[1]林江,戴齐,欧阳婷雪,等.一种边界和马尔可夫随机场相结合的脑MRI医学图像分割方法[J].中国医学物理学杂志,2015,32(05):717-720.[doi:doi:10.3969/j.issn.1005-202X.2015.05.023]
 [J].Chinese Journal of Medical Physics,2015,32(05):717-720.[doi:doi:10.3969/j.issn.1005-202X.2015.05.023]
点击复制

一种边界和马尔可夫随机场相结合的脑MRI医学图像分割方法()
分享到:

《中国医学物理学杂志》[ISSN:1005-202X/CN:44-1351/R]

卷:
32卷
期数:
2015年05期
页码:
717-720
栏目:
出版日期:
2015-08-25

文章信息/Info

文章编号:
1005-202X(2015)05-0717-04
作者:
林江戴齐欧阳婷雪鞠斌邹翎
1.西南交通大学信息科学与技术学院,四川成都611756;2.四川大学华西医院,四川成都610041
关键词:
MRI医学图像分割边界马尔可夫随机场阿尔茨海默病
分类号:
R312
DOI:
doi:10.3969/j.issn.1005-202X.2015.05.023
文献标志码:
A
摘要:
目的:在现有的脑MRI医学图像分割方法基础上,以阿尔茨海默病(Alzheimer’s Disease, AD)数据为例,提 出了一种基于边界和马尔可夫随机场为基础,再结合李代数和流场论对图像进行分割和配准的方法。方法:该方法以基 于边界的分割方法去除颅骨和非组织,再利用马尔可夫随机场分割脑组织,最后结合李代数和流场论对图像进行标准配 准,并与当前最为常用的SPM-VBM方法进行比较。结果:以现有的AD病人脑MRI数据为基础进行分析对比,能够得 到更加有效的脑组织分割和更精确的脑激活区定位。结论:该方法能够显著提高分割效果。

相似文献/References:

[1]胡德斌,高园园,路利军,等.解剖图像引导的PET图像部分容积校正[J].中国医学物理学杂志,2015,32(02):153.[doi:10.3969/j.issn.1005-202X.2015.02.001]
[2]王晓飞,聂生东,王远军,等.基于MRI的脑肿瘤计算机辅助检测技术研究进展[J].中国医学物理学杂志,2014,31(01):4635.[doi:10.3969/j.issn.1005-202X.2014.01.010]
[3]蔡方舟,谷雪莲,宋成利,等.基于磁共振图像的人体骨盆三维重建及有效性验证[J].中国医学物理学杂志,2014,31(06):5280.[doi:10.3969/j.issn.1005-202X.2014.06.014]
[4]万俊,聂生东,王远军,等.基于MRI的脑肿瘤分割技术研究进展[J].中国医学物理学杂志,2013,30(04):4266.[doi:10.3969/j.issn.1005-202X.2013.04.013]
[5]吴迪,胡胜,刘伟峰,等. 基于特征融合视觉显著性的医学图像分割[J].中国医学物理学杂志,2018,35(6):670.[doi:DOI:10.3969/j.issn.1005-202X.2018.06.010]
 WU Di,HU Sheng,LIU Weifeng,et al. Medical image segmentation based on visual saliency of feature fusion[J].Chinese Journal of Medical Physics,2018,35(05):670.[doi:DOI:10.3969/j.issn.1005-202X.2018.06.010]
[6]刘国才,官文静,田娟秀,等. 集成自适应回归核的肿瘤生物靶区随机游走勾画方法[J].中国医学物理学杂志,2018,35(7):758.[doi:DOI:10.3969/j.issn.1005-202X.2018.07.004]
 LIU Guocai,GUAN Wenjing,TIAN Juanxiu,et al. A random walk method with adaptive regression-kernel for delineation of biological target volumes of tumors[J].Chinese Journal of Medical Physics,2018,35(05):758.[doi:DOI:10.3969/j.issn.1005-202X.2018.07.004]
[7]田娟秀,刘国才. 基于NSST变换和PCNN的医学图像融合方法[J].中国医学物理学杂志,2018,35(8):914.[doi:DOI:10.3969/j.issn.1005-202X.2018.08.010]
 TIAN Juanxiu,LIU Guocai. Medical image fusion method based on non-subsampled shearlet transform and pulse coupled neural network[J].Chinese Journal of Medical Physics,2018,35(05):914.[doi:DOI:10.3969/j.issn.1005-202X.2018.08.010]
[8]李俏颖,周定中. 超声与MRI诊断乳腺癌及不同病理分型影像特点分析[J].中国医学物理学杂志,2019,36(2):205.[doi:DOI:10.3969/j.issn.1005-202X.2019.02.016]
 LI Qiaoying,ZHOU Dingzhong. Effectiveness of ultrasound and MRI in the diagnosis of breast cancers and analysis of imaging features of different pathological types[J].Chinese Journal of Medical Physics,2019,36(05):205.[doi:DOI:10.3969/j.issn.1005-202X.2019.02.016]
[9]刘东旭,周丹,王利峰. 胆囊癌及其病灶局部侵犯的MRI诊断及影像学特征[J].中国医学物理学杂志,2019,36(3):322.[doi:DOI:10.3969/j.issn.1005-202X.2019.03.015]
 LIU Dongxu,ZHOU Dan,WANG Lifeng. MRI features and diagnosis of gallbladder carcinoma and local invasion of gallbladder carcinoma[J].Chinese Journal of Medical Physics,2019,36(05):322.[doi:DOI:10.3969/j.issn.1005-202X.2019.03.015]
[10]宫进昌,赵尚义,王远军. 基于深度学习的医学图像分割研究进展[J].中国医学物理学杂志,2019,36(4):420.[doi:DOI:10.3969/j.issn.1005-202X.2019.04.010]
 GONG Jinchang,ZHAO Shangyi,WANG Yuanjun.Research progress on deep learning-based medical image segmentation[J].Chinese Journal of Medical Physics,2019,36(05):420.[doi:DOI:10.3969/j.issn.1005-202X.2019.04.010]

备注/Memo

备注/Memo:
成都市科技支撑项目(11PPYB109SF,2014-HM01-00314-SF)
更新日期/Last Update: 2015-09-07