标签: 医学图像

针对传统阈值分割算法的一些缺点，通过将数字形态学与阈值分割算法相互结合提出了一种改进的阈值分割算法来进行脊椎图像分割，并将分割结果与传统图像分割方法得到的结果进行分析对比。结果显示本论文改进的阈值分割算法得到的脊椎分割图像与传统方法分割的图像相比在抑制噪声方面有好的效果，在对比度方面也优于其他传统的医学图像分割方法，最后设计了计算脊椎相邻椎体间的相对距离、相对椎体厚度及其变化率的有效算法，可为临床进一步应用提供参考。

本文提出一种基于RBF神经网络的医学图像分类算法，利用像素的特征信息作为训练样本对RBF神经网络进行训练，使用训练后的RBF神经网络图像的分类识别，对不同的分类结果赋予不同rgb值进行显示。实验结果表明，RBF神经网络的结构简单、学习权值数量少且收敛速度快，不仅能有效的区分医学图像中的不同结构，显示图像细节，同时其误差曲线收敛稳定、速度快。

提出了一种应用于医学图像认证的基于Weber准则的脆弱盲水印技术，基于Weber准则选择图像中的像素并插入脆弱水印。由于这种水印技术只选择和改变图像中的暗像素，因此不会造成图像的明显改变。这种水印技术能够鉴定医学图像在传输过程中是否发生了改变，并且通过比较水印像素能够确定发生改变的位置。同时由于这种水印技术是脆弱水印技术，对图像的恶意改变非常敏感，因此非常适宜应用在医学图像的认证中。除此之外，本文方法还具有对图像压缩极强的容忍性，能够将认证信息嵌入水印当中，这些特点在医学图像的认证中都极其重要。最后，文中通过基于标准图像库的实验结果表明了本文方法的有效性。

针对传统图像分割方法对于形状起伏较大和边界模糊的目标无法获得较高分割精度的问题，文中提出使用深度学习方法分割医学图像以辅助医生进行诊断和治疗。使用卷积层、池化层和反卷积层设计了一个包含5个卷积层、3个池化层和1个反卷积层端到端的卷积神经网络，使网络可以获得与输入图像尺寸一致的输出。使用50组临床胸部CT图像的仿真与测试结果表明，所提出的深度神经分割网络能较好地实现端到端分割出胸部CT图像，网络各卷积层对不同的组织与结构均具有不同的响应值。

针对医学图像具有较大的相似性和交叉性，易造成归属类别混乱的问题，提出了一种基于粒子群算法的医学图像分类方法。该方法使用形态学滤波和阈值法进行预处理；使用SIFT特征描述子来提取图像的局部特征，并使用聚类的方法得到SIFT特征的“视觉词汇”；使用粒子群算法选出一些列多样性和精度更高的SVM、KNN和AdaBoost分类器对特征进行分类。对15种不同类型的医学图像进行分类的结果表明，所提出的方法取得了94.72%的分类精度，且相比于单个分类器的方法具有较大的性能提升。