由于医疗图像质量差、对比度低、患者之间差异大导致全自动分割方法很难获得足够准确、鲁棒的结果。为了解决全自动分割方法的局限性, 本文提出一种基于神经网络改进的区域生长法, 并与全卷积神经网络相结合对肝脏CT图像进行交互式分割。首先对图像进行预处理, 突出待分割肝脏区域; 接着计算像素在不同边缘检测算子下的梯度值作为该像素的特征, 形成像素特征向量训练网络: 该网络以一对像素特征向量为输入, 以两像素的关联度系数为输出; 然后将训练好的神经网络模型作为区域生长算法的生长准则, 手动交互选取一点产生分割结果; 最后将分割结果作为原图的交互信息和原图灰度通道连接在一起一同输入全卷积神经网络。实验结果表明: 平均Dice系数达到96.69%, 像素准确率达到99.62%, 平均交并比达到9665%。不同的腹部CT图像序列中肝脏的分割结果表明, 该方法能精确提取肝脏区域, 满足临床应用的需求。

为了对传统体素生长算法加以改进,提取心脏局部血管,在三维心脏组织的感兴趣局部血管上勾画初始体素种子点,将初始体素的相邻体素中灰度直方图相似的体素添加到生长体素集合中,作为新的种子点按照生长规则继续寻找相似体素。为了防止体素生长过程中出现泄漏,设置终止规则限制体素生长的边界,进而找到感兴趣血管包括的全部体素。通过对体素生长算法的生长规则和终止条件的进一步改进,在一定程度上解决了传统体素生长算法交互性差、运行不实时等问题,测试结果表明该算法的准确度高、稳健性好,是心血管疾病临床治疗过程中有效的影像辅助工具。