MRI脑肿瘤图像的超像素/体素分割及发展现状
超像素/体素分割算法把具有相同结构信息的点划分至同一子区域,获得可准确描述图像局部特征且符合功能子结构的平滑边缘信息,在医学磁共振成像(magnetic resonance imaging,MRI)分割领域广泛应用.本文比较了不同超像素算法分割脑肿瘤医学图像的性能.归纳并总结了多种最新超像素/体素算法的研究成果及应用,为进一步比较算法性能,选取了多模态脑肿瘤分割挑战赛(Multimodal Brain Tumor Segmentation Challenge,BraTS)2018数据集中的部分脑肿瘤图像进行超像素分割.同时,通过边缘召回率、欠分割错误率、紧密度评测和可达分割准确率4项指标分析算法性能,并阐述算法的未来发展趋势和可行性空间.通过上述算法分析可得:基于图论的(graph-based)、标准化分割(normalized cut)、随机游走算法(lazy random walk)可获得精准的核心肿瘤信息,但对增强肿瘤的准确率稍显不足,不利于后续特征区域提取.基于密度的聚类算法(density-based spatial clustering of applications with noise,DBSCAN)和线性谱聚类(linear spectral clustering,LSC)算法可较好保留肿瘤边界信息,具有较好的局部局灶信息特征,但不能实现邻域信息表达,且没有解决质量跨度较大的问题.拓扑保持正则、Turbopix-els和简单线性迭代聚类分割算法(simple linear iterative clustering algorithm,SLIC)的超像素形状结构上更加完整紧凑,对病灶边界的特征描述较为平滑柔和,以此弥补算法对边界描述的不足之处.通过评价指标、国内外最新发展动态和实验对比分析,可看出超像素/体素分割算法具有较高的分割性能,研究领域具有良好的发展前景.
图像处理、磁共振成像(MRI)、超像素/体素、脑肿瘤分割、评价指标
27
TP399(计算技术、计算机技术)
辽宁省自然科学基金;辽宁省教育厅青年项目
2022-10-27（万方平台首次上网日期，不代表论文的发表时间）
共19页
2897-2915
