心臟擴大是器質性心臟病的重要體征之一。心胸比率(CTR)是衡量心臟大小的一個重要的指標。本文提出了一種基于數字圖像的改進C-V水平集方法,用于肺部分割及自動計算CTR。同時,本文還對收集的3 120例北京地區在職人群的體檢胸片進行了CTR測量及統計分析。依據年齡、性別分組,分別進行統計,較為精確地得出北京地區在職人群的CTR,為臨床診斷心臟增大以及預測心血管疾病發展提供了參考依據。
B超圖像在醫學臨床診斷中有著重要應用,但廣泛存在的灰度分布不均勻、對比度低、偽影和噪聲干擾以及目標邊界模糊等問題,給自動分割帶來了困難。本文在區域水平集模型的基礎上定義反映輪廓線像素點對目標/背景兩個區域隸屬度的因子,通過概率分布估計模型計算和比較各像素點的隸屬度,以此為依據對像素點進行區域歸屬判別,由區域水平集迭代獲得連續光滑的曲線。本文將B超圖像目標分割看作對感興趣目標區域的局部分割,將水平集的計算求解約束到局部范圍,從而減少計算量。實驗結果表明與幾種水平集模型相比,本文方法對所測試的B超圖像的分割在精度和速度上均有一定的改進。
在頭頸部腫瘤CT圖像中,針對腫瘤準確定位和體積的定量測量問題,提出一種基于增強梯度的水平集分割算法。通過向邊緣檢測函數引入邊界梯度信息,調整水平集模型對腫瘤不同強度邊界的敏感度,獲得準確的分割結果,利用分割結果和圖像信息計算腫瘤體積。在圖像批量分割中,基于增強梯度的水平集算法不僅能減少人為干預,還能提高對特定目標的分割準確度。腫瘤體積的計算結果與臨床醫生手動分割金標準相比也較為接近。本文算法能有效實現頭頸部腫瘤的準確分割和體積測量,為計算機輔助診斷提供有效信息。
針對現有二維分割方法人工干預較多及存在分割缺陷、三維分割方法對突變異常肝臟分割錯誤等問題,本文提出一種基于圖像序列上下文關聯的肝臟器官半自動分割方法。利用肝臟器官組織圖像序列上下文的相似性先驗知識,結合區域生長和水平集模型,并以少量人工干預輔助應對肝臟突變情況來進行肝臟的半自動分割。實驗結果表明,本文方法分割肝臟精度高,適應能力強,對變異性較大的肝臟分割效果較好,可較好地滿足臨床應用需求。
腎小球濾過率（GFR）是評估腎臟功能的重要指標，可采用腎動態顯像聯合 Gates 法計算獲得。針對 GFR 計算問題，本文提出一種計算機斷層（CT）圖像輔助的腎動態圖像感興趣區（ROI）自動檢測方法，以實現客觀準確的 GFR 計算。該方法首先獲得 CT 冠狀面投影圖像與單光子發射計算機斷層成像（SPECT）的增強合成圖像，完成雙模態圖像配準后，采用改進的水平集方法實現腎臟 ROI 的自動檢測并獲取本底 ROI，最后利用 Gates 法計算 GFR 值。經臨床數據驗證，該方法能夠自動完成腎臟 GFR 值計算，所得結果與臨床報告一致。該方法在消除人工勾畫環節的同時，還能提高 ROI 檢測的準確性和穩定性，尤其有利于腎功能嚴重受損時的 GFR 計算。
光學相干斷層影像（OCT）是一種應用于血管的影像新技術，其高分辨率和可量化分析等特點，使其能夠檢測血管內膜和斑塊表面的特殊結構并發現微小病變。特別是隨著其在識別冠狀動脈粥樣硬化斑塊、優化經皮冠狀動脈介入（PCI）治療、輔助醫生制定相關診斷和治療策略以及支架術后評估等方面的應用相繼展開，OCT 已經成為心血管疾病診斷的有效工具。本文提出了一種基于先驗邊界條件的冠脈 OCT 內膜輪廓序列提取算法，在 Chan-Vese 模型基礎上通過改進演化權函數把輪廓曲線的局部信息引入模型，控制曲線邊界演化速度，并在模型中加入梯度能量項和基于先驗邊界條件的內膜輪廓形狀限制項，進一步約束曲線演化輪廓的形狀，最終實現冠脈血管內膜輪廓的序列提取。與作為金標準的專業醫生手動分割結果進行實驗對比，結果表明本算法在冠脈 OCT 內膜輪廓模糊、失真、有導絲陰影及有斑塊干擾等情況下均能準確提取冠脈血管內膜輪廓，提示本研究成果或可應用于臨床輔助診斷和精確診療之中。
通過對腦部磁共振影像（MRI）中硬化斑塊形態、位置等信息的研究，本文提出了一種基于多標記融合水平集的腦部多發性硬化斑塊分割方法。該方法首先使用模糊 C 均值模型提取初始硬化斑塊區域，根據該區域的信息統計建立了灰度先驗信息項和多標記融合項，并嵌入水平集模型中，通過水平集曲線演化實現腦部多發性硬化斑塊分割。實驗結果表明該方法能夠有效分割腦部磁共振影像中的硬化斑塊，具有較好的魯棒性及較高的準確性。本文提出的方法極大地減輕了醫師手動勾畫硬化斑塊區域的工作量，具有較大的臨床應用價值。
腎臟腫瘤已經成為威脅人類健康的重要疾病之一。超聲檢查具有普及率高、價格低廉、無輻射等諸多優點，已廣泛應用于腎臟腫瘤的診斷中。超聲圖像中腎臟腫瘤的準確分割是制定治療方案的基礎。腎臟腫瘤往往生長在腎皮質中間，分割容易受到周圍臟器干擾，而且超聲圖像對比度低、斑點噪聲嚴重，使得腫瘤分割困難。本文根據腎臟超聲圖像的特點，提出基于自適應分區演化水平集（ASLSM）的腫瘤分割算法。首先，將感興趣區域圖像分區；然后，融合內外能量項和梯度設計目標函數，并自適應調整二者比例；最后，根據質心原理和零水平集內外相似度自適應卷積半徑及曲率，進行曲線演化。將本算法用于腎臟超聲圖像，實驗結果中豪斯多夫距離（HD）為（8.75 ± 4.21）mm，平均絕對距離（MAD）為（3.26 ± 1.69）mm，戴斯系數（DICE）為 0.93 ± 0.03。與傳統的方法進行比較，實驗結果證明本算法可以獲得更加準確的腫瘤分割結果，今后本算法或可為輔助醫生定位和診斷腎臟腫瘤提供便利。
新型冠狀病毒感染是一種傳染性強、變異性強、潛伏期長的急性呼吸道傳染病。基于電子計算機斷層掃描成像的新型冠狀病毒感染病灶自動分割可以輔助醫生進行快速診斷和精確治療，能有效地減少誤診漏診的風險。針對新型冠狀病毒感染病灶征象復雜且邊界模糊難以分割等痛點，本文在新型冠狀病毒感染病灶分割網絡的基礎上結合水平集分割方法引入了水平集廣義骰子損失函數（LGDL），提出了雙路徑新型冠狀病毒感染病灶分割網絡（Dual-SAUNet++），其中LGDL是由掩膜路徑的廣義骰子損失和水平集路徑的均方誤差聯合所得的自適應權重損失。本文所提模型在測試集上取得的戴斯相似系數為（87.81 ± 10.86）%，交并比為（79.20 ± 14.58）%，敏感度為（94.18 ± 13.56）%，特異度為（99.83 ± 0.43）%，豪斯多夫距離為（18.29 ± 31.48） mm。實驗證明，Dual-SAUNet++能夠同時關注病灶的面積和邊界信息，可以有效分割出多尺度病灶且具有較強的抗噪能力。綜上，本文所提方法通過精確分割病灶區域，可輔助醫生判斷新型冠狀病毒感染的嚴重程度，為后續臨床治療提供可靠依據。