医学图像分割及应用

Posted 2023-05-16

参考技术A 截至目前，我们已经学习了很多关于图像分割的相关算法，就此，对图像的分割算法做以下总结：

基于能量的分割 方法，有一些显著的缺点，如：

水平集算法的提出可以有效解决上述缺点，所谓水平，即指同一高度的一些像素点，将水平集的算法引入到图像分析的领域，水平集算法提出了一个更高的维度来表达这些曲线。

水平集算法对图像的活动轮廓分割有一些新的术语表达：
contour front
contour energy forces
image energy speed function

为了避免3D 轮廓计算的复杂性，提出一个 零水平集（zero level set）的概念，并且提出了一个动态的坐标平面 表达front的演化，如下图所示，我们总能总结出当前 时刻的水平面，根据曲面的函数表达，总能总能计算出下一时刻的轮廓演化。与图像能量表达的轮廓不同，水平集算法多了一个平面的维度对轮廓施加影响。

水平集算法通过零水平集的设置和初始轮廓的约束求解偏微分方程的方式实现。

如下图所示，形象地表示了一个水平集算法的原理示意图，在front里面的点小于0，而front外面的点大于0，零水平面所对应的点设为0

不需要移动轮廓，仅仅通过改变图片中的一些值就可以很容易地实现图像地分割。

水平集算法的运算流程如下：

水平集算法的一个重要概念是速度函数（speed function）,而对速度函数
有以下三个概念：

front通过迭代实现繁衍，而迭代的过程必有一个停止条件，此条件是由图像本身的性质决定的，gradient函数来表示这一停止条件，如 ,有以下三种常用的函数：

而

水平集算法的扩展可以从两个方向进行:

为了改进水平，提出了一个快速行进算法（Fast Marching）

Fast Marching 算法使得front朝着一个方向前进，要么扩展，要么收缩，避免了分割轮廓的抖动，提高了算法的运行速度，同时，为了避免轮廓的碰撞，每个网路与轮廓点只交叉一次。

在实际的算法应用中，通常将Fast Marching算法和 水平集算法结合来完成图像的分割，用Fast Marching 算法高效的实现轮廓线的行进，完成一个粗分割，当算法趋向于收敛时，用水平集算法完成更为精准的分割。

如下图所示，任意一个时刻点轮廓线网格点交叉的坐标 ,并且在任意高度处，表面会给出在 时刻所到达点的集合。

语义分割：如何评估噪声对医学图像分割的有效性和鲁棒性的影响？

【中文标题】语义分割：如何评估噪声对医学图像分割的有效性和鲁棒性的影响？

【英文标题】：Semantic Segmentation: How to evaluate the noise influence of the effectivity and robustness of the medical image segmentation?

【发布时间】：2020-06-05 20:56:35

【问题描述】：

我已经对医学 3D MRI 进行了一些预处理，包括 N4 Bias 校正、噪声去除和缩放，我被问到一个问题：

如何评价噪声对医学图像分割的有效性和鲁棒性的影响？当各种噪声影响图像结构时，提取的特征会变差。应在方法的上下文中利用这种效果 对不同噪声强度的有效性。

如何评估噪声影响以及如何证明科学手稿中使用的噪声去除方法的合理性？

【问题讨论】：

你能添加一个示例图像吗？

【参考方案1】：

我不知道这是否有帮助，但我在课堂上做过一次核磁​​共振。 在这种情况下，我们使用带有 FFT 的 Shepp Logan Phantom。然后我们向图片添加噪声（通过添加具有高斯分布的随机数）。 当您将图像转换回幻像时，您可以看到噪声的影响，有时还可以看到伪影（主要是由于 FFT 算法和选择的窗口函数）。

我所做的是检查图像前后颜色的平均值，然后在 pahntom（头骨）的边缘，您可以看到从白色到黑色的通道清晰程度，反之亦然。

这可以使用 MATLAB 代码和模型轻松测试。当您获得所需的准确度后，您就可以将您选择的算法应用于真实图像。