乳腺癌灶的精确分割是乳腺癌计算机辅助诊断的重要前提.在动态对比增强核磁共振成像(Dynamic contrastenhanced magnetic resonance imaging,DCE-MRI)的图像中,乳腺癌灶具有对比度低、边界模糊及亮度不均匀等特点,传统的活动轮廓模型方...
详细信息
乳腺癌灶的精确分割是乳腺癌计算机辅助诊断的重要前提.在动态对比增强核磁共振成像(Dynamic contrastenhanced magnetic resonance imaging,DCE-MRI)的图像中,乳腺癌灶具有对比度低、边界模糊及亮度不均匀等特点,传统的活动轮廓模型方法很难取得准确的分割结果.本文提出一种结合马尔科夫随机场(Markov random field,MRF)能量和模糊速度函数的活动轮廓模型的半自动分割方法来完成乳腺癌灶的分割,相对于专业医生的手动分割,本文方法具有速度快、可重复性高和分割结果相对客观等优点.首先,计算乳腺DCE-MRI图像的MRF能量,以增强目标区域与周围背景的差异.其次,在能量图中计算每个像素点的后验概率,建立基于后验概率驱动的活动轮廓模型区域项.最后,结合Gabor纹理特征、DCE-MRI时域特征和灰度特征构建模糊速度函数,将其引入到活动轮廓模型中作为边缘检测项.在乳腺癌灶边界处,该速度函数趋向于零,活动轮廓曲线停止演变,完成对乳腺癌灶的分割.实验结果表明,所提出的方法有助于乳腺癌灶在DCE-MRI图像中的准确分割.
为解决灰度不均匀图像的分割问题,提出一种基于局部统计和高斯分布拟合的活动轮廓模型图像分割方法。首先,利用局部统计活动轮廓模型(locally statistical active contour model,LSACM)定义联合偏移场和极大似然函数;然后,引入局部高斯...
详细信息
为解决灰度不均匀图像的分割问题,提出一种基于局部统计和高斯分布拟合的活动轮廓模型图像分割方法。首先,利用局部统计活动轮廓模型(locally statistical active contour model,LSACM)定义联合偏移场和极大似然函数;然后,引入局部高斯分布拟合能量(local gaussian distribution fitting energy,LGDF)模型中的高斯函数;同时,将二者线性组合构造基于局部统计和高斯分布拟合的活动轮廓模型;最后,利用变分法和最速下降法即可得到偏微分演化方程。实验结果表明,所提算法能够准确分割噪声和灰度不均匀图像,而且对自然图像也有一定的分割能力。
暂无评论