10、医疗影像与视频对象分割技术解析

医疗影像与视频对象分割技术解析

1. 脑肿瘤分割方法及评估

在脑肿瘤分割领域，运用了多种方法，如k - 均值聚类法、全局阈值法、分水岭算法、区域种子生长算法、可变形模型和基于形态学的模型等。以下是不同方法在图像相关性和结构相似性方面的表现：
| 方法 | 相关性 | 结构相似性 |
| — | — | — |
| K - Mean(KM) | 0.9526 | 1 |
| 全局阈值 | 0.9456 | 1 |
| 分水岭 | 0.9823 | 1 |
| 区域种子 | 0.9487 | 0.9586 |
| 可变形模型 | 0.9452 | 0.9999 |
| 基于形态学的模型 | 0.91267 | 1 |

模糊c均值算法和主动轮廓算法表现出色，均方误差较小，峰值信噪比有显著提升。不过，主动轮廓算法存在一些问题。若初始轮廓与物体边界距离过远，可能无法收敛到物体边界；平滑度增加会扩大轮廓收敛范围，但边缘模糊会增大“捕获”区域；能量缩放因子过大时，轮廓虽能收敛到图像边界，但会沿物体边界抖动，甚至丢失边界信息。

为评估分割结果，采用了四个指标：
- Dice系数 ：用于比较两个样本的相似度，计算公式为 $D = \frac{2 * T_{P}}{2 * T_{P} + F_{P} + F_{N}}$，其中 $F_{P}$ 为假阳性，$T_{P}$ 为真阳性，$F_{N}$ 为假阴性。
- 均方误差（MSE） ：对比了单独使用FCM算法和结合主动轮廓方法与模糊技术检测脑肿瘤的MSE，结果如下表所示：