基于形态学多尺度修正的脑肿瘤分割

计算机应用 ›› 2014, Vol. 34 ›› Issue (2): 593-596.

基于形态学多尺度修正的脑肿瘤分割

万生阳,王小鹏,何士和,王称意

兰州交通大学电子与信息工程学院, 兰州 730070

收稿日期:2013-07-10 修回日期:2013-09-09 发布日期:2014-03-01 出版日期:2014-02-01
通讯作者: 王小鹏
作者简介:万生阳(1987-),男,甘肃靖远人,硕士研究生,主要研究方向:数字图像处理;王小鹏(1969-),男,甘肃正宁人,教授,主要研究方向:计算机图像图形处理、多媒体处理、虚拟现实;何士和(1987-),男,甘肃临洮人,硕士研究生,主要研究方向:数字图像处理;王称意(1989-),男,山西忻州人,硕士研究生,主要研究方向:数字图像处理。
基金资助:
国家自然科学基金资助项目;高等学校基本科研业务费项目

Brain tumor segmentation based on morphological multi-scale modification

WAN Shengyang,WANG Xiaopeng,HE Shihe,WANG Chengyi

School of Electronic and Information Engineering, Lanzhou Jiaotong University, Lanzhou Gansu 730070, China

Received:2013-07-10 Revised:2013-09-09 Online:2014-03-01 Published:2014-02-01
Contact: WANG Xiaopeng

摘要/Abstract

摘要： 针对脑部核磁共振成像(MRI)图像中因噪声、肿瘤内部灰度不均匀、模糊及边界不连续等造成肿瘤难以准确分割的问题,提出了一种基于形态学多尺度修正的控制标记符分水岭分割方法。该方法在形态学梯度图像基础上,根据不同像素点所在特定邻域内的梯度值自适应确定结构元素的大小;然后,对图像进行形态学多尺度修正,保证修正过程中目标轮廓不发生较大偏移;最后,采用控制标记符的分水岭变换对图像进行分割。实验结果表明,该方法可对脑肿瘤进行较精确的分割。

关键词: 脑肿瘤, 形态学多尺度修正, 分水岭变换, 图像分割, 形态学梯度

Abstract: As many methods of brain tumor Magnetic Resonance Imaging (MRI) segmentation are usually driven by such conditions as noise, intensity inhomogeneity within tumor, fuzzy and discontinuous boundaries, it is difficult to segment tumor accurately. To improve the segmentation results, morphological multiscale modification of controlled marker was proposed. Firstly, this method was based on morphological gradient images because the adaptive structure elements were utilized on different pixels in different areas. In addition, modifying gradient image was key to avoid a larger misregistration of target boundaries. Finally, marker-controlled watershed was applied to segment brain tumor. The experimental results show that the method of brain tumors has more accurate segmentation results. Key words：brain tumor; morphological multi-scale modification; watershed transform

Key words: brain tumor, morphological multi-scale modification, watershed transform, image segmentation, morphological gradient

中图分类号:

TP391.41

万生阳王小鹏何士和王称意. 基于形态学多尺度修正的脑肿瘤分割[J]. 计算机应用, 2014, 34(2): 593-596.

WAN Shengyang WANG Xiaopeng HE Shihe WANG Chengyi. Brain tumor segmentation based on morphological multi-scale modification[J]. Journal of Computer Applications, 2014, 34(2): 593-596.

[1]	许立君, 黎辉, 刘祖阳, 陈侃松, 马为駽. 基于3D‑Ghost卷积神经网络的脑胶质瘤MRI图像分割算法3D‑GA‑Unet[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1294-1302.
[2]	顾聪, 段其强, 任思雨. 基于上下文感知网络的息肉分割算法[J]. 《计算机应用》唯一官方网站, 2024, 44(11): 3617-3622.
[3]	梁军, 洪泽泓, 余松森. 基于改进粒子群优化算法和遗传变异的图像分割模型[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1743-1749.
[4]	傅励瑶, 尹梦晓, 杨锋. 基于Transformer的U型医学图像分割网络综述[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1584-1595.
[5]	兰冬雷, 王晓东, 姚宇, 王辛, 周继陶. 基于邻近切片注意力融合的直肠癌分割网络[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3918-3926.
[6]	窦猛, 陈哲彬, 王辛, 周继陶, 姚宇. 基于深度学习的多模态医学图像分割综述[J]. 《计算机应用》唯一官方网站, 2023, 43(11): 3385-3395.
[7]	林荐壮, 杨文忠, 谭思翔, 周乐鑫, 陈丹妮. 融合滤波增强和反转注意力网络用于息肉分割[J]. 《计算机应用》唯一官方网站, 2023, 43(1): 265-272.
[8]	徐光柱, 林文杰, 陈莎, 匡婉, 雷帮军, 周军. U-Net与自适应阈值脉冲耦合神经网络相结合的眼底血管分割方法[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 825-832.
[9]	李鸿, 邹俊颖, 谭茜成, 李贵洋. 面向医学图像分割的多注意力融合网络[J]. 《计算机应用》唯一官方网站, 2022, 42(12): 3891-3899.
[10]	杨瑞, 钱晓军, 孙振强, 许振. 自然场景下多区域特征融合的混合航拍图像分割算法[J]. 计算机应用, 2021, 41(8): 2445-2452.
[11]	沈雪雯, 王晓东, 姚宇. 基于空间分频的超声图像分割注意力网络[J]. 计算机应用, 2021, 41(6): 1828-1835.
[12]	黄梨, 卢龙. 基于长距离依赖编码与深度残差U-Net的缺血性卒中病灶分割[J]. 计算机应用, 2021, 41(6): 1820-1827.
[13]	罗琴, 王艳. 无需初始轮廓的图像分割模型[J]. 计算机应用, 2021, 41(4): 1179-1183.
[14]	董阳, 潘海为, 崔倩娜, 边晓菲, 滕腾, 王邦菊. 面向多模态磁共振脑瘤图像的小样本分割方法[J]. 计算机应用, 2021, 41(4): 1049-1054.
[15]	胡屹杉, 秦品乐, 曾建潮, 柴锐, 王丽芳. 基于特征融合和动态多尺度空洞卷积的超声甲状腺分割网络[J]. 计算机应用, 2021, 41(3): 891-897.