乳腺MRI图像的全局与局部融合水平集分割方法

本文研究的焦点是"融合全局和局部信息的水平集乳腺MRI图像分割"（GLCCV），针对乳腺核磁共振成像（Breast Magnetic Resonance Imaging, MRI）中常见的灰度不均匀问题进行深入探讨。乳腺MRI因其高分辨率能够提供丰富的组织信息，但灰度不均匀性常常导致图像分割的困难。传统的 Chan-Vese (C_V) 水平集方法主要依赖全局信息进行分割，然而，忽视了局部特征可能导致精度下降。 GLCCV 方法通过巧妙地整合全局和局部信息来改进分割性能。它首先利用C_V方法作为基础，然后引入一个自适应平衡指示函数，这个函数根据局部灰度值与整体平均灰度的相对比例动态调整全局和局部的影响。这种自适应策略使得算法能够更好地适应不同区域的特性，提高分割的精确性和稳定性。 此外，为了防止在迭代过程中频繁地重新初始化，作者还考虑了加入一个惩罚项，这有助于保持模型的连续性和稳定性。通过对比实验，研究结果证实了GLCCV 在处理灰度不均匀的乳腺MRI图像时，无论是抗噪声能力还是分割精度上，都优于仅依赖全局信息的传统方法。 作者团队包括张旭梅（专注于图像处理和模式识别）、范虹（副教授，主要研究方向也是图像处理和模式识别，并且是通信作者）以及乔柱（专注于计算机辅助检测），他们在论文中展示了这一创新方法的研究背景，基金支持以及作者的专业背景。 总结来说，这篇论文的核心贡献在于提出了一种融合全局和局部信息的乳腺MRI图像分割技术，通过改进的指示函数和避免重新初始化的策略，提升了图像分割的性能，对于乳腺MRI图像分析具有实际应用价值。