一、超声图像处理中Snake模型研究(论文文献综述)
王燕[1](2021)在《基于MRI的乳腺肿瘤辅助诊断方法研究》文中提出当前全球各类癌症的发病率正以快速增长的趋势严重威胁着人类的生命健康。据2021年2月世界卫生组织报道,全部癌症的发病率中乳腺癌首次超过肺癌成为全球最常见的癌症,因此对于乳腺癌计算机辅助诊断方法的研究具有十分重要的实际研究价值。目前乳腺癌的临床诊断主要依赖于众多的医学成像技术,其中MRI成像以其优越的影像软组织分辨能力及高对比度成为主要的研究对象。为了进一步提高乳腺癌计算机辅助诊断能力,本文对乳腺MRI肿瘤分割、肿瘤特征提取及特征选择、良恶性分类三个方面的乳腺癌计算机辅助诊断方法进行研究,具体工作如下:图像分割在计算机辅助诊断研究中占据十分重要的地位,分割结果的好坏直接影响了整个辅助诊断系统的性能。然而由于乳腺MRI肿瘤影像中包含了大量的其他组织且影像本身存在部分容积效应和偏场等因素,导致肿瘤边界往往模糊不清,精准分割肿瘤区域具有很大的挑战性。为了能够进一步提升分割结果的准确率,本文提出一种结合改进SLIC和GVF Snake算法的乳腺肿瘤分割方法。该方法结合图像自身的特征信息,定义了两个自适应权重函数,实现了SLIC和GVF Snake模型的参数的选取。在改进SLIC算法上能够实现对肿瘤区域更为准确的分割精度,在此基础上引入了改进GVF Snake算法增强肿瘤边界的动态捕捉能力,加强外部力场的扩散能力,实现对于改进SLIC算法肿瘤区域分割结果边界细化目的,达到更高的分割准确率。本文方法既不用优化算法的目标函数,也不需要进行多次试验对比分析,降低了人为设置相关权重的干扰性,对不同图像提供更为准确的划分。实验结果表明本文提出的肿瘤分割方法能够更为准确地实现分割目的。在上述分割研究的基础上,本文采用了一种多类别多维度的影像组学特征融合及特征选择方法。在充分掌握手工特征提取方法的前提下,本文从灰度、几何形状及纹理等三个类别进行特征提取。其中纹理特征在特征描述中占据着十分重要的地位,本文对其进行了重点的阐述,同时选用了Tamura特征、灰度共生矩阵以及灰度梯度共生矩阵三种不同的提取方法实现对纹理特征较为全面的描述。提取结果中每一个病例共包含176维特征,特征描述结果通过零均值化之后以热力图的形式展现,并描述了每一维特征的平均值。在获得肿瘤特征描述集之后,为了减小特征冗余对于分类器泛化能力的影响,本文提出一种PCA分类别特征选择方法,选择结果只保留了16维特征统计量作为分类器的输入。肿瘤良恶性分类是计算机辅助诊断中最后一个环节,也是唯一能够直接参与到临床诊治过程中的环节。为了进一步降低误诊率提高分类准确率,本文在前期肿瘤分割及特征提取与选择的研究基础上,采用SVM模型并引入了一种改进的二阶振荡粒子群算法实现对其性能的优化。其中,改进的二阶振荡粒子群算法克服了基本PSO算法在优化过程中容易出现早熟以及局部最优等缺陷,利用其不同的振荡条件在优化过程中对PSO算法的目标函数进行优化,加强算法局部搜索及全局搜索的能力,提高了分类器的准确率及泛化能力。同时本文在分类器验证环节引入了K折交叉验证的思想,与其他优化方法相比本文提出的改进优化分类实验的准确率达到了92.8517%。
臧青[2](2020)在《基于多向分数阶微分的鲁棒Canny边缘检测方法》文中研究指明边缘检测作为图像处理领域中极其关键的一部分,成功应用于航空航天探测、工业监控生产、生物医疗科学等领域。边缘检测结果会直接影响后续其他图像处理结果,因此,如何提高边缘检测精度成为图像处理领域中的重要研究问题之一。传统边缘检测算法主要包括基于一阶微分和二阶微分算子的方法,这些方法虽然运算简单,便于实现,但在边缘检测过程中对噪声敏感,检测结果中存在误检、漏检、双边现象。因此,本文针对传统边缘检测方法中存在误检、漏检和双边的问题,提出一种基于多向分数阶微分的鲁棒Canny边缘检测方法。本文的主要工作和研究成果如下:1、考虑到传统边缘检测算法的检测结果中存在的误检、漏检和双边现象,本文首先在传统Canny算法的边缘检测模板的基础上,推导出了基于八方向分数阶微分算子的边缘检测模板。然后基于该模板提出了一种基于八方向分数阶微分算子的Canny边缘检测算法,最后通过对Lena和Cameramen图像的仿真实验,来验证本文所提出方法的有效性。2、针对基于八方向分数阶微分算子的Canny边缘检测方法的检测结果中出现断边的问题,本文提出了基于梯度矢量流(Gradient Vector Flow,GVF)Snake模型的边缘修复与重构方法,该方法以检测到边缘中的断边为对象,根据局部边缘结构,修复断边,提高本文所提Canny边缘检测方法的鲁棒性。3、为验证基于多向分数阶微分的鲁棒Canny边缘检测方法解决实际工程问题的有效性,本文将该方法应用到高温红热状态下的工件和硅单晶直径检测图像的边缘检测中,实验结果表明,该方法能够有效地检测出工件和硅单晶图像中的边缘,降低了边缘检测方法的误检率和漏检率。综上,本文首先推导出了一种八方向分数阶微分算子的边缘检测模板,用来提高图像的边缘检测精度;其次,结合GVF Snake模型算法,提出了一种基于多向分数阶微分的鲁棒Canny边缘检测方法,其中,多向即文中提到的八个方向;最后,通过对高温红热状态下的工件图像和硅单晶图像进行边缘检测验证了本文算法的有效性。
董素宇[3](2020)在《融合先验解剖结构的左心室三维超声心动图分割方法研究》文中提出心血管疾病目前仍然是我国死亡率最高的疾病,其中心脏疾病是诱发心血管疾病的主要因素。左心室的结构变化与心血管疾病的发生有着重要的关联。在整个心脏解剖结构中,左心室向整个身体输送含氧血液。因此左心室功能是衡量心脏疾病的重要的定量分析指标。左心室功能的定量分析主要是通过分割不同成像模态中左心室部分,进而计算得到相关功能指标。目前三维超声心动图能够提供更多的上下文信息,能够为临床专家提供更多的解剖结构信息,成为了一种流行的左心室超声心动图模态。为了避免人工标注超声心动图的耗时问题和主观差异问题,鉴于计算机辅助超声心动图的高效性和一致性,计算机辅助超声心动图分割成为一个研究热点。因此本文致力于研究计算机辅助的全自动和半自动的左心室三维超声分割方法。首先,为了解决基于小样本深度学习模型的初始化问题,并充分挖掘3D超声心动图自身的空间先验信息,提出了基于空时解剖先验的自监督排序模型。基于该排序模型,进一步提出基于排序模型的自监督预训练机制,并将该预训练机制应用到特定的心室分割任务当中,实现分割性能的提升。本文提出的基于排序任务的预训练机制具有较好的拓展能力,可以灵活的应用到其他的排序模式和更加广泛的应用领域。同时为基于深度学习技术的左心室分割方法奠定基础。其次,提出融入形变模型的残差网络分割方法。在网络结构方面提出了采用多尺度残差模块构建全卷积网络,在形变模型方法,提出了基于解剖结构约束的形变表面模型。基于解剖结构约束的形变表面模型作为多尺度残差全卷积网络的后处理模型,克服了其在心室基底部、左心室室壁缺失以及乳头肌和梳状肌分割方面的缺陷,提升了分割准确性。该方法相比最高水平的分割方法在一些指标上有明显优势。在方法学上,提出了结合传统分割方法和深度学习方法、融入形状先验的思路,在一定程度上提升了模型的可解释性。再次,基于图谱分割方法在表达几何先验信息方面的优势,提出了基于深度学习技术和图谱指导的多尺度信息一致性约束的分割方法。提出的分割方法将图谱融入到深度学习框架构成深度图谱网络,并且提出了多尺度信息一致性约束(包括标注一致性约束、灰度体一致性约束以及对抗一致性约束)。提出的分割方法采用了轻量级的网络达到了高的分割准确率和效率。而且,提出的分割方法可以基于有限的训练集进行训练,并实现比最高水平方法更好的训练效果。提出的多尺度信息一致性约束从不同层次提升了分割的准确性,最终完成了复杂解剖结构环境下的左心室分割任务。在基于深度学习的3D超声图像分割领域具有好的研究潜力。最后,提出了针对全心动周期左心室3D超声心动图分割方法,该方法利用单标记图像和无监督的训练环境实现半自动左心室分割任务。提出的方法采用基于深度学习的配准框架完成左心室的分割任务。该方法基于空间形变网络生成不同灰度体之间的形变场,并用灰度体相似性度量和平滑约束项对网络进行优化。基于获得的单标记图像,采用配准的方式传递标注,进而完成分割任务。并且优化时并不需要任何的标注,因此可以利用大规模的无标注的训练数据进行无监督的深度网络训练。基于两灰度体之间的共享形变场的先验知识,实现半自动左心室分割。该分割方法在半自动的左心室分割领域具有好的应用潜力。
陈俊江[4](2020)在《基于深度学习的医学影像分割技术研究》文中研究指明随着医学影像技术的发展和进步,医生开始大量利用医学影像数据,完成对人体组织或病灶的分割提取、三维重建、分类识别等,逐步形成了一套医学计算机辅助诊断系统,从而大大提高了医疗诊断的准确性和可靠性。超声、CT、MRI是现有医学影像技术领域最常见的成像技术。利用这些图像成像技术,医生可以快速判断患者的病情并给出相应的治疗措施与方法,为患者病情的治疗提供快捷而有效的帮助。与CT和MRI不同的是,超声技术后期成像技术简单,成像速度快,数据性延迟低,穿透性好,可以进行实时成像,且由于其仪器辐射量微小、超声检查价格低廉等优势被广泛应用于甲状腺、产前诊断等医学检查中。所以,对超声图像进行分割提取作为辅助诊断系统中的关键一步,占有非常重要的地位。同时,随着计算能力的提高和数据量的增加,深度学习在医学影像分割领域取得了显着进展,通过多层网络对局部特征和高层抽象特征的自动学习,优于传统的人工提取和预测。因此,本论文将结合超声图像和深度学习的优势,研究基于深度学习的超声图像分割技术,具体如下:1、设计超声图像预处理方法。数据准备方面:在医生的指导下,根据需要分割的组织或病灶区域,制定了基于控制变量的超声图像采集方案,并完成了对原始图像的标签制作处理。数据处理方面:采用导向滤波、限制对比度直方图均衡、Sobel边缘增强等现代数字图像处理技术对超声图像进行过滤去噪、提升对比度等处理;对标签进行二值化处理;按照比例划分数据集等。数据增强方面:结合在线增强和离线增强的方式,对训练集和验证集进行数据扩充,即能减少内存压力,又能增强模型泛化效果。2、基于U-Net Baseline网络结构,设计一种能够精确分割医学组织或病灶的超声图像分割算法。包括以下三个创新:Ⅰ)多输入密集空洞卷积编码器模块。将输入数据缩放为四组,分别与各个下采样层做拼接,每一层拼接后都集成密集卷积块,并采用空洞卷积的方式,扩大感受野的同时捕获多尺度信息。该模块缓解了梯度消失问题,能够增强特征传递和特征重用。Ⅱ)金字塔注意力中心模块。采用空间金字塔产生不同层次的特征图,聚合不同区域的上下文信息,从而提高获取全局信息的能力,并且扩大感受野的范围。采用注意力机制使得网络更加关注于目标区域。结合注意力机制和空间金字塔模型,提取准确而密集的像素级特征用于像素标记,解决了物体尺度不一,小物体分割效果不好的多尺度问题。Ⅲ)深度监督通道注意力解码器模块。使用编码器阶段提取的特征作为解码器阶段的门控信息,突出通过跳级连接传递显着特征。该模块不需要在网络间裁剪感兴区域,能够抑制无关背景区域的特征响应,对形状变化较大的小物体进行更加准确的预测,帮助加快收敛速度。本论文的技术研究集成了多尺度框架、密集空洞卷积网络、注意力机制、空间金字塔、新型损失函数等多种模型,在超声数据集上表现出优异分割性能,能够实现特征重用、抑制无关区域响应、提高小感兴区域性能,解决了超声图像样本少、像素低、边界模糊、差异性大等问题,获得了最优分割效果。
滕琳[5](2020)在《一种基于无监督主动轮廓模型的图像分割研究》文中指出图像分割是图像分析的重要组成部分,也是计算机视觉中的一项重要任务,可以将目标从背景中分离出来,为后期图像处理提供技术支撑,如故障识别、目标识别、变化检测、区域定位等。图像分割在计算机视觉中具有重要意义。其中主动轮廓模型由于能够提供平滑、封闭的边界轮廓作为分割结果而得到了广泛的应用。然而,当试图对噪声较大的图像进行分割时,图像容易受到污染,分割效果较差。现有的方法在计算能量函数时假定每个区域的像素是独立的。这一基本假设使轮廓运动对噪声敏感。此外,层次集方法的实现复杂且耗时,限制了其在大型图像数据库中的应用。目前的水平集方法大多是在全图像域上进行计算;然而,对远离演化轮廓的像素点进行计算对于获取目标边界没有意义,导致计算复杂度增加。因此,本文提出了一种基于混合能量和Fisher准则的无监督主动轮廓模型用于图像分割。为了实现图像分割的准确高效,对局部区域信息进行了变换,并引入了基于全局区域信息和局部信息的主动轮廓模型的Fisher准则。这种方式对主动轮廓模型进行了优化。此外,将目标区域和背景区域像素的类内方差作为目标区域和背景区域的能量权重,可以自适应调整区域能量的比例,提高模型的分割精度。在此基础之上,改进了主动轮廓模型。而计算能量权重是以一种类内方差来计算的。即,将目标区域和背景区域像素作差,对于调整区域能量其鲁棒性非常强。所提出方法不需要先验知识,而且不需要人工干预。最终,图像的分割精度大大提高。实验结果表明,该方法在没有语义先验的情况下,具有较高的分割精度和竞争力。
韩纪东[6](2019)在《基于活动轮廓模型的MRI脑肿瘤分割算法研究》文中研究指明近年来脑部肿瘤的发病频率越来越高,已成为威胁人们生命的重要因素。MR是确诊脑肿瘤的重要方式,MR脑肿瘤图像的目标识别和肿瘤区域分割成为图像领域的研究重点。CV模型在脑部核磁图像的目标识别和肿瘤分割研究中具有重要地位,本文重点研究基于改进CV模型的脑肿瘤分割算法。主要工作如下:1)综合研究了活动轮廓模型的基本原理和演变过程,以及它在医学图像分割范畴的相关应用。发表了关于活动轮廓模型近五年研究现状的综述论文。重点研究了 Snake算法及CV模型,对比分析了CV模型在医学图像分割中的优点和不足。2)为解决CV(Chan-Vese)模型算法分割灰度变化缓慢、边缘变化不明显的MR图像的缺陷,提出基于CV模型改进的MR图像分割算法。改进了 CV模型的能量函数,采用新的g(R)函数代替Dirac函数,优化了 CV模型算法的相关参数,提升了 CV模型算法分割图像的精确度和速度。首先,引入了一个新的局部项。通过对图像使用部分直方图均衡预处理得到I’,让I’减去原图像以获得目标边缘显着变化的VI,▽I作为CV模型的能量函数的局部项而被引入。然后,由得到的▽I构造边缘指示函数。用新构造的边缘指示函数g(R)替换Dirac函数解决了CV模型演化曲线无法检测到远离目标的边缘的问题。最后,优化平滑项参数以减少迭代次数,提高运行效率。实验显示,该算法对脑内复发性胶质母细胞瘤的MR图像拥有良好的分割效果。3)为解决CV模型分割MR图像时脑实质以外区域对脑肿瘤分割的影响,实现分割出MR图像中脑肿瘤的目的,提出了一种预处理算法,实现了CV模型算法提取出MR图像中的脑肿瘤区域。先对原图像使用迭代阈值分割算法,脑实质以外区域将形成一个单独的连通域,去除该连通域,即得到脑实质区域的二值图像;再对得到的图像进行孔洞填充操作、形态学的腐蚀操作;而后,使用FCM算法处理只包含脑实质区域的MR图像,以提高脑肿瘤区域与周围组织的对比度;最后,对MR图像使用CV模型算法,提取活动轮廓线围成闭合区域的第二大的区域,该区域即为MR图像脑肿瘤区域。由最终的实验可以看出,该方法效果良好。本文提出的两个改进算法在精度和效率上都有所提升,考虑到肿瘤形态的更多变化,未来的研究还会进一步深入。希望计算机技术的发展能够辅助疾病的快速诊断,提高脑肿瘤的精准定位。
祝长瑞[7](2019)在《颈动脉超声图像内中膜厚度提取及系统实现》文中提出动脉粥样硬化逐渐成为威胁人们身体健康的高危疾病之一。由于动脉粥样硬化的治愈率低,复发率高,及时发现和诊断该疾病对预防病情恶化具有重要意义。颈动脉的内中膜厚度(Intima-Media Thickness,IMT)是动脉粥样硬化的一项重要指标。目前,超声成像技术在临床中已经得到了广泛的应用,首先需要获取颈动脉血管的超声图像,但是由于超声图像中的脉冲噪声和特有的斑点噪声(Speckle),使颈动脉内中膜厚度提取变得十分困难。并且在医师手动测量颈动脉的IMT时,如果测量的数据庞大,不仅费时费力,而且通常情况下由于测量者的不同测量习惯,得出的结果可能会存在偏差。为了解决超声图像中的脉冲噪声和特有的斑点噪声这一问题,本文对中值滤波和小波变换分别进行了研究,发现它们都不能很好的去除超声图像中的噪声。为此,本文首先对中值滤波进行改进,研究出改进的极值中值滤波算法,再与小波变换相结合得到新型滤波算法。本文提出的改进的极值中值滤波和小波变换相结合的新型滤波算法用于图像去噪,这种结合两种图像去噪算法进行图像去噪可以很好的保留图像的边缘信息,对去除超声图像中的噪声具有很好的效果。为了准确地提取出颈动脉的IMT,本文对仿真数据和临床数据分别进行了分析研究,借助Field II仿真平台获得颈动脉血管超声仿真图像。同时,对临床颈动脉的超声射频回波信号也进行了各方面的研究,借助MATLAB超声仿真获得颈动脉的射频图像、包络图像以及超声图像。在研究分析了颈动脉超声图像的特点和现有方法的优缺点基础之上,我们发现传统的Snake模型不可以提取狭窄和深凹区域图像的正确轮廓,图像分割不够准确,存在一定的局限性。为此,本文对传统的Snake模型进行了改进,研究出改进的GVF-Snake模型进行图像分割以提取颈动脉的IMT。梯度矢量流(GVF)的外力场可以大大改善内中膜边缘轮廓的检测,从而实现内中膜边缘的准确提取。首先使用传统的Snake模型找出内膜的初始轮廓曲线,再用改进的GVF-Snake模型使初始轮廓收敛到内膜边缘,将内膜边缘的分割结果向下平移到中膜的轮廓附近作为中膜的初始轮廓,再使用改进的GVF-Snake模型使初始轮廓收敛到中膜边缘。实验结果表明,本文采用改进的GVF-Snake模型能够准确地提取出颈动脉超声图像的内中膜厚度。此外,本文利用图形用户界面(GUI)设计开发了颈动脉超声图像系统,使用者可以根据自身需要,自由选择想要测量的颈动脉血管超声回波射频信号。本研究可以显着提高医师对颈动脉血管病变的诊治,为分析病情提供了便利,对未来颈动脉血管的研究有着及其重要的意义。
兰红,韩纪东,方毅[8](2018)在《活动轮廓模型在医学图像分割的综述》文中研究指明医学图像分割作为图像处理领域的一个研究热点,长期受到广大科研工作者的关注。活动轮廓模型作为医学图像分割的一个重要工具,在近30年的研究中得到了长足的发展。根据活动轮廓模型的表达方式不同,将活动轮廓模型分为参数活动轮廓模型、几何活动轮廓模型;相对于参数活动轮廓模型,几何活动轮廓模型中曲线的运动过程是基于曲线的几何度量,如曲线的法线、曲率等;又由于水平集方法在几何活动轮廓模型的成功应用,使得几何活动轮廓模型在曲线的拓扑变化、数值求解等方面有不少优势。为了全面展示活动轮廓模型的发展历程及其在医学图像领域的应用,首先简述活动轮廓模型的发展历程及一些偏微分方程的基础知识;然后,详细分析几种较为经典活动轮廓模型;接着,对两种类型的活动轮廓模型进行对比分析;最后,对全文进行总结,并对活动轮廓模型的发展与未来进行展望。
柳丁[9](2017)在《超声肿瘤图像分割算法的相关研究》文中研究指明近些年来,尽管人民的生活水平越来越高,但是各种肿瘤疾病对人类的生命仍然造成了巨大的危害。随着科学技术水平的不断进步,人民对医疗设备的要求越来越高。HIFU治疗作为一种对肿瘤治疗的无创方案的代表,在肿瘤的治疗领域成为了一个热门研究。通过将超声探头聚焦于肿瘤组织,实现对肿瘤的消融治疗。这种治疗方案不需要对病人使用手术刀来切割肿瘤,而是直接通过仪器在肿瘤患者的体外对肿瘤患者进行治愈,具有极高的治疗效率。超声肿瘤图像的分割任务主要由专业的医师来手工完成,这给专业医师造成了繁重的任务。因此在肿瘤图像的分割过程中要尽量减少人为的干涉,使用计算机来对肿瘤图像进行分割,这方面研究对于HIFU治疗有着很高的价值。由于超声图像具有以下特点:a.低分辨率、低信噪比;b.低对比度,弱边缘;c.声学伪影和斑点噪声。由于以上这些特性,对超声图像实现分割是一个非常困难的任务。针对上述这些问题,首先得对超声图像做预处理。于是本文中学习研究了相关的预处理方法。本文中论述了用于分割超声图像的三种方法。一种是基于分裂合并思想的图像分割算法,这个算法中的分裂步骤使用分水岭变换构造超像素,合并步骤将超声图像过分割区域作为超像素,然后使用MDL原则进行合并,将拥有相似纹理特征的小区域聚类在一起,从而得到肿瘤分割图像,分裂合并法能够克服超声图像质量很差的问题。第二种是基于梯度阈值的分水岭变换,通过改进种子点的选取方式来解决分水岭过分割问题,直接用于实现肿瘤图像分割。第三种是ISODATA聚类方法,通过将图像的像素的位置信息和灰度信息作为待分类的特征,进行多次迭代找出最佳的聚类数来实现超声肿瘤图像分割。
乐意[10](2015)在《聚焦超声治疗肿瘤的靶目标轮廓提取方法研究》文中进行了进一步梳理作为一种非侵入性治疗肿瘤的医疗手段,高强度聚焦超声(High intensity focused ultrasound, HIFU)消融手术具有无皮肤创伤、疼痛轻、治疗效果高、术后恢复快等优点,近十几年来被广泛应用于临床治疗肿瘤中。超声图像监视在HIFU治疗中发挥着非常重要的作用,为医生提供了可视化的手术环境。然而现有的HIFU图像监视系统主要起视频监视的作用,在实施HIFU手术的时候,医师往往根据个人经验识别肿瘤位置,HIFU手术受人工操作的限制,手术定位精度差、效率低、耗时长,从而制约了其在肿瘤治疗领域的进一步发展。为了更安全、更高效、更精确地实现HIFU消融手术,HIFU治疗系统的一个重要发展方向是在系统中引入图像引导技术,利用超声图像处理技术由计算机自动识别并定位目标肿瘤,进而为医生提供可视化的引导信息,指导医生针对目标区域实施肿瘤消融手术。但是受超声自身成像特性的影响,HIFU超声图像对比度低,目标肿瘤的边缘不清晰,不利于肿瘤的分割与定位,给后续的HIFU靶目标轮廓提取带来了极大的困难。为此,本文针对HIFU治疗系统中超声靶目标肿瘤的轮廓提取方法展开研究,旨在为HIFU图像引导系统提供精确的靶目标肿瘤定位。论文主要从HIFU超声图像滤波与图像分割两方面出发展开研究,详细地探讨了基于各向异性扩散滤波的斑点噪声抑制算法和基于参数活动轮廓模型的超声图像分割算法,并提出了相应的改进模型,具体包括以下几个方面:(1)在HIFU超声图像斑点噪声抑制方面,本文提出了无需参数设置的八邻域SRAD各向异性扩散滤波模型,将传统四邻域模型改为八邻域模型,从而在滤波过程中有效利用了图像斜对角线上的细节信息,同时该模型利用绝对偏差中值有效估计斑点噪声尺度函数的初始门限尺度,并且定义了平滑指数增量(RSII)以自适应地终止迭代过程。滤波结果表明:改进的SRAD模型对斑点噪声的抑制能力和肿瘤边缘的保护能力要远远优于传统的滤波算法,另外由于其不需要人为设置参数,并且可以自适应地终止迭代过程,因此极大地减少了人为设置参数所带来的滤波效果不确定,为后续的HIFU超声图像分割提供了有利条件。(2)在HIFU超声图像分割方面,针对图像中存在弱边缘的情况,本文提出了基于梯度与方向矢量流的HIFU超声图像分割改进模型。为了解决传统G&DVF snake模型在实际超声图像分割中所遇到的问题,改进模型将传统模型中的方向线段改为方向折线,同时为每条方向折线设置了不同的权重系数,并且结合了方向折线所标示的先验方向信息与边缘图梯度场定义了一个新的矢量场,最后利用该矢量场替代边缘图梯度场进行外力矢量扩散以获得最终的G&DVF外力矢量场。实验结果表明改进的G&DVF snake模型对背景灰度不均匀、噪声复杂的超声图像仍能获得良好的分割结果,其对细而长的凹陷边缘以及弱边缘的分割具有很大的优势。(3)在HIFU超声图像分割方面,针对目标肿瘤轮廓相对清晰的情况,本文提出了基于多尺度滤波与伪边缘抑制的MS-GVF snake超声图像分割模型。该模型将传统GVF模型中的高斯标准差设置为尺度函数,并沿着尺度下降的方向在不同尺度下对HIFU超声图像进行迭代分割,这样做的好处是可以增加外力场的捕捉范围,避免snake轮廓曲线被大的噪声点所吸引,同时又可以使目标轮廓的细节信息不丢失。为了降低或消除伪边缘在GVF矢量场中对真实目标边缘的消极影响,在迭代的最后一个尺度,MS-GVF snake模型利用新定义的距离图的梯度方向信息和距离的大小信息来对伪边缘进行抑制,有利于在真实边缘附近形成正确的GVF矢量场。另外,MS-GVF snake模型将传统的GVF能量泛函表示为增广拉格朗日函数,进而利用FFT运算可以快速求解出GVF矢量场,有效地提高了算法的速度。实验结果表明MS-GVF snake模型图像分割精度高,参数设置较为简单、不敏感,便于医师实际操作。(4)本文对改进G&DVF snake模型与MS-GVF snake模型在HIFU超声图像分割中的应用进行了研究。改进G&DVF snake模型适用于处理弱边缘和细而长的凹陷收敛问题,但是模型中方向折线的位置和相应的权重系数设置对最终的分割结果影响很大;MS-GVF snake模型有效增加了外力场的捕捉范围,并降低了伪边缘对分割结果的影响,同时又确保目标轮廓的细节信息不丢失,模型分割精度高,参数设置较为简单,但是其对弱边缘的分割效果并不理想。根据两种模型在应用中的优缺点,论文提出将改进G&DVF snake模型与MS-GVF snake模型同时应用到HIFU超声图像分割中。针对目标肿瘤轮廓比较清晰的情况,选择使用MS-GVF snake模型来对目标轮廓进行提取;针对目标肿瘤轮廓存在弱边缘的情况,选择使用改进G&DVF snake模型对目标肿瘤进行分割。
二、超声图像处理中Snake模型研究(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、超声图像处理中Snake模型研究(论文提纲范文)
(1)基于MRI的乳腺肿瘤辅助诊断方法研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景 |
1.2 乳腺癌CAD技术 |
1.3 国内外研究现状 |
1.3.1 医学图像分割研究现状 |
1.3.2 医学图像分割发展趋势 |
1.3.3 医学图像分类研究现状 |
1.4 本文主要内容及安排 |
1.4.1 主要内容 |
1.4.2 结构安排 |
2 相关技术综述 |
2.1 乳腺结构及磁共振成像技术 |
2.2 图像预处理 |
2.3 基于活动轮廓模型的图像分割概述 |
2.4 特征提取 |
2.5 特征选择 |
2.6 基于SVM的医学图像分类概述 |
2.7 本章小结 |
3 改进SLIC与 GVF Snake的乳腺肿瘤分割方法研究 |
3.1 NLmeans算法滤波 |
3.2 SLIC算法理论 |
3.3 改进SLIC算法 |
3.4 GVF Snake算法 |
3.4.1 Snake算法 |
3.4.2 GVF Snake理论 |
3.4.3 改进GVF Snake模型 |
3.5 医学图像分割评价 |
3.6 乳腺MRI的改进算法实验分析 |
3.6.1 改进SLIC实验结果分析 |
3.6.2 基于MRI的乳腺肿瘤分割实验结果 |
3.7 本章小结 |
4 乳腺MRI图像特征提取与选择方法研究 |
4.1 特征提取研究方案概述 |
4.2 Tamura特征提取 |
4.3 GLCM特征提取 |
4.4 GLGCM特征提取 |
4.5 影像组学特征提取结果显示和分析 |
4.6 PCA特征选择 |
4.7 本章小结 |
5 基于改进SVM的乳腺肿瘤图像分类方法研究 |
5.1 支持向量机理论 |
5.1.1 VC维理论 |
5.1.2 结构风险最小化准则 |
5.1.3 最优分类超平面 |
5.1.4 线性支持向量机 |
5.1.5 SVM常用核函数 |
5.2 改进PSO对 SVM分类算法的优化 |
5.2.1 PSO算法基本理论 |
5.2.2 改进的PSO算法 |
5.3 改进SVM分类算法流程图及步骤 |
5.4 改进算法实验结果与分析 |
5.4.1 交叉验证 |
5.4.2 算法运行环境 |
5.4.3 实验结果分析 |
5.5 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
攻读学位期间的研究成果 |
(2)基于多向分数阶微分的鲁棒Canny边缘检测方法(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 选题背景与意义 |
1.2 国内外研究现状 |
1.2.1 传统边缘检测算法的研究现状 |
1.2.2 Canny算法及改进的Canny算法研究现状 |
1.3 本文主要研究内容 |
1.4 本文的组织结构 |
2 边缘检测原理和方法 |
2.1 图像预处理 |
2.2 图像边缘检测基本原理 |
2.3 常见的边缘检测算法 |
2.3.1 一阶微分算子 |
2.3.2 二阶微分算子 |
2.4 Canny边缘检测算法 |
2.4.1 基于整数阶微分算子的Canny边缘检测算法 |
2.4.2 基于分数阶微分算子的Canny边缘检测算法 |
2.5 本章小结 |
3 基于八方向分数阶微分算子的Canny边缘检测方法 |
3.1 Canny算法的总体思路 |
3.2 八方向分数阶微分算子 |
3.2.1 八方向整数阶微分算子 |
3.2.2 八方向分数阶微分算子推导过程 |
3.3 最优分数阶阶次确定 |
3.4 在线检测步骤描述 |
3.5 仿真与分析 |
3.6 本章小结 |
4 基于GVF Snake模型的改进Canny边缘检测方法 |
4.1 活动轮廓模型概述 |
4.2 Snake模型基本原理 |
4.2.1 传统Snake模型的基本原理 |
4.2.2 GVF(Gradient Vector Flow)Snake模型基本原理 |
4.3 基于GVF Snake模型的边缘修复与重构方法 |
4.3.1 边缘修复与重构方法描述 |
4.3.2 具体步骤 |
4.4 仿真与分析 |
4.5 本章小结 |
5 改进的Canny算法在工程中的应用 |
5.1 高温红热状态下工件的边缘检测 |
5.1.1 问题描述 |
5.1.2 实验与分析 |
5.2 硅单晶的边缘检测 |
5.2.1 问题描述 |
5.2.2 实验与分析 |
5.3 本章小结 |
6 总结与展望 |
6.1 论文总结 |
6.2 论文展望 |
致谢 |
参考文献 |
攻读硕士期间研究成果 |
(3)融合先验解剖结构的左心室三维超声心动图分割方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题来源 |
1.2 课题背景和意义 |
1.3 超声心动图 |
1.4 左心室三维超声分割的问题描述及难点分析 |
1.5 国内外研究现状 |
1.5.1 基于形变模型的分割方法 |
1.5.2 基于统计模型的分割方法 |
1.5.3 基于图割的分割方法 |
1.5.4 基于图谱的分割方法 |
1.5.5 基于传统机器学习的分割方法 |
1.5.6 基于深度学习的分割方法 |
1.6 国内外研究现状分析 |
1.7 本文的主要研究内容 |
第2章 基于空时解剖先验的自监督预训练模型研究 |
2.1 引言 |
2.2 基于空时解剖先验自监督预训练模型 |
2.2.1 基于空间解剖先验的自监督预训练模型 |
2.2.2 基于时间解剖先验的自监督预训练模型 |
2.3 实验结果与分析 |
2.3.1 数据集及评价标准 |
2.3.2 自监督排序模型可行性验证 |
2.3.3 基于自监督预训练的分割模型性能分析 |
2.4 模型讨论 |
2.5 本章小结 |
第3章 融入形变模型的残差网络左心室分割方法 |
3.1 引言 |
3.2 多尺度残差全卷积网络分割模型 |
3.2.1 数据预处理 |
3.2.2 多尺度残差全卷积网络 |
3.2.3 加权交叉熵损失函数 |
3.2.4 网络训练 |
3.3 解剖结构约束形变模型 |
3.4 融入形变模型的全自动分割模型 |
3.5 实验结果 |
3.5.1 数据集与参数设置 |
3.5.2 评价标准 |
3.5.3 结果分析 |
3.6 讨论与拓展 |
3.7 本章小结 |
第4章 图谱指导的多尺度信息一致约束左心室分割模型 |
4.1 引言 |
4.2 深度图谱网络 |
4.2.1 转换网络 |
4.2.2 形变层 |
4.3 多尺度信息一致性约束 |
4.3.1 标注一致性约束 |
4.3.2 灰度体一致性约束 |
4.3.3 对抗一致性约束 |
4.4 实现细节 |
4.4.1 图谱 |
4.4.2 网络结构 |
4.4.3 训练过程 |
4.5 实验结果 |
4.5.1 数据 |
4.5.2 评价标准 |
4.5.3 对比方法 |
4.5.4 结果分析 |
4.6 讨论与拓展 |
4.7 本章小结 |
第5章 基于单标记图像的无监督左心室分割方法 |
5.1 引言 |
5.2 无监督形变网络 |
5.2.1 形变网络结构 |
5.2.2 优化 |
5.2.3 分割过程 |
5.3 实验结果 |
5.3.1 数据集与参数设置 |
5.3.2 评价标准 |
5.3.3 对比方法 |
5.3.4 结果分析 |
5.4 讨论与拓展 |
5.5 本章小结 |
结论 |
参考文献 |
攻读博士学位期间发表的论文及其他成果 |
致谢 |
个人简历 |
(4)基于深度学习的医学影像分割技术研究(论文提纲范文)
摘要 |
abstract |
缩略词表 |
第一章 绪论 |
1.1 研究工作的背景与意义 |
1.2 国内外研究历史与现状 |
1.3 本文的主要内容与创新 |
1.4 本文的结构安排及数据来源 |
第二章 医学图像处理技术基础 |
2.1 超声图像概述 |
2.1.1 超声技术原理及分类 |
2.1.2 超声技术特点 |
2.1.3 超声图像在医学诊断中的应用 |
2.2 传统图像分割方法 |
2.2.1 基于图像形态的方法 |
2.2.2 基于能量泛函的方法 |
2.3 基于深度学习的图像分割方法 |
2.3.1 卷积神经网络 |
2.3.2 全卷积神经网络 |
2.4 评价指标与损失函数 |
2.4.1 评价指标 |
2.4.2 损失函数 |
2.5 本章小结 |
第三章 超声图像的预处理方法研究 |
3.1 超声图像分割整体流程 |
3.2 数据准备 |
3.2.1 数据采集 |
3.2.2 标签制作 |
3.3 数据处理 |
3.3.1 导向滤波 |
3.3.2 直方图均衡化 |
3.3.3 Sobel边缘增强 |
3.4 数据增强 |
3.5 本章小结 |
第四章 超声图像的分割算法研究 |
4.1 U-Net网络结构 |
4.1.1 算法介绍 |
4.1.2 实验分析 |
4.2 新型网络结构 |
4.2.1 密集卷积 |
4.2.2 注意力机制 |
4.2.3 金字塔池化 |
4.2.4 DPA-UNet网络结构 |
4.3 实验结果与分析 |
4.4 本章小结 |
第五章 全文总结和展望 |
5.1 全文总结 |
5.2 后续工作展望 |
致谢 |
参考文献 |
攻硕期间的研究成果 |
(5)一种基于无监督主动轮廓模型的图像分割研究(论文提纲范文)
中文摘要 |
Abstract |
第1章 引言 |
1.1 图像分割研究背景 |
1.2 图像分割研究意义 |
1.3 图像分割国内外研究现状 |
1.4 本文的主要研究内容 |
1.5 本文组织结构 |
第2章 图像分割基础知识 |
2.1 图像分割定义 |
2.2 图像分割基本方法及分类 |
2.2.1 基于区域的图像分割 |
2.2.2 基于边缘的图像分割 |
2.2.3 基于数学模型的图像分割 |
2.3 本章小结 |
第3章 主动轮廓模型 |
3.1 主动轮廓模型分割理论基础 |
3.1.1 曲线演化理论 |
3.1.2 水平集方法 |
3.1.3 变分集方法 |
3.2 经典主动轮廓模型 |
3.2.1 基于边缘的主动轮廓模型 |
3.2.2 基于区域的主动轮廓模型 |
3.3 本章小结 |
第4章 无监督主动轮廓模型的图像分割算法 |
4.1 已有改进算法概述 |
4.2 无监督主动轮廓分割算法 |
4.2.1 耦合曲线演化方程 |
4.2.2 基于全局区域的主动轮廓模型 |
4.2.3 基于局部区域的主动轮廓模型 |
4.2.4 Fisher准则的引入 |
4.3 本章小结 |
第5章 实验分析 |
5.1 自然图像实验 |
5.2 医学图像实验 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
个人简历 |
(6)基于活动轮廓模型的MRI脑肿瘤分割算法研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 本课题的研究背景及意义 |
1.2 MRI脑肿瘤分割的研究现状 |
1.3 研究内容及创新点 |
1.4 本文的组织结构 |
第二章 文献综述 |
2.1 引言 |
2.2 基本理论 |
2.3 活动轮廓模型 |
2.3.1 Snake模型及其改进 |
2.3.2 几何活动轮廓模型 |
2.4 两种模型的对比 |
2.5 本章小结 |
第三章 基于CV模型改进的MR图像分割方法 |
3.1 引言 |
3.2 基本理论 |
3.2.1 传统的CV模型 |
3.2.2 直方图均衡化 |
3.3 改进的CV模型 |
3.3.1 局部项的引入 |
3.3.2 边缘指示函数g(R)的构建 |
3.3.3 平滑项参数优化 |
3.4 算法的实现 |
3.5 实验及结果分析 |
3.6 本章小结 |
第四章 一种新的提取MR图像脑肿瘤的方法 |
4.1 引言 |
4.2 基本理论 |
4.2.1 迭代阈值分割算法 |
4.2.2 形态学腐蚀运算 |
4.2.3 模糊C均值算法 |
4.3 提取MR图像脑肿瘤的新方法 |
4.4 算法的实现 |
4.5 实验及结果分析 |
4.6 本章总结 |
第五章 总结与展望 |
5.1 研究工作总结 |
5.2 未来工作展望 |
参考文献 |
致谢 |
攻读学位期间的研究成果 |
(7)颈动脉超声图像内中膜厚度提取及系统实现(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 国内外研究概况 |
1.3 本文的主要研究内容 |
第二章 基础理论 |
2.1 颈动脉超声成像 |
2.1.1 超声成像理论 |
2.1.2 颈动脉超声图像 |
2.2 图像去噪 |
2.2.1 图像去噪定义及常用算法 |
2.2.2 几种新型滤波算法 |
2.2.3 图像去噪质量评价 |
2.3 图像分割 |
2.3.1 图像分割定义及常用方法 |
2.3.2 医学图像中常用的分割算法 |
2.3.3 图像分割性能评价 |
2.4 本章小结 |
第三章 超声图像去噪 |
3.1 超声图像中的噪声 |
3.2 改进的极值中值滤波算法 |
3.2.1 极值中值滤波原理 |
3.2.2 改进的极值中值滤波 |
3.3 小波变换 |
3.3.1 小波变换的图像去噪原理 |
3.3.2 阈值的选取 |
3.3.3 阈值处理函数 |
3.4 改进的极值中值滤波和小波变换相结合的新型滤波算法 |
3.5 实验结果及分析 |
3.6 本章小结 |
第四章 超声图像仿真及分割处理 |
4.1 基于Field Ⅱ的颈动脉血管超声仿真 |
4.1.1 Field Ⅱ仿真工具 |
4.1.2 颈动脉血管几何模型 |
4.1.3 组织模型 |
4.1.4 仿真实验与实验结果 |
4.2 临床颈动脉超声射频回波信号仿真超声图像 |
4.2.1 临床颈动脉的射频信号以及包络信号 |
4.2.2 临床颈动脉的射频图像、包络图像以及超声图像 |
4.3 改进的GVF-Snake模型图像分割 |
4.3.1 Snake模型 |
4.3.2 改进的GVF-Snake模型 |
4.3.3 颈动脉内中膜厚度测量 |
4.3.4 实验结果与分析 |
4.4 本章小结 |
第五章 颈动脉超声图像系统设计 |
5.1 GUI介绍 |
5.2 颈动脉超声图像系统实现 |
5.3 实验结果分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 未来工作展望 |
参考文献 |
致谢 |
(8)活动轮廓模型在医学图像分割的综述(论文提纲范文)
1 基本理论 |
2 活动轮廓模型 |
2.1 Snake模型及其改进 |
2.1.1 Snake模型 |
2.1.2 对Snake模型的改进 (1) 气球力模型 |
2.2 几何活动轮廓模型 |
2.2.1 测地线活动轮廓模型 |
2.2.2 Chan-Vese (CV) 模型 |
3 两种模型的对比 |
4 结论及展望 |
(9)超声肿瘤图像分割算法的相关研究(论文提纲范文)
摘要 |
ABSTRACT |
1 前言 |
1.1 HIFU治疗的相关背景 |
1.2 国内外相关算法的研究进展 |
1.2.1 图像处理中相关分割方法介绍 |
1.2.2 纹理特征分析及提取 |
1.2.3 预处理分析 |
1.3 本文的章节安排 |
2 分水岭变换和ISODATA聚类方法 |
2.1 分水岭变换研究概述 |
2.1.1 分水岭变换的原理 |
2.1.1.1 数字网格 |
2.1.1.2 数字图像 |
2.1.1.3 测地距离 |
2.1.2 分水岭变换的定义 |
2.1.2.1 通过浸水思想实现 |
2.2 分水岭变换算法 |
2.2.1 算法基本原理 |
2.2.1.1 排序步骤 |
2.2.1.2 涨水步骤 |
2.2.2 基于梯度阈值的分水岭变换 |
2.2.2.1 种子点选取 |
2.2.2.2 梯度阈值法的实现 |
2.3 聚类方法简述 |
2.3.1 常用方法的分类 |
2.4 ISODATA算法 |
2.4.1 ISODATA算法步骤 |
2.4.1.1 ISODATA实现结果 |
3 基于分裂合并法的超声图像分割方法 |
3.1 超像素的构造 |
3.1.1 超像素连通性修正 |
3.2 纹理边界编码 |
3.2.1 超像素特征提取 |
3.2.2 超像素中的纹理特征构造 |
3.2.3 纹理编码 |
3.2.4 边界编码 |
3.2.5 MDL合并原则 |
3.2.6 损失率ε的影响 |
4 实验数据分析 |
4.1 实验结果及平台 |
4.2 分割结果的评价指标 |
4.2.1 基于区域的评价指标 |
4.2.2 基于距离的评价指标 |
4.2.3 评价数据讨论 |
5 本文研究内容总结 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
(10)聚焦超声治疗肿瘤的靶目标轮廓提取方法研究(论文提纲范文)
论文创新点 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 本课题的研究背景与意义 |
1.1.1 HIFU治疗的技术背景 |
1.1.2 HIFU治疗的超声图像引导 |
1.2 HIFU靶目标轮廓提取方法的研究现状 |
1.2.1 HIFU超声图像斑点噪声抑制方法的研究现状 |
1.2.1.1 空间域图像滤波方法 |
1.2.1.2 变换域图像滤波方法 |
1.2.1.3 基于偏微分方程的图像滤波算法 |
1.2.2 HIFU超声图像分割方法的研究现状 |
1.2.2.1 经典图像分割算法 |
1.2.2.2 基于参数活动轮廓模型的图像分割算法 |
1.3 论文研究内容及结构安排 |
2 基于各向异性扩散滤波的HIFU超声图像斑点噪声抑制 |
2.1 引言 |
2.2 滤波算法的性能评价指标 |
2.3 HIFU超声图像斑点噪声统计模型 |
2.4 经典PM滤波模型 |
2.4.1 PM模型的理论研究 |
2.4.2 PM模型的滤波机理 |
2.5 SRAD滤波模型 |
2.6 基于超声图像斑点噪声抑制的改进SRAD滤波模型 |
2.6.1 八邻域SRAD滤波模型 |
2.6.2 滤波的迭代终止条件 |
2.6.3 新的斑点噪声尺度函数 |
2.7 滤波实验与结果分析 |
2.8 本章小结 |
3 基于梯度与方向矢量流的HIFU超声图像分割改进模型 |
3.1 引言 |
3.2 经典snake模型 |
3.2.1 snake模型的基本原理 |
3.2.2 snake模型的数值计算方法 |
3.2.3 图像分割实验与结果分析 |
3.3 梯度矢量流模型 |
3.3.1 GVF snake模型的基本原理 |
3.3.2 GVF矢量场的数值计算方法 |
3.3.3 图像分割实验与结果分析 |
3.4 梯度与方向矢量流模型 |
3.4.1 G&DVF snake模型的基本原理 |
3.4.2 图像分割实验与结果分析 |
3.5 改进的梯度与方向矢量流模型 |
3.6 超声图像分割实验与结果分析 |
3.6.1 图像分割算法性能评估方法 |
3.6.2 HIFU超声图像轮廓提取实验 |
3.7 本章小结 |
4 多尺度滤波与伪边缘抑制的MS-GVF超声图像分割模型 |
4.1 引言 |
4.2 增广拉格朗日式和FFT运算的GVF矢量场快速计算方法 |
4.2.1 增广拉格朗日方法 |
4.2.2 GVF矢量场快速计算方法 |
4.3 基于多尺度滤波与伪边缘抑制的MS-GVF snake模型 |
4.3.1 传统GVF snake模型在超声图像分割中的缺陷 |
4.3.2 基于多尺度滤波与伪边缘抑制的MS-GVF snake模型 |
4.4 超声图像分割实验与结果分析 |
4.4.1 图像分割算法性能评估方法 |
4.4.2 HIFU超声图像轮廓提取实验 |
4.5 本章小结 |
5 改进G&DVF与MS-GVF在HIFU超声图像分割中的应用 |
5.1 引言 |
5.2 HIFU超声图像轮廓提取实验 |
5.3 改进G&DVF与MS-GVF在HIFU超声图像分割中的应用 |
5.4 本章小节 |
6 总结与展望 |
参考文献 |
硕博连读期间发表的学术论文以及参与的项目 |
致谢 |
四、超声图像处理中Snake模型研究(论文参考文献)
- [1]基于MRI的乳腺肿瘤辅助诊断方法研究[D]. 王燕. 兰州交通大学, 2021(02)
- [2]基于多向分数阶微分的鲁棒Canny边缘检测方法[D]. 臧青. 西安理工大学, 2020
- [3]融合先验解剖结构的左心室三维超声心动图分割方法研究[D]. 董素宇. 哈尔滨工业大学, 2020
- [4]基于深度学习的医学影像分割技术研究[D]. 陈俊江. 电子科技大学, 2020(07)
- [5]一种基于无监督主动轮廓模型的图像分割研究[D]. 滕琳. 沈阳师范大学, 2020(12)
- [6]基于活动轮廓模型的MRI脑肿瘤分割算法研究[D]. 韩纪东. 江西理工大学, 2019(01)
- [7]颈动脉超声图像内中膜厚度提取及系统实现[D]. 祝长瑞. 云南大学, 2019(03)
- [8]活动轮廓模型在医学图像分割的综述[J]. 兰红,韩纪东,方毅. 科学技术与工程, 2018(16)
- [9]超声肿瘤图像分割算法的相关研究[D]. 柳丁. 武汉大学, 2017(06)
- [10]聚焦超声治疗肿瘤的靶目标轮廓提取方法研究[D]. 乐意. 武汉大学, 2015(07)