关键字 |
| 活动外观模型(AAM),边界元(贝尔),图(GC),通电的电线(LW),面向活动外观模型(OAAM) |
介绍 |
| 图像分割是一种重要的技术领域的图像处理。分割是用于分析在图像。图像分割是用来分离成一个图像分成几个部分“有意义的”部分。在医学图像处理、临床放射学地方至关重要的作用。计算机识别、标记和界定解剖器官和子器官成为重要的临床放射学。人体腹部的成像的一个应用领域细分的高度重叠的强度范围感兴趣的器官。分段腹部器官是一个挑战性的任务由于有类似Hounsfield数量不同的器官,器官有不规则形状和图像的构件(如beam-hardening,部分体积和运动。医学图像分割有助于临床医生可视化并区分器官和组织。医学成像等各种形式进行MRI、CT和超声检查。人体区域可分为基于模型的分割方法,基于图像和混合方法。 Purely image-based methods do segmentation based only on information available in the image. It includes thresholding, morphological operations, region growing, livewire (LW), watershed fuzzy connectedness and graph cuts (GCs). It performs well only on high-quality images. Image-based methods are not as good in poor quality images. The model-based methods put to use object population shapes and appearance priors such as atlases, statistical active shape models and active appearance models. Hybrid method is a strategic combination of both image-based and model-based. |
| 一般方法命名为GC-OAAM,分段人体器官通过结合现场线,图形切割和活动外观模型的方法。左边前卫分割是一个二维user-steered分割的高效、准确、可再生的边界提取。最小的用户输入和鼠标是必需的。最优边界计算和选择以交互式的利率作为用户移动鼠标从一个手动指定种子点。地标是由麦方法指定代表形状和外表。但这很难解释的具体形状和外观对象在给定图像的信息。使用GC方法来计算全局最优解决方案。这个项目的目的是将个人长处的方法结合在一起来克服每个方法的弱点。 |
分割方法 |
| GC-OAAM方法由两个阶段组成,即 |
| 1)培训阶段和 |
| 2)市场细分阶段。 |
| 麦建筑和一个LW估计边界成本函数和GC参数在训练阶段执行。对象识别或初始化和描述主要是两步分割阶段完成的。在识别步骤中,一个初始化策略是激活器官的构成并通过OAAM估计一片一片的方法。然后初始化片调整不当的进一步细化。这种GC-OAAM方法要快得多。其次,它是具有挑战性的任务,结合麦和LW方法。最后在对象描述部分,生成的对象形状信息的初始化步骤或识别步骤集成到图切(GC)成本计算。拟议的技术和完整的方法论的解释每个步骤列举如下。 |
细分阶段 |
| )模型建立和参数训练 |
| 顶部和底部的身体每个器官首先承认之前构建模型。应用线性插值生成相同数量的器官切片。然后在每个片二维OAAM模型构造的水平。在这个阶段,LW成本函数和GC参数估计。 |
| 手动界标规范: |
| 注释器官,半自动或自动方法是可用的。但还是人工阅卷的土地用于临床研究,因为它简单,通用性和效率。不同数量的土地是用于根据它们的大小不同的物体。半自动土地标记方法,称为作为一个平等的空间土地标记显示,有坚实的手工和半自动化地标记之间的相互关系的方法。最后,经人工阅卷土地平等——空间标记方法。 |
| 麦:建设 |
| 后指定地标,标准麦方法用于构造模型。这是一个计算机视觉算法广泛应用于匹配和跟踪的面孔和医学分析。模型包括形状和纹理信息。它代表形状和外观模型。使用活动外观模型,构成的器官估计。 |
| 培训LW成本函数和GC参数: |
| 成本函数的边界是计划在腹部器官包括在模型中每2 d LW usersteered分割方法。边界元的建议,贝尔。让是定义两个像素之间的边界元作为面向边缘值0和1。给定图像片,贝尔将象征着一双(p, q), p是在对象外的对象和q值分别是1和0。 |
| b)对象识别或初始化 |
| 提出的识别方法包括三个主要步骤:1)辨别顶部和底部器官切片,切片定位方法实现。2)生成相同数量的切片在给定对象的图像,应用插值是线性的类型。3)器官形状准确,细化方法的应用。详细解释这些步骤。 |
| 本地化和线性插值: |
| 片定位法旨在定位上下片的器官。由切片模型已经训练每个器官定位法。这种方法是建立在相似的片OAAM方法。定位片在给定图像顶部,顶部切片模型应用于每一个切片,即生成相同数量的片的线性插值。每个片相比,训练模型是否有最大相似性或最小距离像训练模型。最大相似性的片选为顶部的器官。检测片底部,同样的方法也实现了。 |
| 完善LW AAM的形状模型: |
| 集成的面向AAM获得LW和麦。该初始化方法是基于AAM。传统AAM匹配方法是基于RMS外观模型和目标图像之间的区别。对全球出现麦进行优化。它是为当地的结构和边界数据缺乏敏感。相比之下,边界由LW草拟了很好。有益的LW和麦,这是综合在一起并称为OAAM。整合后,设定的土地是麦麦的LW和模型的质量增加。完善机关、提取的形状和使现代化LW的土地标志的帮助下。 |
| c)对象描述 |
| 这是第三部分提出了新方法。这一步的主要动机是为了准确地勾勒出局部的器官的形状在前面一步最后的方式。一个迭代方法,结合GC和OAAM命名为IGC-OAAM实现精确的描述。描述的形状信息和全局优化能力由IGC-OAAM算法合并在一起。一个能量最小化问题可以由GC方法制定。描述的行为定义对象的精确程度空间区域或边界的图像。通过识别和描述任务同时作用,获得准确的图像分割。但仍然有效的公司高层承认一起帮助一个精确的低层次的描述已经在图像分割仍然是一个巨大的挑战。 |
结果和讨论 |
| 整体的分割结果显示在三个类别: |
| 1)培训数据库模块,2)训练图像模块,和3)测试图像模块。 |
| 结果培训数据库模块 |
| 在本节中,训练图像处理生龙活虎的方法基于指定的地标。指定的地标点是通过“红星”在每个图像如下所示。有33个地标一直在每个训练图像用于构建肝对象分割。生龙活虎的方法可以检测到起始点到下一个点之间的强边缘等等。 |
| 图4.1显示检测到的边缘线是由“绿星”指定符号在训练图像。这五个训练图像用于肝脏图像的相同内容。训练图像模块得出的以下信息是, |
| •不。具有里程碑意义的点。 |
| •具有里程碑意义的值(位置信息)。 |
| •顶点信息的地标(秩序)。 |
| •生龙活虎的基于边缘检测到指定的地标。 |
| 结果训练图像模块 |
| 训练图像模块已经完成后的训练数据库模块。培训数据库的输出与OAAM模块用于函数。生龙活虎的麦方法叫做OAAM。在这里,首先应用图像数据库AAM的形状模型。形状模型的功能,给出了输出构建OAAM后决定。 |
| 结果测试图像模块 |
| 最后一个模块,测试图像应用和已知的知识方法和有效的训练图像数据库。 |
| 图4.3显示了输入测试图像。这个测试图像与训练有素的匹配图像。轮廓线的选择是基于OAAM训练的知识输出。因为它可以选择最好的边缘轮廓线初始化算法的步骤。在这里,最好的轮廓线是固定在手动测试图像的最佳地点。因此,这种方法称为半自动的方法。 |
| 最好的轮廓线是固定的手动测试图像的最佳地点如图4.4。最后得出边界选择迭代图用OAAM的输出如图4.5所示。最后确定的分段输出,即表示该算法的2 d测试图像如图4.6所示。 |
结论 |
| 解剖一个自动分割方法的提出。该方法结合了livewire的概念,麦和图形剪在一起,到一个强大的算法,称为GC-OAAM。它利用互补优势的个人方法结合在一起,克服弱点的复合方法。该算法可以由模型建立、对象识别或初始化和描述。在初始化部分,输入腹部图像被手动,然后指定的具有里程碑意义的方法。为了提高性能,OAAM方法的应用。这个OAAM通过结合LW和麦方法。初始化的过程中寻找对象的位置大致相同,区别对象与其他对象在给定的图像。在描述部分,一个集成的形状信息收集的识别与GC方法是由IGC-OAAM算法。顶部和底部的定位片在给定的器官,片定位方法提出。 Even though localizing a CT slice inside the organ can greatly make easier to the physician work, the area of the research has not been gotten as more concentrator. The object delineation has been occurred on a single object at a time. The IGC-OAAM algorithm can be easily segmented abdomen organs. The global optimality is guaranteed to segment a single object. The IGC-OAAM has been taken only 5 minute to segment a single organ. In clinical applications, implementing the GC parallelization method is the solution for achieving good performance. In future, the parallel-graph cut has to be implemented. |
数据乍一看 |
|
|
引用 |
- T.Kaneko、L.gu andH。藤本、¢识别的腹部器官using3Dmathematical morphologyA¢,系统。第一版。1月,vol.33,没有。8,pp75-83,2002.
- D。弗里德曼和T。张¢基于削减交互式图形分割和形状priorsA¢,proc.IEEEcomput.Soc.conf.compt。vis.patt。Recogn。,2005, pp755-762.
- L.Rusko、g.Bekes G.Nemeth andM。Fidrich,¢全自动肝脏分割为对比增强CT一次¢,Proc。MICCAI workshop3-Dsegmentation,诊所,大挑战,2007年,pp.143 - 150。
- A.X.法尔考,J.K.Udupa, S。Samarasekara和年代。沙玛,¢用户一个¢引导图像分割范式:通电的电线和生活LaneA¢,图模型图像的过程。,60卷,不。4,第260 - 233页,2008年7月。
- 一个。Besbes: Komodakis、g语言和n . Paragios一个¢形状先验知识分割和离散磁流变液,一个¢inProc。IEEE点数。Soc。相依第一版。粘度Recogn模式。,2009, pp.1295âÂÂ1302.
- t . f .笨蛋,c·J·泰勒,和J·d·h·库珀。格雷厄姆,¢活跃形状modelsA¢他们培训和应用程序中,一个¢第一版。粘度Underst.vol形象。61年,没有。1,pp.38âÂÂ59,Jan. 1995.
- 一个。Ayvaci和d·弗里德曼,¢usinggeometricmodels联合segmentation-registration器官,一个¢Proc, IEEE Eng.Med。医学杂志。Soc。,2007, pp.5251âÂÂ5254.
- j·j·马尔科姆,y y Rathi, A . A坦南鲍姆,双重¢削减图分割与非线性形状先验,一个¢Proc, IEEE Int。相依形象的过程。,2007年,第四卷,页365¢368。
- 陈x, J.K. Udupa, A . Alav D.A. Torigian,一个¢解剖学自动识别,进一步研究多目标或主动形状模型,通过一个¢Med. phy。,vol.37,不。12日,页。6390 A¢6401,2010年12月。
- j .刘和j .太阳,一个¢平行graph-cuts自适应自底向上mergingA¢,在Proc, IEEE第一版。Soc。相依第一版。粘度Recogn。,2012, pp. 2181 - 2188.
|
菜单
