医学图像分割综述

图像处理流程大致如下图所示:


图像分割的定义:

将一副图像g(x,y),其中0≤x≤Max_x,0≤y≤Max_y,进行分割就是将图像划分为满足如下条件的子区域:


1.基于区域的分割方法:

图像分割通常用到不同对象间特征的不连续性和同一对象内部特征的相似性。

基于区域的算法则侧重于利用区域内特征的相似性。

1.1阈值法:

阈值分割是最常见的并行直接检测区域的分割方法。

单阈值分割:将图像分为目标和背景。

多阈值分割:将图像分为多个目标区域和背景。为区分目标,还要对各个区域进行标记。

阈值分割方法基于对灰度图像的一种假设:目标或背景内的相邻像素间的灰度值是相似的。

但不同目标或背景的像素在灰度上有差异,反映在图像直方图上就是不同目标和背景对应不同的峰。

选取的阈值应该位于两个峰之间的谷,从而将各个峰分开。

1.2 区域生长和分裂合并

区域生长和分裂合并是两种典型的串行区域分割方法。

区域生长的基本思想是将具有相似性质的像素集合起来构成区域。

该方法首先要选取一个种子点,然后依次将种子像素周围的相似像素合并到种子像素所在的区域内。

1.3 分类器和聚类

分类是模式识别领域中一种基本的统计分析方法。

分类的目的是利用已知的训练样本集在图像的特征空间找到点、曲线、曲面或超曲面,从而实现对图像的划分。

分类器分为两种:非参数分类器和参数分类器

聚类算法与分类器极为相似,只是它不需要训练样本。

1.4 基于随机场的方法

在MRF假设下,大多数像素和其临近的像素属于同一类。

1.5 其它基于统计学的方法

2. 基于边缘的图像分割方法

2.1 并行微分算子

2.2 基于曲面拟合的方法

2.3 基于边界曲线拟合的方法

2.4 基于反应—扩散方程的方法

2.5 串行边界查找

2.6 基于形变模型的方法

2.7 小波多尺度边缘检测

2.8 基于数学形态学的边缘检测

3. 结合区域与边界技术的方法


4. 基于模糊集理论的方法

图像分割问题是典型的结构不良问题,而模糊集理论具有描述不良问题的能力。
基于模糊理论的图像分割方法包括:
  • 模糊阈值分割方法
  • 模糊聚类分割方法
  • 模糊连接度分割方法

5. 基于神经网络的方法

神经网络模拟生物特别是人类大脑的学习过程,它由大量的节点构成。

每个节点都能执行一个基本的运算。

神经网络的出发点是将图像分割问题转化为诸如能力最小化、分类等问题,

从而借助神经网络技术来解决问题。

其基本思想是用训练样本集对ANN进行训练以确定节点间的连接和权值,

再用训练好的ANN去分割新的图像数据。

6. 图像分割中的其它方法和问题

6.1 图谱引导方法(Atlas-Guided)

图谱引导方法是利用已有标准模版对医学图像进行分割。

主要用于对脑部MR图像的分割。

优点:在分割的同时,分割出的每一类对应的解剖部位也就唯一的确定了。

缺点:考虑到人体解剖结构的千差万别,完全用简单的映射关系来对所有的图像进行分割在实现上是很困难的。

6.2 数学形态学

形态学图像处理以在图像中移动一个结构元素并进行卷积的方式进行,结构元素可以具有任意大小。

形态学理论在图像分割中比较有代表性的是水线算法

6.3 尺度空间理论的应用

尺度空间理论的概念被引入到医学图像的分割问题中,强调医学图像特征呈现出多种级别的现象

6.4 分割评估

图像分割中的另一重要问题是对分割算法的定性和定量评估。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/48344.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

医学图像分割综述:U-Net系列

文章目录 Medical Image Segmentation Review:The Success of U-Net摘要引言分类法2D Unet3D U-NetU-Ne的临床意义和疗效 Unet扩展跳过连接增强Increasing the Number of Skip Connections在跳过连接中处理特征映射编码器和解码器特征映射的组合 Backbone Design EnhancementsR…

医学图像语义分割

语义分割在生物医学图像分析中有着广泛的应用:x射线、MRI扫描、数字病理、显微镜、内窥镜等。https://grand-challenge.org/challenges上有许多不同的有趣和重要的问题有待探索。 从技术角度来看,如果我们考虑语义分割问题,对于NM3(假设我们有一个RGB图像)的图像,我们希望…

【医学图像】图像分割系列.1

医学图像分割是一个比较有应用意义的方向,本文简单介绍三篇关于医学图像分割的论文: UNeXt(MICCAI2022),PHTrans(MICCAI2022),DA-Net(MICCAI2022)。 目录 …

医学图像分割

作者: Zeynettin Akkus & Alfiia Galimzianova & Assaf Hoogi & Daniel L. Rubin & Bradley J. Erickson 时间:2017 Abstract 这篇综述的目的是提供关于最近基于深度学习的分割方法对脑部MRI(磁共振成像)定量分…

医学图像分割之MedNeXt

论文:MedNeXt: Transformer-driven Scaling of ConvNets for Medical Image Segmentation ConvNeXt网络是一种借鉴Transformer的思想进行了改进实现的全卷积网络,其通过全卷积网络和逆向残差瓶颈单元的设计,可以实现比较大的空间感受野。本文…

医学图像分割实操

整个实验过程包括: 1、数据集获取:https://zenodo.org/record/3757476 2、数据预处理:从.nii文件中提取包含目标区域的切片,如果不是很清楚医学图像格式的处理,也可以将.nii文件转换成png格式的图片,.nii…

【医学图像】图像分割系列.3 (uncertainty)

介绍几篇使用不确定性引导的医学图像分割论文:UA-MT(MICCAI2019),SSL4MIS(MICCAI2021),UG-MCL(AIIM2022). Uncertainty-aware Self-ensembling Model for Semi-supervise…

医学图像分割文章阅读笔记

1、Detection-aided liver lesion segmentation using deep learning 2、Automatic Liver and Tumor Segmentation of CT and MRI Volumes Using Cascaded Fully Convolutional Neural Networks https://github.com/IBBM/Cascaded-FCN 一、Method 第一步:数据预处理和神经网…

医学图像笔记(四)医学图像分割

医学图像笔记(四)医学图像分割 1、医学图像分割的开源工具2、其他分割2.1、3D VNet2.2、PE-VNet2.3、基于PyTorch的3D 医学图像分割2.4、3D UX-Net:超强的医学图像分割新网络2.5、医学图像分割优质开源代码 3、医学图像数据集3.1、百度AI stu…

UniverSeg:通用医学图像分割模型来了!

自从今年以来ChatGPT爆火和GPT-4的发布,一时间在大模型的潮流下,通用人工智能(AGI)也呼之欲出。随着本月初SAM和SegGPT等通用的CV大模型的提出,大模型和通用模型这把火也逐渐烧到的CV领域,特别是图像分割领…

[转]医学图像分割综述

原作者: Zeynettin Akkus & Alfiia Galimzianova & Assaf Hoogi & Daniel L. Rubin & Bradley J. Erickson 时间:2017 csdn作者链接: https://blog.csdn.net/xy9476/article/details/80587151 (转载为收藏) Abstract 这篇综…

最新《医学图像分割》综述,详述六大类100多个算法

来源:专知 医学图像自动分割是医学领域的一个重要课题,也是计算机辅助诊断领域的一个重要分支。U-Net由于其灵活性、优化的模块化设计和在所有医学图像模式中的成功,是最广泛应用的图像分割体系结构。多年来,U-Net模式获得了学术界…

通用医学图像分割模型UniverSeg

虽然深度学习模型已经成为医学图像分割的主要方法,但它们通常无法推广到涉及新解剖结构、图像模态或标签的unseen分割任务。给定一个新的分割任务,研究人员通常必须训练或微调模型,这很耗时,并对临床研究人员构成了巨大障碍&#…

Unet分割医学图像全记录/结果全白解决办法/多分类Dice loss

文章目录 任务介绍数据来源及预处理Unet实现过程中遇到的bug 任务介绍 本项目是基于Unet网络对心肌图像进行心池和心肌分割。写这篇博客为了记录下我在写模型时遇到的bug和思考,我发现好像没有一篇从头到尾的笔记,我作为小白真的遇到了很多大坑&#xf…

【医学图像】图像分割系列.4

介绍几篇使用Transformer结构做医学图像分割的论文:CASTformer(NeuralPS2022),PHNet(arXiv2023)。 Class-Aware Adversarial Transformers for Medical Image Segmentation, NeuralPS2022 解读&#xff1a…

医学图像分割实战——使用U-Net实现肾脏CT分割

使用U-Net实现肾脏CT分割 数据集准备数据来源数据预处理 网络结构及代码网络结构训练代码 训练过程参数设置:可视化 结果分析 数据集准备 数据来源 MICCAI KiTS19(Kidney Tumor Segmentation Challenge):https://kits19.grand-challenge.org/ KiTS201…

医学图像分割之 Dice Loss

文章目录 医学图像分割之 Dice Loss1. Dice coefficient 定义1.1. Dice 系数计算示例1.2. Dice-coefficient loss function vs cross-entropy 2. Dice 系数的 Pytorch 实现2.1. Dice 系数2.2. Dice Loss2.3. BCELoss2d 3. Dice 系数的 Keras 实现4. Dice 系数的 TensorFlow 实现…

医学图像分割常见评价指标(单目标)——包含源码讲解和指标缺陷

单目标分割常见评价指标 1 知道4个常见指标,TP,TN,FP,FN2 评价分割区域准确率2.1 Recall Sensitivity TPR(True Positive Rate)2.2 Specificity (True Negative Rate)2.3 Precision (PPV, 精确率)2.4 Dice Coefficient…

医学图像分割之Attention U-Net

目录 一、背景 二、问题 三、解决问题 四、Attention U-Net网络结构 简单总结Attention U-Net的操作:增强目标区域的特征值,抑制背景区域的目标值。抑制也就是设为了0。 一、背景 为了捕获到足够大的、可接受的范围和语义上下文信息,在标…

常用的医学图像分割评价指标

常用的图像分割评价指标非常多,论文中常用的指标包括像素准确率,交并比(IOU),Dice系数,豪斯多夫距离,体积相关误差。 下面提到的所有案例都是二分类,标签中只有0和1 目录 一:像素…