具有用于医学图像分割的自动初始化和控制参数的新型水平集模型

在本文中，提出了一种无需手动生成初始轮廓和手动设置控制参数的水平集模型来进行医学图像分割。 本文的贡献主要体现在三个方面。 首先，我们提出了一种基于全局图像信息的自适应均值漂移聚类方法，以指导水平集的演化。 通过简单的阈值处理，均值漂移聚类的结果可以自动，快速地生成水平集演化的初始轮廓。 其次，基于聚类结果和图像特征，我们设计了几个新功能来估计水平集演化的控制参数。 第三，采用React扩散法代替RSF-level集模型的距离正则项，可以有效地提高分割的准确性和速度，而无需人工干预。 实验结果证明了该模型在医学图像分割中的性能和效率。