医学图像分割方法研究论文
眼底图像分割算法及应用研究
眼底图像分割算法及应用研究一、眼底图像分割的基本原理及算法研究在本论文中，我们将聚焦于眼底图像分割的基本原理及算法研究。
首先，我们将介绍眼底图像分割的背景与意义，为读者铺陈研究该领域的重要性。
接下来，我们将梳理眼底图像分割的基本原理，包括采集眼底图像、预处理与预处理流程、图像分割技术、分割效果的评估等。
然后，我们对眼底图像分割的相关算法进行详细的介绍、分析及比较，包括基于传统算法（如阈值分割算法、固定重心算法、区域生长算法等）的眼底图像分割算法，以及基于深度学习算法（如卷积神经网络、全卷积网络、U-Net等）的眼底图像分割算法。
在算法比较中，我们将针对不同算法的优缺点进行分析、比较与展望，为读者更好地了解各种算法的特点，从而选择最为合适且最为优秀的算法。
二、眼底图像分割算法实现的技术细节与步骤在本论文中，我们将从实现眼底图像分割算法的技术细节和步骤出发，系统地讲解如何实现高效且准确的算法。
具体而言，我们将介绍双目图像的预处理、图像边缘检测及均衡化、直方图的均衡化、自适应阈值分割、形态学处理、改进的区域生长算法、半监督学习等步骤。
在每个步骤中，我们将提供详细的实现技巧、代码框架，以及相应的优化方法。
而在整个算法实现过程的最后，我们将借着开源平台PyTorch，搭建一套完整的眼底图像分割实现流程，帮助读者快速而准确地实现该算法；同时，我们将提供一套代码的详细注释以及详细的改进策略。
三、眼底图像分割算法的优化细节与方案在本论文中，我们将探讨眼底图像分割算法的优化细节与方案。
具体而言，我们将介绍在不同算法环节中，如何利用GPU/CPU并行计算与矩阵运算技术、CUDA指令优化技术等方法来提高算法效率。
在算法优化中，我们将分别分析传统算法与深度学习算法的优化方法，并且介绍如何通过辅助训练、跳过异常样本等技巧提高算法的准确率。
在本部分中，我们将通过实验数据和代码实现，来展示各种优化方法的效果。
四、眼底图像分割算法在眼科医学中的应用在本论文中，我们将探讨眼底图像分割算法在眼科医学中的应用。
医疗影像处理中的图像分割方法研究
医疗影像处理中的图像分割方法研究一、引言医学影像处理是一门综合性的学科，广泛应用于医学诊断、病理分析以及医疗决策等方面。
图像分割是医学影像处理的重要环节，其目的是将医学图像中的组织、结构进行区分和分割，为医生提供清晰的图像信息，以辅助医学诊断。
因此，研究医疗影像处理中的图像分割方法具有重要的意义。
本文将综述医疗影像处理中的图像分割方法的研究进展。
二、基于阈值的图像分割方法基于阈值的图像分割方法是最简单且常用的方法之一。
该方法基于图像灰度值的分布特点，通过对图像中像素灰度值进行阈值确定，将图像分割为两个或多个区域。
然而，由于医学图像通常具有复杂的灰度分布和噪声等问题，简单的阈值法往往无法得到理想的分割效果。
三、基于边缘的图像分割方法基于边缘的图像分割方法利用图像中物体之间的边缘信息进行分割。
该方法通过检测图像中像素灰度值的变化，从而确定物体的边缘位置。
常用的边缘检测算法包括Sobel算子、Canny算子等。
然而，由于医学图像中边缘信息不明显且存在噪声，基于边缘的图像分割方法往往容易受到噪声的干扰，导致分割结果不准确。
四、基于区域的图像分割方法基于区域的图像分割方法基于图像的统计特性和区域连通性进行分割。
该方法首先将图像划分为多个区域，然后通过合并或分割区域，实现对图像的分割。
常用的基于区域的图像分割方法包括基于区域的生长法、基于区域的分裂与合并法等。
然而，由于医学图像的复杂性和多样性，基于区域的图像分割方法往往会受到图像中结构和纹理的干扰，影响分割结果的准确性。
五、基于特征的图像分割方法基于特征的图像分割方法基于图像的特征信息进行分割。
该方法通过提取图像中像素的特征向量，将图像分割为不同的类别。
常用的特征包括颜色、纹理、形状等。
由于医学图像中的目标具有特定的形态特征和纹理特征，因此基于特征的图像分割方法在医疗影像处理中得到了广泛的应用。
然而，由于特征的选择和提取需要结合具体的应用场景和问题，因此在实际应用中需要根据不同的要求进行调整和优化。
图像分割算法在医学图像处理中的应用研究
图像分割算法在医学图像处理中的应用研究随着人工智能的快速发展，图像分割算法在医学图像处理中的应用也越来越多。
图像分割算法能够将医学图像中的各个部分分离出来，有助于医生对患者的诊断和治疗。
本文将探讨图像分割算法在医学图像处理中的应用研究。
一、医学图像处理医学图像处理是指应用计算机技术对医学图像进行处理的过程。
这些图像可以是X线影像、CT影像、MRI影像等。
医学图像处理能够帮助医生更好地诊断和治疗患者。
医学图像处理涉及到许多技术，其中最常用的是图像分割算法。
下面将详细介绍图像分割算法在医学图像处理中的应用。
二、图像分割算法图像分割算法是指将一张图像分成若干个部分，每个部分具有一定的相似性。
在医学图像处理中，图像分割算法能够将病变区域分离出来，从而帮助医生更好地诊断和治疗患者。
目前，常用的图像分割算法有阈值分割算法、区域分割算法、边缘分割算法、基于能量优化的分割算法等。
下面将详细介绍这些算法的原理及在医学图像处理中的应用。
1. 阈值分割算法阈值分割算法是指通过设定一个阈值，将图像中灰度值低于该阈值的像素点作为背景，灰度值高于该阈值的像素点作为前景。
阈值分割算法简单、易于实现，因此在医学图像处理中被广泛应用。
阈值分割算法在医学图像处理中的应用有很多，如诊断眼底病变、肝癌检测等。
2. 区域分割算法区域分割算法是指将一个图像分成若干个局部区域，每个区域具有一定的相似性。
区域分割算法通常分为两类：基于区域的分割和基于边界的分割。
在医学图像处理中，区域分割算法通常用于肺部图像的分割、MRI图像的分割等。
3. 边缘分割算法边缘分割算法是指将图像中的边缘分离出来。
边缘分割算法通常是基于梯度运算的，即通过计算像素点周围的梯度值，将边缘分离出来。
在医学图像处理中，边缘分割算法通常用于诊断骨折、股骨头缺血等骨科疾病。
4. 基于能量优化的分割算法基于能量优化的分割算法是指通过对图像像素点的能量进行优化，将图像分成若干个区域。
基于深度学习的医学图像分割方法研究共3篇
基于深度学习的医学图像分割方法研究共3篇基于深度学习的医学图像分割方法研究1基于深度学习的医学图像分割方法研究医学影像分析在临床诊断和治疗中扮演着重要的角色。
医学影像分析从图像中提取医学信息，帮助医生更好地诊断患者并制定治疗方案。
然而，大量医学影像数据需要分析，而且这些数据通常包含大量噪声和复杂的结构，因此对医学影像进行分析和诊断是一项具有挑战性的任务。
为了解决这个问题，深度学习技术已经被引入到医学图像处理中。
深度学习通过学习复杂函数来提取高级特征，已经在许多领域取得了卓越成果。
在医学图像处理中，深度学习技术能够自动提取和学习大量的特征，提高医学图像分割的准确性和速度。
在深度学习的基础上，研究人员提出了各种医学图像分割方法。
卷积神经网络（CNN）是深度学习中最常用的模型之一，已经被广泛用于医学影像分割。
CNN模型能够学习到图像的局部特征，并将它们组合成更高级的特征，从而实现对图像的精细分割。
例如，一种基于CNN的医学影像分割方法是U-Net，该方法使用CNN网络进行学习和训练，并将输出的结果与输入的结果进行比较，再进行调整和优化，以实现更准确的分割。
此外，还有许多其他的深度学习模型被应用于医学图像分割中，例如递归神经网络（RNN）、长短期记忆网络（LSTM）、深度置信网（DBN）等，这些模型在医学图像分割中也表现出了很好的效果。
然而，采用深度学习方法进行医学图像分割时还存在一些问题。
首先，在医学图像分割中，显著的不均衡性是一个普遍的问题。
因为病变区域只占总体图像的一小部分，而正常区域则占大多数，导致算法倾向于错误地将病变区域划分为正常区域。
为了解决这个问题，研究人员提出了各种方法，如加权交叉熵损失函数、Dice系数等。
除此之外，还存在一些问题，如样本缺乏和容易受到噪声和图像质量的影响等。
针对这些问题，研究人员在医学图像分割中采用了数据增强、自适应模型优化等方法，以提高模型的鲁棒性和稳定性。
综上所述，采用深度学习方法进行医学图像分割是一项具有前景的研究，但仍需要进一步完善和优化。
医学图像分割算法的研究与应用
医学图像分割算法的研究与应用随着医学成像技术的不断发展，医学图像的获取和处理已成为医学研究和应用的重要手段。
医学图像分割作为医学图像处理中的一项核心任务，旨在将医学图像中各种组织结构分离出来，为疾病诊断、治疗、手术规划等提供重要支持。
因此，医学图像分割具有广泛的应用前景和深远的社会价值。
本文将介绍医学图像分割算法的研究进展和应用现状。
一、医学图像分割算法的研究进展医学图像分割算法可以分为基于区域的算法和基于边缘的算法两类。
基于区域的算法主要依靠局部像素的灰度值和颜色等信息来划分不同区域，包括常见的阈值分割、区域生长法、分水岭算法等。
基于边缘的算法则是寻找图像中像素间不连续的边缘位置，并以此为分割标准，包括Canny算子、Sobel算子、拉普拉斯算子等。
目前，医学图像分割算法中以阈值分割和分水岭算法为代表的基于区域的算法相对成熟，且效果较好，故本文将着重介绍这两种算法。
1. 阈值分割算法阈值分割算法是一种简单且易于实现的医学图像分割算法，其基本思想是将灰度值高于或低于某一固定阈值的所有像素划分为不同的区域。
阈值分割算法常用的几种方法包括手动选择阈值、Otsu法、迭代阈值法、局部阈值法等。
手动选择阈值法最简单，但由人为选择阈值的主观性和局限性使其不适应于自动化复杂分割场景。
Otsu法是一种基于图像全局灰度值信息的阈值选择方法，其优点在于完全自动化。
迭代阈值法则是先对图像进行平滑滤波处理，再迭代选择最优阈值。
局部阈值法则将图像分成不同大小的块，对每个块选择不同的阈值，适应于局部纹理差异较大的图像。
2. 分水岭算法分水岭算法是一种基于灰度图像的监督学习算法，主要应用于医学图像中不同区域的分割。
它类比于地形地貌中的山谷和山峰的分布规律，将图像中像素视为山体地貌，通过洪水填充局部低洼处形成不同的水池一一即为不同的区域。
此外，还可以通过对分水岭算法的改进，比如光滑边缘和避免过分分割等，来提高分割效果。
二、医学图像分割算法的应用现状医学图像分割作为医学图像处理中的核心任务之一，已广泛应用于医学研究和临床应用中。
医学CT图像分割方法研究共3篇
医学CT图像分割方法研究共3篇医学CT图像分割方法研究1医学CT图像分割方法研究随着医学科技的不断发展，现代医学已经离不开医学图像。
其中，医学CT图像是医生在诊断和治疗疾病时使用最多的一种医学图像。
CT图像能够提供非常有用的解剖结构信息，但是在医学实践中，医生往往需要将图像中感兴趣的区域或者器官进行分割，这对于医生来说具有十分重要的临床意义。
因此，在现代医学中，医学CT图像的分割技术也得到了极大的关注。
目前，医学CT图像分割技术中应用比较广泛的方法主要有以下几种：1. 基于阈值分割法阈值分割法是常见的分割方法之一，它是根据医学图像灰度值的特性来分割图像的。
该方法通过设定阈值，将图像中大于和小于阈值的像素点分成两个区域，以此来实现图像分割。
该方法实现较为简单，但受到图像噪声和灰度逐渐变化等因素影响较大，因此在临床上并不是最理想的方法。
2. 基于边缘检测算法边缘检测算法也是医学CT图像分割中一种经典的方法。
它利用图像中的边缘信息来进行分割。
常用的边缘检测算法有Sobel、Prewitt、Canny等。
该方法具有较高的精度，但对于图像中灰度分布均匀、边缘不明显的情况下，其分割效果会受到较大的影响。
3. 基于区域生长的方法区域生长法是一种基于像素相似性的图像分割方法，它不需要设置任何参数，完全基于图像本身的特征来进行分割。
该方法首先选择种子点，然后通过像素相似性来将其它像素靠近种子点的分到同一个分割区域中。
该方法对图像中存在明显分界线的情况下有效，但对于噪声和灰度分布均匀的图像分割效果较差。
4. 基于机器学习的方法机器学习算法是近年来医学CT图像分割方法中应用十分广泛的一种技术。
包括支持向量机、随机森林等机器学习算法。
该方法通过采用大量已知的医学图像来训练分类器，然后使用训练好的分类器来对新的医学图像进行分割。
该方法准确度较高，但在训练分类器的过程中需要大量的数据和时间。
以上是当前医学CT图像分割方法中应用比较广泛的几种方法，其中每种方法都有其优缺点，并没有一种方法适用于所有的医学图像。
医疗影像处理中的图像分割算法研究
医疗影像处理中的图像分割算法研究现代医学中，影像学的发展已经成为一个不可分割的部分。
使用医疗影像技术可以实现对人体内部组织结构的非侵入式探测，为医学诊断提供有力的支持。
然而，由于身体内部结构的复杂性以及影像学成像过程中受到的干扰因素，造成的一系列图像质量和分析难度方面的问题，影响了影像学的应用。
其中，图像分割算法作为一种重要的数据处理技术，大大促进了影像学技术的发展。
图像分割是指将数字图像划分成若干个不相交、不重叠的区域的过程。
图像分割是医学影像处理中最基础的任务之一，它反映了影像学图像处理技术的水平。
本文将重点研究医疗影像处理中图像分割算法的开发和应用，探讨图像分割算法在影像学工作中的作用和意义。
1、医学影像中的图像分割在医学影像中，图像分割的目的是将影像区域的像素划分为一个或多个区域，每个区域代表不同的组织或病变部位。
这些分割区域可以进一步应用于特定的医学诊断或治疗。
图像分割的主要方式分为基于区域、基于边缘、基于阈值等不同方法。
其中，基于区域的分割方法被广泛应用于医学影像处理中。
基于区域的图像分割方法是将相邻的像素按照其某些共同特征划分成一个区域，不同区域之间应该具有较强的差异性。
医学影像中的图像分割在医疗影像诊断、治疗中具有极其重要的意义。
医学影像图像的分割可以实现对影像中的组织结构和病变区域的自动识别和定位，进一步实现“病灶分割”、“量化分析”、“形态学参数提取”、“病变分级”和“导航引导”等功能。
这有力促进了医学影像学的发展，也具有很高的临床应用价值。
2、医学影像分割算法的发展目前，常用的医学影像分割算法有阈值分割方法、区域生长算法、区域分裂与合并算法、水平线算法、边缘分割算法、模型分割方法、神经网络分割方法、基于能量泛函的曲线演化方法等。
这些分割方法在不同的医学影像分割任务中有着各自的优劣和适用性。
2.1 阈值分割阈值分割方法是医学影像分割问题最简单的方法之一。
主要思路是根据不同的灰度阈值来将图像像素分成两类，即目标和背景。
基于深度学习的医学图像分割方法研究
基于深度学习的医学图像分割方法研究一、本文概述随着深度学习技术的快速发展，其在医学图像分割领域的应用也日益广泛。
医学图像分割是医学图像处理的重要任务之一，旨在将图像中的不同组织或病变区域进行精确划分，以便于后续的医学分析、诊断和治疗。
本文旨在探讨基于深度学习的医学图像分割方法，重点分析不同算法的原理、优缺点及适用场景，以期为提高医学图像分割的准确性和效率提供理论支持和实践指导。
本文首先对医学图像分割的意义进行阐述，指出其在现代医学中的重要性。
然后，介绍深度学习在医学图像分割领域的发展历程和现状，概述不同深度学习模型在医学图像分割任务中的应用情况。
接着，重点分析几种主流的深度学习医学图像分割方法，包括卷积神经网络（CNN）、循环神经网络（RNN）、生成对抗网络（GAN）等，详细阐述它们的原理、特点和适用条件。
本文还将探讨这些方法的优缺点，以及在实际应用中可能遇到的问题和挑战。
本文将对未来基于深度学习的医学图像分割方法的发展趋势进行展望，探讨可能的改进方向和研究热点。
通过本文的研究，我们期望能为医学图像分割领域的发展提供有益参考，为医学图像处理技术的进步贡献力量。
二、深度学习基础深度学习（Deep Learning）是机器学习的一个子领域，主要是通过学习样本数据的内在规律和表示层次，让机器能够具有类似于人类的分析学习能力。
深度学习的最终目标是让机器能够识别和解释各种数据，如文字、图像和声音等，从而实现的目标。
深度学习的核心是通过构建深度神经网络（Deep Neural Network，DNN）来实现数据的自动特征提取和分类。
深度神经网络由多个隐藏层组成，每一层都对输入数据进行非线性变换，从而提取出更高层次的特征。
随着网络层数的增加，网络可以提取到更加抽象和复杂的特征，进而实现更加精确的分类和识别。
在医学图像分割中，深度学习技术可以通过训练深度神经网络模型来自动提取图像中的特征，进而实现医学图像的自动分割。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
医学图像分割方法研究
摘要：医学图像分割属于图像分割技术领域，它能把医生感兴趣的图像提取出来，从而进行定量分析或识别。
医学图像分割方法众多，但是没有一种通用的方法可以适应于任何医学图像。
本文详细研究了两种实用的医学图像分割方法：阈值法和区域生长法。
关键词：医学图像分割，阈值法，区域生长法
近年来，随着信息技术和计算机技术的飞速发展，医学成像技术也迈上了一个新的台阶，人们能够获得大量高分辨率的医学图像，如：计算机断层成像（computed tomography,ct）、核磁共振成像（magnetic resonance imaging，mri）、超声成像（ultrasonography,us）等技术已经广泛应用于医疗诊断、术前计划、治疗、术后监测等各个环节。
但是，各种医学成像设备得到的图像包含了大量多余的信息，而医生往往只对图像中的一部分感兴趣，于是医学图像分割技术应运而生，它实质上属于图像分割技术领域。
目前，医学图像分割主要以各种细胞、组织和器官的图像作为处理的对象或内容。
1 医学图像分割
所谓图像分割，就是把不同的区域块分开，这些区域块之间不能出现交集。
医学图像分割具有重要的现实意义，因为医学成像设备拍摄的图像中含有大量的器官或组织等结构，而医生只需要其中的某一部分结构进行病灶分析，所以需要借助分割技术提取出重要信息。
为了区分开不同的区域块，在医学图像分割时可以借助灰度、
颜色、纹理、局部统计等特征。
尽管人们根据自己的需求不同，对图像分割给出了多种不同的定义，但是用集合的概念进行定义使它具有统一性。
整个图像区域构成一个集合，把集合划分成若干个非空子集的过程，就是实现分割的过程。
这些非空子集(即子区域)r1，r2，…，rn必须同时满足以下五个条件：
(1) ；
(2) 任何i和j，i≠j，有ri∩rj=φ；
(3) 当i=1，2，…，n时，有p(ri)=true；
(4) 若i≠j，则p(ri∪rj)=false；
(5) 如果i=1，2，…，n，则ri是连通区域。
其中p(ri)是对所有存在于集合ri中的元素的逻辑谓词，φ代表空集。
2 医学图像分割方法
自上世纪六十年代以来，人们就开始了图像分割方法的研究，成果颇多，至今已经出现了上百种的分割算法，几乎每一种算法在医学图像分割中都有相关的应用，而且分割算法的数量还在逐年增加[1]。
尽管人们在医学图象分割方面做了很多研究工作，由于尚无通用的分割理论，因此现已提出的分割算法大都只是针对具体的问题，并没有一种适合于所有图像的通用的分割算法。
也尽管有人试图对分割目标建立模型并利用模型来进行分割，但并不太成功。
此外，给定一个实际的图象分析问题，要选择合适的分割算法也还没有一种
标准的方法。
这些都给医学图像分割技术的应用带来了许多实际问题。
最近几年又出现了许多新思路、新方法以及新的改进算法。
按照经典理论可以将医学图像分割方法分为阈值分割方法、边缘检测方法、区域生长方法和结合特定理论工具的分割方法等四大类[2]。
2.1 阈值分割法
阈值分割方法，在图像分割领域，一直占有重要的地位，它是首先发展起来的几个经典方法之一。
它由两类组成，即单阈值分割和多阈值分割。
阈值分割法的最大优势是实现简单，由于不同类型的物体，它们的灰度值或其它特征值都存在非常大的差异，在这种情形下，它能够实现有效的分割。
很多研究者发现，阈值分割方法对ct 图像分割效果非常好，特别适用于ct图像中的皮肤和骨骼的提取。
2.1.1 单阈值分割
通过阈值化处理将多灰度图像转化成目标图像，单阈值分割公式表示如下2.1所示：
(2.1)
式中：f(x,y)是原始图像，g(x,y)是目标图像，t是阈值，g0和gb表示灰度值，它们分别是单阈值化后的目标像素灰度和背景灰度值。
在实际的ct图像分割应用中，ct值大于阈值t的情况按原灰度值输出，即g0保留原图像的灰度值；其值小于阈值t的时候，设置成背景灰度值，即gb被赋值为黑色[3]。
下图1分别给出了按不同单阈值分割后的效果。
2.1.2 多阈值分割
多阈值分割的目的是将多灰度图像分成只有目标和背景区域[4]。
用一个双阈值分割的例子说明，定义如下：
(2.2)
式中：f(x，y)是原始图像，g(x，y)是经双阈值操作后的三值目标图像，t1和t2还是表示阈值，g0、g1、g2三个分别表示目标像素灰度。
应用在本论文中，小于t1的时候，按背景色输出，即g0是黑色。
下图2是将ct图像进行多阈值分割的结果图，其中，图a 是原始图像，图b是设置不同多阈值的分割效果。
(a) 原始ct图像 (b) t1=1152，t2=1926时的分割效果
图2 多阈值分割结果图
2.2 区域生长法
区域生长法将分割过程分解为顺序的多个步骤，其中前后步骤之间有关联，后续步骤的进行依赖于前面步骤的结果[5]。
它能有效的分割出复杂的图像，特别是当得不到足够的先验知识时。
同时，区域生长法在分割小的结构时占有相当高的优势。
首先在待分割的区域中选出要作为生长的起始像素点，即种子。
种子根据生长规则p把它周围邻域中与自己有相同或相似性质的像素点合并到其所在的区域，把这些新合并进来的像素点当作新的种子点继续进行上面的过程，到不再有符合生长规则的像素包括进来为
止。
此时，形成的各区域便是待求的最终分割结果，生长规则p可以自己制定，一般形式如2.3所示[6]： (2.3)
式子表示的意义是，在每一次的生长过程中，对任何一个区域
ri(i=1,......n)，检测其区域边界邻域上的像素x是否已经被划分；若无，则判断上式的真假性；若成立，就将x纳入区域ri。
式中的生长规则p决定了像素如何并入区域的过程，通常采用∣
f(x)-mr<t∣的式子来表达被划分进区域ri的像素，像素的灰度f(x)要与区域ri的均值mr相近，当然，p也可以采用其它表示形式。
3 总结
由于医学图像本身的复杂性，要从中提取出医生感兴趣的区域更非易事。
尽管人们在医学图像分割方面做了很多研究工作，由于尚无通用的分割理论，因此现已提出的分割算法大都只是针对具体的问题，并没有一种适合于所有图像的通用的分割算法。
阈值法和区域生长法属于比较经典的理论，目前这两种方法一般不单独使用，往往和一些新方法联合使用。
经过多年的发展，阈值法和区域生长法在原有理论的基础之上进行了创新，分割效果越来越理想。
[1] 杨云峰，苏志勋，胡金燕．一种保持边缘特征的图像插值方法[j]
[2] kenneth r，castleman．digital image processing [m]
[3] sahoo p. k, soltani s.．a survey of thresholding techniques[j]
[4] 韦洪力，于新波，赵文仓．基于多小波的医学图像阈值分割算
法研究[j]
[5] 安新军，刘太安，闫长青．改进区域生长的医学超声图像分割方法研究[j]
[6] 苗语，王艳春，郭乃珠．基于边缘检测终止条件的区域生长算法[j]。