典型文献
MRI脑肿瘤图像的超像素/体素分割及发展现状
文献摘要：
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.
文献关键词：
图像处理;磁共振成像(MRI);超像素/体素;脑肿瘤分割;评价指标
中图分类号：
作者姓名：
方玲玲;王欣
作者机构：
辽宁师范大学计算机与信息技术学院,大连 116000
文献出处：
引用格式：
[1]方玲玲;王欣-.MRI脑肿瘤图像的超像素/体素分割及发展现状)[J].中国图象图形学报,2022(10):2897-2915
A类：
Turbopix
B类：
分割算法,结构信息,分至,一子,子区域,局部特征,边缘信息,磁共振成像,magnetic,resonance,imaging,医学图像,算法性能,脑肿瘤分割,挑战赛,Multimodal,Brain,Tumor,Segmentation,Challenge,BraTS,超像素分割,召回率,错误率,紧密度,评测,指标分析,算法分析,图论,graph,normalized,cut,随机游走算法,lazy,random,walk,特征区域,区域提取,基于密度的聚类算法,density,spatial,clustering,applications,noise,DBSCAN,谱聚类,linear,spectral,LSC,肿瘤边界,信息特征,邻域信息,信息表达,持正,正则,els,简单线性迭代聚类,聚类分割,simple,iterative,algorithm,SLIC,加完,紧凑,特征描述,柔和,最新发展,发展动态,实验对比,可看,出超
AB值：
0.466913
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
