胰腺的自动分割一直是医学图像分割中一项具有挑战性的问题。胰腺是一个具有高度解剖变异性的器官, 目前的多图谱分割方法很难对胰腺的边缘产生精确的分割。针对这一问题, 采用了基于多图谱配准的分割算法对胰腺进行分割, 优化了一种局部动态阈值的后处理方法。在标签融合阶段, 采用概率阈值融合算法、Majority voting(MV)算法、STAPLE算法和SIMPLE算法四种标签融合算法进行对比。在后处理阶段, 采用局部动态阈值处理方法, 首先通过初步分割结果对目标图像提取目标区域, 然后自动确定阈值实现该区域的二值化, 最终与初步分割结果取交集作为最终分割结果。采用留一交叉验证策略对80例NIH胰腺CT图像和22例来自上海本地医院的胰腺CT图像进行分割, 最终得到的DSC分别为79.98%和81.30%。实验结果表明, 所提方法实现了对胰腺的有效分割。

为有效提高海马体多图谱分割算法的精度, 将U-Net卷积神经网络用于海马体MR多图谱分割的标签融合。算法在图谱选择阶段, 计算互信息、梯度相似性选择图谱, 避免周围组织结构对图谱选择的干扰, 选择与目标图谱更贴合的浮动图像组。在预处理阶段, 提取以海马体为中心的感兴趣区域有效降低数据规模。在配准过程中, 利用重采样代替粗配准环节, 减少了“粗”配准环节所需时间, 再采用具有良好的平滑性、连续性和拓扑保持性的微分同胚Demons精配准算法。在标签融合阶段, 提出基于深度学习理论改进的U-Net多图谱MRI海马体分割算法。实验结果表明, 改进的算法分割精度较于传统算法平均提高了5%, 算法时间缩短了50%左右。改进后的基于U-Net的多图谱海马体分割算法对目标图像海马体的分割具有高精度、高效率的特点。