為了得到均值漂移的自適應帶寬并更精確地分割出腦部磁共振成像(MRI)的腫瘤,本文提出了一種改進的均值漂移方法。首先利用腦部圖像的空間特征去除MRI圖像中的頭骨,消除頭骨對分割的影響;然后根據腦部不同組織(包括腫瘤)在空間上集聚的特征,利用邊界點得到優化的初始均值以及相應的自適應帶寬,從而提高腫瘤分割的精度。實驗結果表明,與固定帶寬均值漂移算法相比,本文方法分割腫瘤更為精確。
利用超聲心動圖進行心室分割能夠獲得心室容積參數，對評價心功能有重要意義。但超聲圖像有噪聲大、難以分割等特點，僅僅靠人工對目標區域進行手動分割工作量巨大，且目前自動分割技術尚無法保證分割精度。針對這些問題，本文提出了一種全新的算法框架對心室結構進行了分割提取。首先，采用更快速的基于區域的卷積神經網絡目標檢測算法對目標區域進行定位，得到感興趣區域；然后使用 K 均值（K-means）算法對目標區域進行初始聚類；接著使用一種自適應核函數帶寬的均值漂移（mean shift）算法進行分割；最后采用種子填充算法提取目標區域。該算法結構實現了自動提取分割目標區域，免去了人工定位的過程。實驗表明，在定量評價標準下，這種分割框架能夠對目標區域進行精確的提取，同時提出的自適應均值漂移算法較傳統固定帶寬均值漂移算法更穩定，且分割效果更好。研究結果顯示，本文所述方法有助于實現超聲心動圖左心室切面的自動分割。