融合随机森林的C-V模型肝脏超声图像分割

摘要

医学图像分割是临床诊断的关键环节,分割结果将直接关系到后续对病灶的识别。C-V模型（Chan-Vese）大量应用于各种医学图像分割过程。围绕肝脏超声图像,针对传统C-V模型依赖初始轮廓及运算复杂耗时的特点,融合随机森林方法,提出一种基于边缘引导能量函数和局部约束特征的分割方法,利用随机森林节点生长和分类速度快的优势,在粗分割的基础上形成无需初始化的C-V模型,而后借助分类特征得到精准的肝脏区域及病灶分割结果。实验证明,经过优化的改进方法是可行有效的,对于图像中的组织和病灶区域能有效分割和提取