文摘

人工智能(AI)学者和mediciners报道AI系统,准确地检测医学成像和COVID-19胸部图像。然而,这些模型的健壮性仍不清楚图像的分割与非均匀密度分布或多相的目标。最具代表性的一个是Chan-Vese (CV)图像分割模型。在本文中,我们表明,最近的水平集(LV)模型具有良好的性能检测的目标特征从医学成像依赖基于全球医学病理学过滤变分方法制作。我们观察到的能力过滤变分法获得图像特性的质量是比其他LV模型。本研究揭示了一个影响深远的问题在医疗成像AI知识检测。此外,从实验结果的分析,本文提出的算法具有良好的检测肺地区影响COVID-19图像的特征信息,也证明了不同的图像处理算法具有良好的适应性。这些发现表明,拟议的LV方法应被视为一个有效的临床辅助方法使用机器学习医疗模式。

1。介绍

分割方法基于图像区域特征,该地区信息保真度参数用于优化区域同质性,和统计方差的保真度参数通常用于连续迭代获得目标区域的均匀性(1]。Mumford-Shah (MS)模型是最有影响力的和成熟的分离系统。女士函数最小化的结果在一个分割图像非常相似的目标,这是无限接近于原始目标(2),以最小的边界长度和最小的形状差异从最初的目标。因此,有许多方法,结合图像边缘和区域特征信息(3]。

CV模型是一种特殊形式的模型,女士表现为边界 ,和图像 是分离的 。该地区在 是两个子域,内边界和外边界 。的最小形式CV模型可以表示为 在这和的平均强度的内外边界 ,分别。 都是固定参数,参数控件的大小检测目标。和控制相应的驱动力的内外轮廓的图像数据(4]。

尽管如此,CV模型凸,它已广泛应用于图像分割领域。如果图像强度接近分段常数,然后可以圆满地解决了许多特殊问题(5]。然而,如果超过最初的假设和CV模型扩展到满足图像分割的要求,如不均匀图像的分割。它创建一个错过或一些情况下图像特性的目标边界不处理6]。然而,模型的检测效果更好,和边界之间的分离目标和背景区域是更准确的。在医学图像检测的实际应用,预计CV模型不仅可以段均匀的目标地区但也完全确定目标功能异构的结构和具有良好的分割图像(7,8]。恒定强度多相流图像检测模型获得了许多类型的冗余信息在目标边界,即使完成分割,而泼精度降低,因为许多细节被忽略在一个图像9,10]。分析后,基于CV模型的研究,本文提出了一个扩展算法模型名为“全球特征滤波器变分最小化水平集(LS)模型。这个算法可以检测医学图像特征与低对比度的目标,非均匀像素强度、噪声、多节的边界,模型的鲁棒性仍清晰的分割图像。

2。活动轮廓模型(ACM)

CV模型可以提高在很多方面在目前研究成果(11]。常见的思想主要包括以下几点:一是研究的作用和影响图像曲线演化的驱动力,另一个是使用不同的图像保真度方面研究从图像梯度信息的角度。简历的改进算法模型是描述从不同的研究视角12,13]。

经典的CV模型检测可检测异构现象图像和多节的目标图像,而变分分割模型可以快速捕获感兴趣的目标特性在一个图像14,15]。具体情况将在以下部分进行了阐述和分析。

2.1。本地活动轮廓模型(LACM)

变分改进的CV分割模型可以处理图像特性与强度分布不均匀,但其目标图像的细节处理能力仍不足(16]。但是,LACM结合当地信息知识的形象,它使用一个新的图像信息保真项:

的 被定义为图像的平滑函数。LS的当地CV模型能量函数表示为 在这的平均曲率运营商吗 图像大小窗口, 用于处理图像中的噪声。第一个正则化项能量函数使目标轮廓演化曲线的光滑。第二项的能量函数是一个措施保证水平集函数接近的距离函数在图像域 。 是全球拟合项指导的活动轮廓捕获图像的主要结构的目标。

与CV模型相比,本地最小化活动轮廓模型(LMACM)更好的性能在处理低噪声或异构的强度图像目标,和LMACM有更好的捕捉小细节和检测能力比简历模式异构的信息17,18]。然而,当有高强度噪声目标,该方法将处理噪声在图像分割目标,导致很多不必要的分割信息。图1低噪声和异构的图像的分割效果。在图1 (b),CV模型不完全检测图像的边界和细节。在图1 (c)LACM完全检测到目标图像的边界,边界是相对平滑,没有泄漏分割。LACM具有较强的抗噪声能力和捕获目标边界信息的能力比普通CV模型。

2.2。全局活动轮廓模型(GACM)

当图像之间的比较是非常低的背景和分割,CV模型的处理能力有限的局部性原理(19]。GACM基于全球CV模型的功能结合了出色的能力和全局极小化的活动轮廓20.]。全球功能最小化模型的主要思想如下。

首先,演化曲线的长度CV模型表示成重量而言;第二,新变量 是用来定义一个凸函数,在哪里 ;和约束条件的分割图像用于驱动凸函数。然后,最低的进化功能细分模型可以表示为

方程(4)是图像的凸函数 ,在哪里 ,和代表了特征函数。进化的最小化形式变分函数可以表示为 在哪里 和 。当LS保真项和边界检测图像对象的函数项,全球最低LS模型转化为双向进化,也就是说,全球最小分割算法。全球最小化分割算法具有更好的图像分割效果比CV模型,但它仍然有一些缺点。在处理当地的边界,它仍然依赖于像素强度的变化,并捕捉对象的能力不强。图2由GACM显示图像的分割结果。

全球最小化优化ACM可以处理图像强度均匀分布。多相模型也可以处理强度分布。然而,如果图像目标异构分布式强度或两个以上的强度分布,全球最小化ACM和CV模型都无法探测到这样的形象目标。实验的影响全球先生的大脑功能活动轮廓模型图中可以看到图片2。图2(一个)大脑是一个医学图像;它有一个复杂的纹理结构和灰度分布。从图我们可以看到结果2 (b)实验,经过1200次的迭代收敛,虽然大脑灰质和白质的图像有一个明确的分手。算法只能检测图像的结构的一部分,失去了许多特性的细节。这充分表明该算法仍然缺乏足够的适应性与某一强度变化图像,它仍然需要加强研究的适应性和细节处理能力目标灰色的强度变化。在下一节中,滤波器的图像特性微分计算方法将被应用到算法作进一步研究。

3所示。各向异性扩散滤波变分LS

LS模型总是保持作为一个连续的二进制功能在进化过程中,可以解决这个问题的拓扑变化的演变零电平设置曲线没有拓扑变化的表面21]。水平集模型只有一个单一的数据拟合。当图像异构和噪声强度地区,该算法分割图像的能力是有限的和目标无法有效地捕获,已证实在前面的水平集实验(22]。

的想法结合全球和本地图像结构信息的水平集模型来捕捉小细节以外的噪声,这完全可以检测图像的结构信息的目标。局部图像信息是有益的算法来处理目标区域不同强度,和该算法完全可以检测区域的目标结构,而全球形象信息可以用于检测图像的全局结构的目标,和全球图像信息结合当地信息可以捕获重要目标细节除了噪音。

LS模型、本地特色LS模型和GACM前面的部分作了详细研究,并使用图像数据(算法实验已经完成23,24]。通过分析每种方法的特点,介绍了各向异性扩散算法(ADA)进行图像平滑滤波。结合本地和全局极小化算法模型的优点,该方法用于克服线性滤波的缺点,改善图像质量,估计图像的边缘特性的目标,和提高水平集模型分割强度变化,复杂的背景,和强噪声干扰图像的目标(25,26]。

过滤器变分法将二维空间划分为两个一维空间计算。由一维有限差分分离问题被认为是方向, 在这 , ,和 。

同样,考虑一维问题使用类似的方法方向,然后取平均,使用下面的方法: 在这代表了特征矩阵和三对角矩阵。

图3是一个实验的各向异性扩散水平集图像分割的算法。图3(一个)是最初的形象。图3 (b)是像素增强图像,图吗3 (c)平滑滤波的图像。视觉上,不是特别明显的界限两个初始图像,确实很难完全检测图像的主要结构和每个区域的细节。增强和平滑后,图像的主要信息结构突出显示与原始图像相比,但当地的细节仍不明显。图3 (d)基于图像的功能差异计算。边缘很明显在图像增强的特性,特别是加强地方和小的结构。通过计算图像微分的方法,演化函数可以用来指导当地的水平集模型来准确地捕获图像的区域特征。图像特征处理的改进的模型非常类似于高通滤波,可观测到的实验结果,该模型主要有提高了目标的边界特征。医学图像的实验,横向轴,灰质和白质先生不是很清楚在大脑图像过滤变分法来计算。但根据图像平滑作用,突出学科特点,通过计算和目标结构不受影响的添加剂变分法。

4所示。实验和分析

摘要各向异性扩散滤波变分算法相比与当地特色LS LS和全局特性。根据实验结果,当分割目标噪声、低对比度、亮度分布不均匀,该模型可以更好地检测目标图像的范围内。从这些方面进行了以下实验算法的抗噪声能力,能力检测功能,和适应性COVID-19图像分割算法的讨论和分析。

4.1。实验噪声图像

图4是过滤变分水平集算法的应用程序在噪声图像的分割。在图4,盐和胡椒噪声图像的应用程序0.06测试全球最小的变分水平集算法,从纵向冠状动脉大脑先生图像的分割结果的观察,连续进化后400次迭代算法,算法可分为噪声图像的融合目标,经过去噪平滑。如图我们看到理想的分割结果4 (h)。最后,分割区域中突出显示的微分计算经度变化。这个实验表明,改进的变分最小化水平集算法有很好的处理噪音和能力有很强的适应性检测目标数据。

4.2。均匀的图像分割的实验

图5显示了不同的分割模型的实验在一个均匀single-background合成图像的目标。实验显示了CV模型,当地CV模型,和过滤变分水平集模型目标图像分割效果;从实验观察,三种模型的水平集有优势包括均匀分割,对比好目标,理想的治疗效果,算法收敛迅速,和清晰的分割边界没有任何损失的特性。

4.3。多目标分割实验

多相目标涉及到不同强度的分布图像。有多个图像中明显的集群强度分布,和每一个单独的目标被认为是一个集群。图6实验结果显示噪声dual-object图像由不同的算法。

在图6使用两个对象,三个不同的模型测试合成图像。可以看出,这三个模型检测两个目标。在图6相比之下,结果CV模型和本地最小化CV模型获得的目标边界并不是完全光滑,尤其是在角落里或凹边界。全球变分最小化模型完全捕捉图像边界的细节,和能量变分模型的双重目标的能力比CV模型适应形状改变的目标。结果表明,改进的水平集模型取得了较好的结果。

4.4。医学图像分割实验

图7是大脑的一个实验使用日冕矢状图像。实验算法包括CV模型、本地最小化CV模型和过滤器变分最小化LS算法。我们看到实验结果的过滤最小化变分LS模型相对于另外两种算法;它具有更好的捕捉目标主题的功能结构。除此之外,过滤器变分最小化LS方法可以检测大脑灰质和白质的细节通过添加剂的变分处理和最终的分割结果更少冗余的边界。自三个模型初始化图像的中间目标,检测效果的细节在中间的大脑图像是理想和准确地发现在灰质和白质区域。他们的分歧主要集中在图像的边缘。因为这里的灰色强度变化是强烈的大脑图像、拓扑结构变化很多,和边界的检测信息反映了模型的适应性和稳定性的算法。与医学图像数据实验表明,该模型具有良好的能力处理具有复杂拓扑变化的对象,和曲线演化模型的能力更好。

4.5。先生序列图像分割实验

图8先生的实验显示了算法的分割肺图像序列。肺部分的序列图像是64层图像。为了有一定的典型性和代表性的实验中,我们选择6和明显的目标特征图像算法的实验。肺实验图像的目标非常小,它很难段由一个位置,所以全球捕获仍采用的想法。600年以后的迭代算法,该算法最终得到融合的图像分割。从分割效果,肺部脓肿病灶完全分割,分割肺血管结构几乎没有影响。最后,肺部脓肿病灶是通过微分计算,强调结构和细节的目标显然是发现与理想结果。

肺序列切片图像实验表明,该算法具有更高的稳定性比其他检测方法和加工对象有一个强大的图像边缘分割质量和更强的处理能力与不均匀物体图像密度和重叠的灰色结构。

4.6。COVID-19图像分割实验

图9显示了COVID-19图像的分割。测试的可靠性模型在医学图像,从COVID-19 CT图像数据集被用来分割COVID-19图像。在图9,可以看出大多数病变位于背侧肺周围有轻微优势区域。由于特殊的结构和视觉特性,很难区分感染区域的边界和胸壁。因此,一些细分模型未能准确地细分领域COVID-19感染和准确检测医学成像和COVID-19胸部图像。然而,通过将重要的信息添加到模型,提出一个准确分割COVID-19受感染的地区可以获得的图像,如图9 (c)。结果,该模型完全从对比和具有挑战性的背景提取肺部,事实证明,结果更接近手动分割。与其他模型比较表明,该模型提供了更好的图像分割结果。

5。结论

在本文中,我们分析了相关的水平集算法模型和改进的水平集模型。基于变分算法的理论分析模型,我们提出了滤波器变分最小化水平集模型。该算法具有良好的检测能力异构和多相目标图像密度图像。普通的CV模型和局部最小化CV模型也可以处理异构图像和图像有噪声污染,可以部分的主要结构和一些细节的目标,但精度相对较低。水平集模型提出了可以处理分段常数密度图像,得到理想的分割结果。与其它变分模型相比,该滤波器变分水平集模型的分割效果最好,当图像质量提供异构强度、目标背景的图像变化,或灰色结构拓扑变化。它更适应图像结构和有一个非常良好的抗噪声干扰能力。

数据可用性

原始数据集(大脑图像先生和序列图像肺部脓肿)先生在一个公开访问存储库:https://fastmri.med.nyu.edu(fastMRI倡议)。现有COVID-19可用数据集在一个公开访问存储库:https://github.com/ieee8023/covid-chestxray-dataset。

伦理批准

在我们的研究中,没有潜在的可识别的人类图像或数据提出了在这项研究中,并没有人研究提出了手稿。

的利益冲突

其余作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

确认

这项工作是支持的科技甘肃省自然科学基金项目(批准号22 jr5ra275和2023 - 023)和中国国家自然科学基金(批准号62266031)。