文提出的算法对于滑膜磁共振图像的病灶区域的分割有较好的效果,能够辅助医生对病情做出判断.

摘要： 精准分割医学图像中的器官或病灶,是医学图像智能分析领域的重要难题,其在临床上对于疾病的辅助诊疗有着重要应用价值。在解决医学图像信息表征及对非欧空间生理组织结构准确建模等挑战性问题方面,基于图深度学习的医学图像分割技术取得了重要突破,展现出显著的信息特征提取及表征优势,可获得更为精准的分割结果,已成为该领域新兴研究热点。为更好促进医学图像图深度学习分割算法的研究发展,对该领域的技术进展及应用现状做了系统的梳理总结。介绍了图的定义及图卷积网络的基本结构,详细阐述了谱图卷积和空域图卷积操作。根据GCN结合残差模块、注意力机制模块及学习模块三种技术结构模式,归纳并总结了其在医学图像分割中的研究进展。对图深度学习算法在医学图像分割领域的应用和发展做了概要总结和展望,为该领域的技术发展提供参考和新的研究思路。

摘要： 高精度自主定位目标器官和病灶是手术机器人领域的关键技术之一。近年来,基于监督学习的方法在此任务上取得了良好的表现,但是高昂的标注成本限制了这类方法的临床应用。混合监督学习可以同时利用少量强标签与大量弱标签,实现精度与成本之间的平衡。然而,现有的混合监督方法存在任务间和任务内不一致性问题,导致分割性能较差。本文设计了一个全新的基于混合监督学习的医疗图像分割框架,利用少量精确掩模标注和大量图像级别类标注,实现了低成本高精度图像分割。具体而言,为了解决多任务间不一致性问题,本文设计了全参数硬共享策略,保证了任务之间的收敛速度一致。为了解决任务内不一致性问题,本文设计了基于度量学习的分割模块,保证前景特征的一致性及前背景特征的差异性。为了减少不同分支之间的独立参数,本文设计了单卷积分类模块,负责弱监督分支的特征解码。最后,本文所提方法在公开的LiTS数据集上进行了实验,与现有方法相比取得了最佳的分割表现。

摘要： 阈值法由于其独特的性质被广泛应用于各种类型的图像分割中,其优点是:计算简单有效,且能进行并行处理.基于人工免疫系统中的克隆选择理论,提出了一种新的最佳熵阈值医学图像分割的方法,新方法中以最佳熵作为亲和度函数,把医学图像分割问题变成一个优化问题,利用克隆算子有效的扩大了搜索的范围,保证了所求解的多样性,从而快速找到最优的分割阈值.将新算法应用于MRI图像分割这一挑战性的问题,详细叙述了算法机理,并对算法收敛性进行了证明,对算法的性能和计算复杂度进行了实验数据比较.实验结果证明了该算法在医学图像分割中的应用潜力.

摘要： 医学图像分割是一种重要的医学图像处理技术,它的准确性直接影响后续处理的有效性,因此具有十分重要的意义.目前,许多算法被应用于图像分割问题,基于图论的图像分割方法就是其中之一.Shi和Malik将图像分割转化为图的划分问题,提出了归一化割准则,这种分割方法没有把局部特征和一致性度量作为解决问题的关键,而是着重于提取整幅图像的特征,因此取得了较好的分割结果.归一化割准则不仅度量了不同分组之间的总体不相似性,同时度量了各个组之内的总体相似性.本文具体研究了该算法,并将它应用于医学图像分割中,取得了较好的结果。

摘要： 医学图像分割一直是医学图像处理、分析中的经典难题和研究热点.分割过程中,存在图像特征空间维数过高、需处理的数据量太大等问题.为此,利用粗糙集理论中知识约简的思想,对图像高维特征空间进行降维,在降低数据量的基础上提高算法分割图像的速度.粗糙集只能处理离散化数据,故需事先对图像数据进行离散化.文中先利用基于类别属性相互依赖度最大的原则对磁共振图像特征数据离散化,再将粗糙集中基于不可分辨关系的属性约简方法和基于逻辑运算的推理方法相结合,对图像特征集进行优化选择和约减,最后用模糊C-均值算法对属性约减后的数据进行聚类分割.该方法能够找出有效特征集,使图像特征空间的维数减少1半多,图像分割速度提高了2倍多.实验表明,该方法是有效的和实用的.

摘要： 本文阐述RSF模型是基于梯度信息的主动轮廓模型,其轮廓基于图像的梯度信息进行演化,并利用高斯函数作为核函数.因此分割某些医学图像时,有时会存在欠分割、轮廓收敛速度慢等缺陷.本文提出一种改进的RSF模型(Modified Region-Scalable Fitting,MRSF),首先利用K均值对医学图像进行预处理,然后用一个新的核函数代替高斯函数.实验表明:与传统的RSF模型比较,新模型的分割精度提高了近40％,效率提高了近30％。

摘要： RSF模型是基于梯度信息的主动轮廓模型,其轮廓基于图像的梯度信息进行演化,并利用高斯函数作为核函数.因此分割某些医学图像时,有时会存在欠分割、轮廓收敛速度慢等缺陷.本文提出一种改进的RSF模型(Modified Region-Scalable Fitting,MRSF),首先利用K均值对医学图像进行预处理,然后用一个新的核函数代替高斯函数.实验表明:与传统的RSF模型比较,新模型的分割精度提高了近40％,效率提高了近30％.

摘要： 基于Snake模型的图像分割方法目前越来越被广泛应用于医学图像分割中，而GVF-Snake模型更是其中研究较为广泛的一种。在人体手部指骨的X线图像分割中，对指节间隙的分割要求较高，传统的GVF-Snake模型方法需要较多的控制点选取，且分割结果并不稳定。因此，本文提出了一种基于改进的GVF-Snake模型分割方法，对图像灰度先进行线性分段处理，再通过直方图的重分布处理，使得图像的对比度增强，便于进行GVF-Snake模型法分割。实验结果表明，采用改进的方法，只需少许几个控制点，即可得到比较精确的图像分割效果，是一种比较好的改进算法。

摘要： 针对腹部CT图像所含脏器多且复杂的特点,结合解剖学知识,提出了一种新的基于多尺度梯度的医学图像分割方法。结合图像的灰度直方图的梯度变化,对图像进行内外标记,而后利用强制最小技术对多尺度梯度进行修改.在修改后的梯度图像中直接进行全局阈值分割,并结合解剖学知识再进行相应的形态学处理,最终可以较好的将肝脏从腹部图像中提取出来,适合用于肝脏的智能提取.

摘要： 脉冲耦合神经网络(Pulse Coupled Neural Network, PCNN)是20世纪90年代形成和发展起来的一种新的用于图像分割神经网络。研究发现,PCNN的脉冲传播特性能有效地解决不同图像的分割问题。然而对于不同的图像,需要选取适当的网络参数,以得到最佳的分割结果。本文阐述了PCNN的原理,并对比分析了PCNN在医学图像处理中应用。实验结果表明,该算法在医学图像中也具有有很强的适应性。

摘要： 图像分割是医学图像处理中的一个难题,它是指按照一定的原则将一幅图像或景物分成若干个部分或子集的过程.它是医学图像处理中极为重要的内容之一,是实现图像测量、配准、融合以及三维重建的基础,在临床诊断中也起着越来越重要的作用.使用VISUALC++实现了Kohonen聚类神经网络算法,并对此算法进行了改进优化,在此基础上设计了单窗口模式的"Division"图像处理应用程序进行图像分割,达到了良好的效果,有助于医生的临床诊断。

摘要： 作为医学图像处理与分析的基础,医学图像的分割是医学图像分析领域中最基本的问题，是医学图像处理领域的研究热点,也是临床诊断、虚拟手术和人体动态模拟中急需解决的难点问题和关键问题。对基于snake模型的图像的分割方法作了一些新的尝试,通过将边缘点分类,然后对分类后的边缘点进行筛选,并利用滞后阈值化,获取一条初始边缘线,然后用Snake模型对该线进行调解,得到最后的边缘,并且用实验证明了新方法的优越性。

摘要： 本申请提供了一种图像分割装置、图像分割方法和医学图像设备，用于从分层拍摄获得的一系列图像形成的体图像中分割出树形管状结构的对象，该图像分割装置包括：自适应区域生长单元，进行区域生长以获得第一树形管状结构；灰度形态学重建单元，进行灰度形态学重建，以获得候选数据；第一融合单元，将第一树形管状结构与候选数据的至少一部分融合在一起，以获得低层树形管状结构；末梢识别单元，识别低层树形管状结构的末梢；延长单元，将所识别的末梢对应的像素点作为种子点进行局部区域生长来获得延长分支；以及第二融合单元，将延长分支和候选数据的其余部分中的至少一部分融合在一起，以获得高层树形管状结构。

摘要： 本申请提供了一种图像分割装置、图像分割方法和医学图像设备，用于从分层拍摄获得的一系列图像形成的体图像中分割出树形管状结构的对象，该图像分割装置包括：自适应区域生长单元，被配置为基于种子点和预定阈值基于所述体图像进行区域生长以获得至少一部分树形管状结构；生长控制单元，被配置为判断自适应区域生长单元所获得的至少一部分树形管状结构是否正确，并且在判断为不正确的情况下改变预定阈值以重新进行区域生长，直到达到预定条件为止；以及基于圆心度的区域生长单元，被配置为在自适应区域生长单元不能获得正确结果的情况下，基于种子点和预定阈值基于体图像进行具有圆心度限制的区域生长以获得至少一部分树形管状结构。

摘要： 本申请提供了一种图像分割装置、图像分割方法和医学图像设备，用于从分层拍摄获得的一系列图像形成的体图像中分割出树形管状结构的对象，该图像分割装置包括：自适应区域生长单元，被配置为基于种子点和预定阈值基于所述体图像进行区域生长以获得至少一部分树形管状结构；生长控制单元，被配置为判断自适应区域生长单元所获得的至少一部分树形管状结构是否正确，并且在判断为不正确的情况下改变预定阈值以重新进行区域生长，直到达到预定条件为止；以及基于圆心度的区域生长单元，被配置为在自适应区域生长单元不能获得正确结果的情况下，基于种子点和预定阈值基于体图像进行具有圆心度限制的区域生长以获得至少一部分树形管状结构。

摘要： 本申请提供了一种图像分割装置、图像分割方法和医学图像设备，用于从分层拍摄获得的一系列图像形成的体图像中分割出树形管状结构的对象，该图像分割装置包括：自适应区域生长单元，进行区域生长以获得第一树形管状结构；灰度形态学重建单元，进行灰度形态学重建，以获得候选数据；第一融合单元，将第一树形管状结构与候选数据的至少一部分融合在一起，以获得低层树形管状结构；末梢识别单元，识别低层树形管状结构的末梢；延长单元，将所识别的末梢对应的像素点作为种子点进行局部区域生长来获得延长分支；以及第二融合单元，将延长分支和候选数据的其余部分中的至少一部分融合在一起，以获得高层树形管状结构。

摘要： 本发明提供了一种医学图像分割方法、装置、系统及图像分割方法。该医学图像分割方法包括：获取多个待处理医学图像集，各所述待处理医学图像集包括多个对应不同时间点的待处理医学图像；根据所述待处理医学图像和所述待处理医学图像对应的时间点，对所述待处理医学图像集进行时间维度的处理，以获取时间动态图像；将所述时间动态图像输入至医学图像分割模型，通过所述医学图像分割模型从所述时间动态图像中提取目标区域特征，以获取目标区域。本发明的技术方案一方面能够提高医学图像分割的精度；另一方面能够减少医生的阅片数量，快速提取医学图像中的疾病信息，提高诊断效率。

摘要： 本申请提供的一种医学图像分割方法包括：获取待检测医学图像；将所述待检测医学图像输入已训练的分割模型，其中，所述分割模型包括编码器和解码器，所述编码器包括多个第一层级结构，所述多个第一层级结构包括第一输入层、至少一个第一中间层和第一输出层，所述解码器包括第二输入层、至少一个第二中间层和第二输出层，其中，任意第二中间层的输入包括所述第二中间层的前一层的输出与至少两个第一层级结构的输出的融合结果；通过所述分割模型对所述待检测医学图像进行处理，获得所述分割模型的输出结果，所述输出结果包括关于待检测医学图像中的医学特征区域的分割结果。通过上述方法，可以提升对医学图像进行图像分割的准确性。

摘要： 一种用于医学图像分割的检测方法、医学图像分割方法及装置，其中检测方法包括：获取目标对象的医学图像以及与该医学图像相对应的特征图；利用卷积神经网络对该特征图进行处理，得到特征图的特征信息；根据获取的边界框生成一个与该特征图等尺寸大小的权重表；将该权重表与该特征图进行逐位相乘，得到优化特征图，该优化特征图用于在医学图像分割时检测获得目标对象的形成区域。由于根据获取的边界框来生成一个与特征图等尺寸大小的权重表，并以权重的形式相乘到该特征图中，从而使得得到的优化特征图中可以准确地产生目标对象的形成区域，利于提高小目标病灶的分割准确度。

摘要： 本发明提供了一种医学图像分割方法、装置、系统及图像分割方法。该医学图像分割方法包括：获取多个待处理医学图像集，各所述待处理医学图像集包括多个对应不同时间点的待处理医学图像；根据所述待处理医学图像和所述待处理医学图像对应的时间点，对所述待处理医学图像集进行时间维度的处理，以获取时间动态图像；将所述时间动态图像输入至医学图像分割模型，通过所述医学图像分割模型从所述时间动态图像中提取目标区域特征，以获取目标区域。本发明的技术方案一方面能够提高医学图像分割的精度；另一方面能够减少医生的阅片数量，快速提取医学图像中的疾病信息，提高诊断效率。

摘要： 本申请涉及一种上述医学图像分割模型构建方法、装置、计算机设备和存储介质，以CT图像作为浮动图像、且以CBCT图像作为参考图像对CT图像和CBCT图像进行弹性配准，得到CT图像与CBCT图像的配准结果，对配准结果中CT图像进行骨分割，得到二值图像，将二值图像作为配准结果中CBCT图像的骨性组织标签图，得到样本数据集，根据样本数据集训练初始神经网络模型，得到医学图像分割模型，通过大样本数据训练出鲁棒性强的神经网络模型，以使最终得到的医学图像分割模型支持后续对CBCT图像骨分割。另外，本申请还提供一种CBCT图像骨分割方法、装置、计算机设备和存储介质。

摘要： 本发明涉及一种基于辅助学习任务与重分割约束的医学图像分割方法，该方法包括下列顺序的步骤：(1)对三维人脑核磁共振数据进行预处理，得到训练集和测试集；(2)构建基于辅助学习任务与重分割约束的分割网络；(3)将训练集输入分割网络进行训练,得到训练好的分割网络；(4)将测试集输入训练好的分割网络，分割网络输出得到分割结果。本发明通过额外的图像重建任务分支的引入，有助于分割网络学习到互补的医学图像特征，从而帮助模型更好地理解医学图像的内在结构；将重建结果再次输入到分割网络中，将得到的重分割结果与真实分割图比较，从语义层面为分割网络的训练提供额外的监督信号，以进一步提升图像分割结果的准确性。