CN102436584B - 基于字典学习的胃部ct图像感兴趣区域检测系统 - Google Patents
基于字典学习的胃部ct图像感兴趣区域检测系统 Download PDFInfo
- Publication number
- CN102436584B CN102436584B CN 201110346515 CN201110346515A CN102436584B CN 102436584 B CN102436584 B CN 102436584B CN 201110346515 CN201110346515 CN 201110346515 CN 201110346515 A CN201110346515 A CN 201110346515A CN 102436584 B CN102436584 B CN 102436584B
- Authority
- CN
- China
- Prior art keywords
- dictionary
- interest
- image
- interested
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于字典学习的胃部CT图像感兴趣区域检测方法,主要解决现有胃部CT图像中包含无关信息较多的问题。整个系统包括:训练单元和测试单元;训练单元,首先生成训练图像块,再对训练图像块提取特征值组成感兴趣矩阵和不感兴趣矩阵,最后采用字典学习方法训练得到感兴趣字典和不感兴趣字典;测试单元,先输入待测试图像,再对待测试图像进行脂肪组织的检测,并去除脂肪组织边缘,最后对脂肪组织中的淋巴结空洞进行填充,得到包含淋巴结的感兴趣区域,并输出检测结果。本发明能有效去除胃部CT图像的无关信息,保留医生感兴趣的淋巴结,可用于医学图像的处理。
Description
技术领域
本发明属于图像处理技术领域,特别是涉及医学影像处理,可用于医学影像的感兴趣区域检测及其辅助诊断。
背景技术
近年来医学影像技术发展迅速,使临床医生对人体内部病变部位的观察更直接、更清晰,确诊率也更高。计算机辅助诊断(ComputerAided Diagnosis简称为CAD)技术被称为医生的“第二双眼睛”,主要研究如何通过图像处理技术对这些医学影像信息进行有效的处理,辅助医生的诊断甚至进行手术规划,具有重大的社会效益和广泛的应用前景。医学图像处理技术作为计算机辅助诊断的关键不断发展,各学科的交叉已是必然的趋势,但其中还有很多问题亟待解决,特别是随着远程医疗的蓬勃发展,对医学图像处理与分析提出的要求也越来越高,所以进一步研究医学图像处理与分析具有十分重要的意义。
目前的医学影像研究主要为乳腺X线影像,肝部CT影像,由于胃部CT影像包含内容较为复杂,所以对于胃部CT影像的研究仍处于初期阶段。2000年全球新发胃癌病例87.6万,死亡64.6万,死亡率位居第二,其中新发病例35%在我国统计数据表明,胃癌占全部恶性肿瘤死亡的23.2%,在恶性肿瘤死亡率中位居第一位,所以对胃部CT图像的研究具有十分重要的意义。现有胃癌的诊断与治疗手段包括传统根治手段、腹腔镜手术、内镜切除手术等,医生在术前一般需要先对病人的CT影像进行初步的诊断,通过发生癌变的淋巴结数目以及大小等信息判断病人的N分期,然后依据判断结果进行手术。而依据医生的临床经验,淋巴结一般只存在于脂肪组织中,其他脏器如肝脏、胰脏、血管等在检测淋巴结时都属于影响医生判断的冗余信息,因此,研究计算机辅助技术检测胃部CT图像的感兴趣区域具有很大的应用需求。
发明内容
本发明的目的在于针对胃部CT影像所含信息复杂问题,提出一种基于字典学习的胃部CT图像的感兴趣区域检测系统,以去除胃部CT影像中无关的信息。
为实现上述目的,本发明提供基于字典学习的胃部CT图像感兴趣区域检测系统为由计算机软件构成的虚拟系统,包括:
训练图像块生成模块,用于从医院提供的25幅图像中随机选择10幅作为训练图像,并在每幅图像中截取32个感兴趣图像块和36个不感兴趣图像块,其中每个图像块大小为5×5,共得到感兴趣组320个图像块和不感兴趣组360个图像块;
训练图像块特征提取模块,用于分别对得到的两组图像块中的每个图像块提取15维的梯度特征值和25维的灰度特征值,每个图像块对应的得到一个40维的特征向量,用感兴趣图像块组320个图像块得到的320个40维的特征向量组成一个行数为40、列数为320的感兴趣矩阵X1,用不感兴趣图像块组360个图像块得到的360个40维的特征向量组成一个行数为40、列数为360的不感兴趣矩阵X2;
字典的生成模块,用于对感兴趣矩阵X1和不感兴趣矩阵X2采用字典学习方法K-SVD分别生成感兴趣字典D1和不感兴趣字典D2;
测试图像输入模块,用于输入待检测感兴趣区域的原始图像F;
脂肪组织检测模块,以原始图像F的每个像素点q为中心取5×5的邻域得到像素块Q,对像素块Q提取15维的梯度特征值和25维的灰度特征值,组成一个40维的特征向量v,用感兴趣字典D1和不感兴趣字典D2分别采用匹配追踪算法OMP逼近特征向量v,得到逼近误差e1和e2,如果e1<e2则认为该像素点q为感兴趣像素点,标记类标为1,如果e1≥e2则该像素点q为不感兴趣点,标记类标为0;将原始图像F中类标为0的像素点的灰度值赋值为0,保持原始图像F中类标为1的像素点的灰度值不变,得到脂肪图F1;
脂肪组织边缘切除模块,用于切除脂肪图F1中最外层的脂肪组织,即检测F1中影像信息的最外层边缘,并以F1中坐标为(256,256)的像素为中心点O,沿最外层边缘一周向中心点O以30个像素大小为半径缩进,得到感兴趣脂肪图F2;
淋巴结填充模块,用于填充感兴趣脂肪图F2中的淋巴结空洞,即对感兴趣脂肪图F2的每个像素点,以该像素点为中心,将0°到360°方向均分为32个方向,如果某个方向50个像素大小的半径上存在灰度值非0的像素点,且超过28个以上的方向满足条件,则将该像素点灰度值赋值为原始图像F中对应的灰度值,得到感兴趣区域检测结果图F3;
感兴趣区域输出模块,输出显示感兴趣区域检测结果图F3。
为实现上述目的,本发明提供基于字典学习的胃部CT图像感兴趣区域检测方法,包括如下步骤:
(1)训练图像块生成步骤,从医院提供的25幅图像中随机选择10幅作为训练图像,并在每幅图像中截取32个感兴趣图像块和36个不感兴趣图像块,其中每个图像块像素大小为5×5,共得到感兴趣组320个图像块和不感兴趣组360个图像块;
(2)训练图像块特征提取步骤,分别对得到的两组图像块中的每个图像块提取15维的梯度特征值和25维的灰度特征值,每个图像块对应的得到一个40维的特征向量,用感兴趣图像块组320个图像块得到的320个40维的特征向量组成一个行数为40、列数为320的感兴趣矩阵X1,用不感兴趣图像块组360个图像块得到的360个40维的特征向量组成一个行数为40、列数为360的不感兴趣矩阵X2;
(3)字典的生成步骤,用于对感兴趣矩阵X1和不感兴趣矩阵X2采用字典学习方法K-SVD分别生成感兴趣字典D1和不感兴趣字典D2;
(4)测试图像输入步骤,输入待检测感兴趣区域的原始图像F;
(5)脂肪组织检测步骤,以原始图像F的每个像素点为中心取5×5的邻域得到像素块Q,对像素块Q提取15维的梯度特征值和25维的灰度特征值,组成一个40维的特征向量v,用感兴趣字典D1和不感兴趣字典D2分别采用匹配追踪算法OMP逼近特征向量v,得到逼近误差e1和e2,如果e1<e2则认为该像素点为感兴趣像素点,标记类标为1,如果e1≥e2则该像素点为不感兴趣点,标记类标为0;对于类标为0的像素点,将原始图像F中该像素点的灰度值赋值为0,对于类标为1的像素点,保持该像素点的灰度值为原始图像F中的灰度值,得到脂肪图F1;
(6)脂肪组织边缘切除步骤,用于切除脂肪图F1中最外层的脂肪组织,即检测F1中影像信息的最外层边缘,并以F1中坐标为(256,256)的像素为中心点O,沿最外层边缘一周向中心点O以30个像素大小为半径缩进,得到感兴趣脂肪图F2;
(7)淋巴结填充步骤,用于填充感兴趣脂肪图F2中的淋巴结空洞,即对感兴趣脂肪图F2的每个像素点,以该像素点为中心,将0°到360°方向均分为32个方向,如果某个方向50个像素大小的半径上存在灰度值非0的像素点,且超过28个以上的方向满足条件,则将该像素点灰度值赋值为原始图像F中对应的灰度值,得到感兴趣区域检测结果图F3;
(8)感兴趣区域输出步骤,输出显示感兴趣区域检测结果图F3。
本发明具有以下优点:
(1)本发明首次采用计算机辅助技术对胃部CT图像进行感兴趣区域的检测,得到很好的检测结果;
(2)本发明采用字典学习方法进行感兴趣区域的检测,具有很好的泛化能力;
仿真实验结果表明,本发明提出的基于字典学习的胃部CT图像感兴趣区域检测系统准确地检测出了胃部CT图像中的感兴趣区域,并且有效地去除了胃部CT图像中无关的信息。
附图说明
图1是本发明的虚拟系统示意图;
图2是本发明的检测方法流程图;
图3是本发明截取感兴趣图像块的区域图;
图4是本发明使用的原始图像;
图5是本发明检测到的脂肪图;
图6是本发明检测到的感兴趣脂肪图;
图7是本发明的最终检测结果图;
图8是本发明对2幅胃部CT图像的仿真结果图。
具体实施方式
参照图1,本发明基于字典学习的胃部CT图像感兴趣区域检测系统为由计算机软件构成的虚拟系统,它包括:训练单元和测试单元;其中训练单元包括训练图像块生成模块、训练图像块特征提取模块和字典的生成模块,测试单元包括测试图像输入模块、脂肪组织检测模块、脂肪组织边缘切除模块、淋巴结填充模块和感兴趣区域输出模块,这些功能模块相互配合,共同完成对胃部CT图像的感兴趣区域检测。其中:
训练图像块生成模块,将从医院提供的25幅图像中随机选择10幅作为训练图像,并在每幅图像中截取32个感兴趣图像块和36个不感兴趣图像块,其中每个图像块大小为5×5,共得到感兴趣组320个图像块和不感兴趣组360个图像块;
训练图像块特征提取模块,分别对得到的感兴趣组320个图像块和不感兴趣组360个图像块这两组图像块中的每个图像块提取15维的梯度特征值和25维的灰度特征值,每个图像块对应的得到一个40维的特征向量,用感兴趣图像块组320个图像块得到的320个40维的特征向量组成一个行数为40、列数为320的感兴趣矩阵X1,用不感兴趣图像块组360个图像块得到的360个40维的特征向量组成一个行数为40、列数为360的不感兴趣矩阵X2;
字典的生成模块,对感兴趣矩阵X1和不感兴趣矩阵X2采用字典学习方法K-SVD分别生成感兴趣字典D1和不感兴趣字典D2,该字典学习方法K-SVD参见:MichalAharon,Michael Elad,and Alfred Bruckstein“K-SVD:An Algorithm for DesigningOvercomplete Dictionaries for Sparse Representation”IEEE Transaction on signalprocessing,vol.54,no.11,November 2006;
测试图像输入模块,输入如图4所示的待检测的原始图像F;
脂肪组织检测模块,以原始图像F的每个像素点q为中心取5×5的邻域得到像素块Q,对像素块Q提取15维的梯度特征值和25维的灰度特征值,组成一个40维的特征向量v,用感兴趣字典D1和不感兴趣字典D2分别采用匹配追踪算法OMP逼近特征向量v,得到逼近误差e1和e2,如果e1<e2则认为该像素点q为感兴趣像素点,标记类标为1,如果e1≥e2则该像素点q为不感兴趣点,标记类标为0;将原始图像F中类标为0的像素点的灰度值赋值为0,保持原始图像F中类标为1的像素点的灰度值不变,得到脂肪图F1;
脂肪组织边缘切除模块,检测F1中影像信息的最外层边缘,并以F1中坐标为(256,256)的像素为中心点O,沿最外层边缘一周向中心点O以30个像素大小为半径缩进,得到感兴趣脂肪图F2;
淋巴结填充模块,对感兴趣脂肪图F2的每个像素点,以该像素点为中心,将0°到360°方向均分为32个方向,如果某个方向50个像素大小的半径上存在灰度值非0的像素点,且超过28个以上的方向满足条件,则将该像素点灰度值赋值为原始图像F中对应的灰度值,得到感兴趣区域检测结果图F3;
感兴趣区域输出模块,输出显示感兴趣区域检测结果图F3。
参照图2,本发明基于字典学习的胃部CT图像感兴趣区域检测方法,包括如下步骤:
步骤1.生成用于训练字典的两组图像块。
从医院提供的25幅图像中随机选择10幅作为训练图像,并在每幅图像中截取32个感兴趣图像块和36个不感兴趣图像块,每个图像块大小为5×5,共得到感兴趣组320个图像块和不感兴趣组360个图像块,如图3中曲线包围的部分为感兴趣区域,其他部分为不感兴趣区域,本发明中所截取的感兴趣图像块即是在感兴趣区域中截取灰度值较暗的图像块,不感兴趣图像块即是在不感兴趣区域中截取灰度值较亮的图像块。
步骤2.对得到的感兴趣组320个图像块和不感兴趣组360个图像块这两组图像块中的每个图像块提取15维的梯度特征值和25维的灰度特征值。
(2.1)对所述的感兴趣组320个图像块中的每个图像块首先利用灰度-梯度共生矩阵方法提取15维的梯度特征值,这些特征值包括:小梯度优势、大梯度优势、灰度分布的不均匀性、梯度分布的不均匀性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相关性、灰度熵、梯度熵、混合熵、惯性、逆差矩,然后将每个图像块的灰度值矩阵按先列后行的顺序排列,得到一个25维的向量,将这25维的向量与15维梯度特征值组合得到一个40维的特征向量,用感兴趣组320个图像块得到的320个40维的特征向量组成一个行数为40、列数为320的感兴趣矩阵X1;该灰度-梯度共生矩阵方法参见:洪继光,“灰度-梯度共生矩阵纹理分析方法”自动化学报,vol.10,no.1,Jan.,1984;
(2.2)对不感兴趣组360个图像块中的每个图像块首先利用灰度-梯度共生矩阵方法提取15维的梯度特征值,这些特征值包括:小梯度优势、大梯度优势、灰度分布的不均匀性、梯度分布的不均匀性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相关性、灰度熵、梯度熵、混合熵、惯性、逆差矩,然后将每个图像块的灰度值矩阵按先列后行的顺序排列,得到一个25维的向量,将这25维的向量与15维梯度特征值组合得到一个40维的特征向量,用不感兴趣组360个图像块得到的360个40维的特征向量组成一个行数为40、列数为360的不感兴趣矩阵X2。
步骤3.对感兴趣矩阵X1和不感兴趣矩阵X2分别采用字典学习方法K-SVD训练出感兴趣字典D1和不感兴趣字典D2,该字典学习方法K-SVD参见:Michal Aharon,Michael Elad,and Alfred Bruckstein“K-SVD:An Algorithm for Designing OvercompleteDictionaries for Sparse Representation”IEEE Transaction on signal processing,vol.54,no.11,November 2006;
(3.1)对感兴趣矩阵X1采用字典学习方法K-SVD生成感兴趣字典D1:
3.1.1)设感兴趣字典D1的原子数为m1,m1的取值范围为40-60,循环次数为n1,n1的取值范围为15-20,稀疏度为L1,L1=4;
3.1.2)将感兴趣矩阵X1的列向量表示为x1i i=1,2,3,...,N1,N1为感兴趣矩阵X1中包含的样本数目,将感兴趣字典D1初始化为感兴趣矩阵X1的1至m1列,并将感兴趣字典D1的列向量表示为d1k,k=1,2,3,...,m1;
3.1.3)利用匹配追踪算法OMP求解以下优化问题,获得一组m1维的列向量β1i:
用这组m1维的列向量β1i组成一个m1×N1维的矩阵A1,将A1按行分解为m1个N1维的行向量α1k,α1k即为列向量d1k对应的稀疏表示系数,k=1,2,3,...,m1;该匹配追踪方法OMP参见:Y.C.Pati,R.Rezaiifar,and P.S.“Orthogonal Matching Pursuit:RecursiveFunction Approximation with Applications to Wavelet Decomposition”IEEE 1993;
3.1.4)对感兴趣字典D1中的列向量d1k,k=1,2,3,...,m1及其稀疏表示系数α1k,i=1,2,3,...,N1求解以下优化问题,获得误差矩阵E1k:
3.1.5)通过奇异值分解方法SVD正交分解误差矩阵E1k,得到两个相互正交的矩阵U1k和V1k,以及一个对角矩阵Δ1k:
SVD(E1k)=U1kΔ1kV1k T
其中T为矩阵的转置符号;
3.1.6)更新不感兴趣字典D1的列向量d1k及其稀疏表示系数α1k,d1k=U1k(:,1),α1k=Δ1k(1,1)V1k(1,:),k=1,2,3,...,m1,其中U1k(:,1)为U1k的第一行,V1k(1,:)为V1k的第一列;
3.1.7)返回到3.1.4)循环执行n1次;
3.1.8)用最后更新的d1k组成感兴趣字典D1,k=1,2,3,...,m1。
(3.2)对感兴趣矩阵X2采用字典学习方法K-SVD生成感兴趣字典D2:
3.2.1)设不感兴趣字典D2的原子数为m2,m2的取值范围为30-45,循环次数为n2,n2的取值范围为10-15,稀疏度为L2,L2=2;
3.2.2)将不感兴趣矩阵X2的列向量表示为x2i i=1,2,3,...,N2,N2为不感兴趣矩阵X2中包含的样本数目,将不感兴趣字典D2初始化为不感兴趣矩阵X2的1至m2列,并将不感兴趣字典D2的列向量表示为d2k k=1,2,3,...,m2;
3.2.3)利用匹配追踪算法OMP求解以下优化问题,获得一组m2维的列向量β2i:
用这组m2维的列向量β2i组成一个m2×N2维的矩阵A2,将A2按行分解为m2个N2维的行向量α2k,α2k即为列向量d2k对应的稀疏表示系数,k=1,2,3,...,m2;
3.2.4)对不感兴趣字典D2中的列向量d2k,k=1,2,3,...,m2及其稀疏表示系数α2k,i=1,2,3,...,N2求解以下优化问题,获得误差矩阵E2k:
3.2.5)通过奇异值分解方法SVD正交分解E2k,得到两个相互正交的矩阵U2k和V2k,以及一个对角矩阵Δ2k:
SVD(E2k)=U2kΔ2kV2k T
其中T为矩阵的转置符号;
3.2.6)更新不感兴趣字典D2的列向量d2k及其稀疏表示系数α2k,d2k=U2k(:,1),α2k=Δ2k(1,1)V2k(1,:),k=1,2,3,...,m1,其中U2k(:,1)为U2k的第一行,V2k(1,:)为V2k的第一列;
3.2.7)返回到3.2.4)循环执行n2次;
3.2.8)用最后更新的d2k组成不感兴趣字典D2,k=1,2,3,...,m2。
步骤4.输入如图4所示的待检测的原始图像F。
步骤5.对原始图像F进行脂肪组织的分割。
(5.1)以原始图像F的每个像素点q为中心取5×5的邻域得到像素块Q,首先利用灰度-梯度共生矩阵方法对像素块Q提取15维的梯度特征值,这些特征值包括:小梯度优势、大梯度优势、灰度分布的不均匀性、梯度分布的不均匀性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、相关性、灰度熵、梯度熵、混合熵、惯性、逆差矩,然后将像素块Q的灰度值矩阵按先列后行的顺序排列,得到一个25维的向量,与15维梯度特征值组合得到一个40维的特征向量v;该灰度-梯度共生矩阵方法参见:洪继光,“灰度-梯度共生矩阵纹理分析方法”自动化学报,vol.10,no.1,Jan.,1984;
(5.2)用感兴趣字典D1和不感兴趣字典D2分别采用匹配追踪算法OMP逼近所述的特征向量v,得到感兴趣字典D1对应的重构向量v1和不感兴趣字典D2对应的重构向量v2,然后按照如下公式获得感兴趣字典D1对应的重构误差e1和不感兴趣字典D2对应的重构误差e2;该匹配追踪算法OMP参见:Y.C.Pati,R.Rezaiifar,and P.S.“OrthogonalMatching Pursuit:Recursive Function Approximat ion with Applications to WaveletDecomposition”IEEE 1993;
e1=|v-v1|
e2=|v-v2|
如果e1<e2则认为该像素点q为感兴趣像素点,标记类标为1,如果e1≥e2则该像素点q为不感兴趣点,标记类标为0;
(5.3)将原始图像F中类标为0的像素点的灰度值赋值为0,保持原始图像F中类标为1的像素点的灰度值不变,得到脂肪图F1,如图5所示。
步骤6.切除脂肪组织的边缘。
首先检测F1中影像信息的最外层边缘,然后以F1中坐标为(256,256)的像素为中心点O,沿最外层边缘一周向中心点O以30个像素大小为半径缩进,得到感兴趣脂肪图F2,如图6所示。
步骤7.填充感兴趣脂肪组织中的淋巴结空洞。
首先对感兴趣脂肪图F2的每个像素点,以该像素点为中心,将0°到360°方向均分为32个方向,如果某个方向50个像素大小的半径上存在灰度值非0的像素点,且超过28个以上的方向满足条件,则将该像素点灰度值赋值为原始图像F中对应的灰度值,得到感兴趣区域检测结果图F3,如图7所示。
步骤8.输出感兴趣区域检测结果F3。
本发明的效果可以通过以下对胃部CT图像的仿真数据进一步说明:
1.实验条件
本发明的仿真在windows 7,SPI,CPU Pentium(R)4,基本频率2.4GHZ,软件平台为MatlabR2010a运行,仿真选用的胃部CT图像来自北京肿瘤医院影像数据,且本发明采用的测试图像均有北京肿瘤医院放射科医生进行淋巴结标注的标准图像,根据对已标注的淋巴结的遗漏情况评价本发明系统的有效性。实验中感兴趣字典D1的原子数m1取值范围40-60,迭代次数n1取值范围15-20,稀疏度L1=4;不感兴趣字典D2的原子数m2取值范围30-45,迭代次数n2取值范围10-15,稀疏度L2=2。
2.仿真内容及结果
本实验对2幅胃部CT图像按照以上条件进行仿真,仿真结果如图8,其中图8(a)和图8(b)为医生标注了淋巴结的标准图像,图8(c)和图8(d)为用本发明检测结果。从图8可见,对2幅存在淋巴结的胃部CT图像本发明都有效地去除了肝脏等无关信息并且得到的检测感兴趣区域中很好的保留了淋巴结信息。
以上结果表明:本发明在去除冗余信息的同时,很好的保留了医生感兴趣的淋巴结信息,是一种能有效检测胃部CT图像感兴趣区域的检测系统。
Claims (4)
1.一种基于字典学习的胃部CT图像感兴趣区域检测系统,包括:
训练图像块生成模块,用于从医院提供的25幅图像中随机选择10幅作为训练图像,并在每幅图像中截取32个感兴趣图像块和36个不感兴趣图像块,其中每个图像块大小为5×5,共得到感兴趣组320个图像块和不感兴趣组360个图像块;
训练图像块特征提取模块,用于分别对得到的两组图像块中的每个图像块提取15维的梯度特征值和25维的灰度特征值,每个图像块对应的得到一个40维的特征向量,用感兴趣图像块组320个图像块得到的320个40维的特征向量组成一个行数为40、列数为320的感兴趣矩阵X1,用不感兴趣图像块组360个图像块得到的360个40维的特征向量组成一个行数为40、列数为360的不感兴趣矩阵X2;
字典的生成模块,用于对感兴趣矩阵X1和不感兴趣矩阵X2采用字典学习方法K-SVD分别生成感兴趣字典D1和不感兴趣字典D2;
测试图像输入模块,用于输入待检测感兴趣区域的原始图像F;
脂肪组织检测模块,以原始图像F的每个像素点q为中心取5×5的邻域得到像素块Q,对像素块Q提取15维的梯度特征值和25维的灰度特征值,组成一个40维的特征向量v,用感兴趣字典D1和不感兴趣字典D2分别采用匹配追踪算法OMP逼近特征向量v,得到感兴趣字典D1对应的重构向量v1和不感兴趣字典D2对应的重构向量v2,然后按照如下公式获得感兴趣字典D1对应的重构误差e1和不感兴趣字典D2对应的重构误差e2:
e1=|v-v1|
e2=|v-v2|
如果e1<e2则认为该像素点q为感兴趣像素点,标记类标为1,如果e1≥e2则该像素点q为不感兴趣点,标记类标为0;将原始图像F中类标为0的像素点的灰度值赋值为0,保持原始图像F中类标为1的像素点的灰度值不变,得到脂肪图F1;
脂肪组织边缘切除模块,用于切除脂肪图F1中最外层的脂肪组织,即检测F1中影像信息的最外层边缘,并以F1中坐标为(256,256)的像素为中心点O,沿最外层边缘一周向中心点O以30个像素大小为半径缩进,得到感兴趣脂肪图F2;
淋巴结填充模块,用于填充感兴趣脂肪图F2中的淋巴结空洞,即对感兴趣脂肪图F2的每个像素点,以该像素点为中心,将0°到360°方向均分为32个方向,如果某个方向50个像素大小的半径上存在灰度值非0的像素点,且超过28个以上的方向,则将该像素点灰度值赋值为原始图像F中对应的灰度值,得到感兴趣区域检测结果图F3;
感兴趣区域输出模块,输出显示感兴趣区域检测结果图F3。
2.一种基于字典学习的胃部CT图像感兴趣区域检测方法,包括:
(1)训练图像块生成步骤,从医院提供的25幅图像中随机选择10幅作为训练图像,并在每幅图像中截取32个感兴趣图像块和36个不感兴趣图像块,其中每个图像块像素大小为5×5,共得到感兴趣组320个图像块和不感兴趣组360个图像块;
(2)训练图像块特征提取步骤,分别对得到的两组图像块中的每个图像块提取15维的梯度特征值和25维的灰度特征值,每个图像块对应的得到一个40维的特征向量,用感兴趣图像块组320个图像块得到的320个40维的特征向量组成一个行数为40、列数为320的感兴趣矩阵X1,用不感兴趣图像块组360个图像块得到的360个40维的特征向量组成一个行数为40、列数为360的不感兴趣矩阵X2;
(3)字典的生成步骤,用于对感兴趣矩阵X1和不感兴趣矩阵X2采用字典学习方法K-SVD分别生成感兴趣字典D1和不感兴趣字典D2;
(4)测试图像输入步骤,输入待检测感兴趣区域的原始图像F;
(5)脂肪组织检测步骤,以原始图像F的每个像素点为中心取5×5的邻域得到像素块Q,对像素块Q提取15维的梯度特征值和25维的灰度特征值,组成一个40维的特征向量v,用感兴趣字典D1和不感兴趣字典D2分别采用匹配追踪算法OMP逼近特征向量v,得到感兴趣字典D1对应的重构向量v1和不感兴趣字典D2对应的重构向量v2,然后按照如下公式获得感兴趣字典D1对应的重构误差e1和不感兴趣字典D2对应的重构误差e2:
e1=|v-v1|
e2=|v-v2|
如果e1<e2则认为该像素点为感兴趣像素点,标记类标为1,如果e1≥e2则该像素点为不感兴趣点,标记类标为0;对于类标为0的像素点,将原始图像F中该像素点的灰度值赋值为0,对于类标为1的像素点,保持该像素点的灰度值为原始图像F中的灰度值,得到脂肪图F1;
(6)脂肪组织边缘切除步骤,用于切除脂肪图F1中最外层的脂肪组织,即检测F1中影像信息的最外层边缘,并以F1中坐标为(256,256)的像素为中心点O,沿最外层边缘一周向中心点O以30个像素大小为半径缩进,得到感兴趣脂肪图F2;
(7)淋巴结填充步骤,用于填充感兴趣脂肪图F2中的淋巴结空洞,即对感兴趣脂肪图F2的每个像素点,以该像素点为中心,将0°到360°方向均分为32个方向,如果某个方向50个像素大小的半径上存在灰度值非0的像素点,且超过28个以上的方向,则将该像素点灰度值赋值为原始图像F中对应的灰度值,得到感兴趣区域检测结果图F3;
(8)感兴趣区域输出步骤,输出显示感兴趣区域检测结果图F3。
3.根据权利要求2所述的方法,其中步骤(3)所述的对感兴趣矩阵X1采用字典学习方法K-SVD生成感兴趣字典D1,按如下步骤进行:
3.1.1)设感兴趣字典D1的原子数为m1,m1的取值范围为40-60,循环次数为n1,n1的取值范围为15-20,稀疏度为L1,L1=4;
3.1.2)将感兴趣矩阵X1的列向量表示为x1i i=1,2,3,...,N1,N1为感兴趣矩阵X1中包含的样本数目,将感兴趣字典D1初始化为感兴趣矩阵X1的1至m1列,并将感兴趣字典D1的列向量表示为d1k,k=1,2,3,...,m1;
3.1.3)利用匹配追踪算法OMP求解以下优化问题,获得一组m1维的列向量β1i:
min||x1i-D1β1i||2 2 s.t||β1i||0<L1,i=1,2,3,...,N1
β1i
用这组m1维的列向量β1i组成一个m1×N1维的矩阵A1,将A1按行分解为m1个N1维的行向量α1k,α1k即为列向量d1k对应的稀疏表示系数,k=1,2,3,...,m1;
3.1.4)对感兴趣字典D1中的列向量d1k,k=1,2,3,...,m1及其稀疏表示系数α1k,i=1,2,3,...,N1求解以下优化问题,获得误差矩阵E1k:
arg min||E1k-d1kα1k||2;
d1k,α1k
3.1.5)通过奇异值分解方法SVD正交分解误差矩阵E1k,得到两个相互正交的矩阵U1k和V1k,以及一个对角矩阵Δ1k:
SVD(E1k)=U1kΔ1kV1k T
其中T为矩阵的转置符号;
3.1.6)更新不感兴趣字典D1的列向量d1k及其稀疏表示系数α1k,d1k=U1k(:,1),α1k=Δ1k(1,1)V1k(1,:),k=1,2,3,...,m1,其中U1k(:,1)为U1k的第一行,V1k(1,:)为V1k的第一列;
3.1.7)返回到3.1.4)循环执行n1次;
3.1.8)用最后更新的d1k组成感兴趣字典D1,k=1,2,3,...,m1。
4.根据权利要求2所述的方法,其中步骤(3)所述的对不感兴趣矩阵X2采用字典学习方法K-SVD生成不感兴趣字典D2,按如下步骤进行:
3.2.1)设不感兴趣字典D2的原子数为m2,m2的取值范围为30-45,循环次数为n2,n2的取值范围为10-15,稀疏度为L2,L2=2;
3.2.2)将不感兴趣矩阵X2的列向量表示为x2i i=1,2,3,...,N2,N2为不感兴趣矩阵X2中包含的样本数目,将不感兴趣字典D2初始化为不感兴趣矩阵X2的1至m2列,并将不感兴趣字典D2的列向量表示为d2k k=1,2,3,...,m2;
3.2.3)利用匹配追踪算法OMP求解以下优化问题,获得一组m2维的列向量β2i:
min||x2i-D2oβ2i||2 2 s.t||β2i||0<L2,i=1,2,3,...,N2
β2i
用这组m2维的列向量β2i组成一个m2×N2维的矩阵A2,将A2按行分解为m2个N2维的行向量α2k,α2k即为列向量d2k对应的稀疏表示系数,k=1,2,3,...,m2;
3.2.4)对不感兴趣字典D2中的列向量d2k,k=1,2,3,...,m2及其稀疏表示系数α2k,i=1,2,3,...,N2求解以下优化问题,获得误差矩阵E2k:
arg min||E2k-d2kα2k||2
d2k,α2k
3.2.5)通过奇异值分解方法SVD正交分解E2k,得到两个相互正交的矩阵U2k和V2k,以及一个对角矩阵Δ2k:
SVD(E2k)=U2kΔ2kV2k T
其中T为矩阵的转置符号;
3.2.6)更新不感兴趣字典D2的列向量d2k及其稀疏表示系数α2k,d2k=U2k(:,1),α2k=Δ2k(1,1)V2k(1,:),k=1,2,3,...,m1,其中U2k(:,1)为U2k的第一行,V2k(1,:)为V2k的第一列;
3.2.7)返回到3.2.4)循环执行n2次;
3.2.8)用最后更新的d2k组成不感兴趣字典D2,k=1,2,3,...,m2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110346515 CN102436584B (zh) | 2011-11-04 | 2011-11-04 | 基于字典学习的胃部ct图像感兴趣区域检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110346515 CN102436584B (zh) | 2011-11-04 | 2011-11-04 | 基于字典学习的胃部ct图像感兴趣区域检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102436584A CN102436584A (zh) | 2012-05-02 |
CN102436584B true CN102436584B (zh) | 2013-09-25 |
Family
ID=45984637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110346515 Active CN102436584B (zh) | 2011-11-04 | 2011-11-04 | 基于字典学习的胃部ct图像感兴趣区域检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102436584B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6336391B2 (ja) | 2012-09-06 | 2018-06-06 | ソニー株式会社 | 情報処理装置、情報処理方法、およびプログラム |
CN103150723B (zh) * | 2013-01-25 | 2015-09-30 | 西安电子科技大学 | 基于形状和椭圆拟合的胃部ct图像淋巴结检测系统及方法 |
CN103106408B (zh) * | 2013-01-25 | 2016-02-10 | 西安电子科技大学 | 无监督分割的胃部ct图像淋巴结自动辅助检测系统 |
CN103208114A (zh) * | 2013-01-25 | 2013-07-17 | 西安电子科技大学 | 基于交互式分割的胃部脂肪组织提取方法 |
US9113781B2 (en) * | 2013-02-07 | 2015-08-25 | Siemens Aktiengesellschaft | Method and system for on-site learning of landmark detection models for end user-specific diagnostic medical image reading |
CN104700419A (zh) * | 2015-03-27 | 2015-06-10 | 马学梅 | 一种放射科x光片的图像处理方法 |
CN109993726B (zh) * | 2019-02-21 | 2021-02-19 | 上海联影智能医疗科技有限公司 | 医学图像的检测方法、装置、设备和存储介质 |
CN110276414B (zh) * | 2019-07-01 | 2024-01-16 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 基于字典学习和稀疏表示的影像特征提取方法及表达方法 |
CN110390679B (zh) * | 2019-07-03 | 2022-04-26 | 上海联影智能医疗科技有限公司 | 图像处理方法、计算机设备和可读存储介质 |
CN112184631A (zh) * | 2020-09-08 | 2021-01-05 | 上海交通大学附属第六人民医院 | 一种图像处理方法、设备及计算机可读存储介质 |
CN112331311B (zh) * | 2020-11-06 | 2022-06-03 | 青岛海信医疗设备股份有限公司 | 一种腹腔镜手术中视频与术前模型融合显示的方法及装置 |
CN115314642B (zh) * | 2021-05-08 | 2024-03-12 | 四川大学 | 一种基于多像素累积的相机光通信系统及实现方法 |
CN116525116B (zh) * | 2023-06-29 | 2023-09-26 | 中国人民解放军总医院 | 一种心源性休克实时风险预警监测系统、设备及可存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101710334A (zh) * | 2009-12-04 | 2010-05-19 | 大连理工大学 | 基于图像哈希的大规模图像库检索方法 |
CN102014251A (zh) * | 2009-09-04 | 2011-04-13 | 卡西欧计算机株式会社 | 图像处理装置和图像处理方法 |
US20110090359A1 (en) * | 2009-10-20 | 2011-04-21 | Canon Kabushiki Kaisha | Image recognition apparatus, processing method thereof, and computer-readable storage medium |
US20110188743A1 (en) * | 2010-02-03 | 2011-08-04 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, image processing system, and recording medium |
-
2011
- 2011-11-04 CN CN 201110346515 patent/CN102436584B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102014251A (zh) * | 2009-09-04 | 2011-04-13 | 卡西欧计算机株式会社 | 图像处理装置和图像处理方法 |
US20110090359A1 (en) * | 2009-10-20 | 2011-04-21 | Canon Kabushiki Kaisha | Image recognition apparatus, processing method thereof, and computer-readable storage medium |
CN101710334A (zh) * | 2009-12-04 | 2010-05-19 | 大连理工大学 | 基于图像哈希的大规模图像库检索方法 |
US20110188743A1 (en) * | 2010-02-03 | 2011-08-04 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method, image processing system, and recording medium |
Also Published As
Publication number | Publication date |
---|---|
CN102436584A (zh) | 2012-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102436584B (zh) | 基于字典学习的胃部ct图像感兴趣区域检测系统 | |
AlZu’bi et al. | Parallel implementation for 3d medical volume fuzzy segmentation | |
Feng et al. | CPFNet: Context pyramid fusion network for medical image segmentation | |
Jin et al. | 3D PBV-Net: an automated prostate MRI data segmentation method | |
CN108257134A (zh) | 基于深度学习的鼻咽癌病灶自动分割方法和系统 | |
Shui et al. | Densely calculated facial soft tissue thickness for craniofacial reconstruction in Chinese adults | |
CN102496156B (zh) | 基于协同量子粒子群算法的医学图像分割方法 | |
CN104091337A (zh) | 一种基于PCA及微分同胚Demons的变形医学图像配准方法 | |
CN110298804A (zh) | 一种基于生成对抗网络和3d残差编码解码的医学图像降噪方法 | |
CN107507195A (zh) | 基于超图模型的pet‑ct多模态鼻咽癌图像分割方法 | |
CN107767362A (zh) | 一种基于深度学习的肺癌早筛装置 | |
CN107330953A (zh) | 一种基于非凸低秩的动态mri重建方法 | |
Wu et al. | AAR-RT–a system for auto-contouring organs at risk on CT images for radiation therapy planning: principles, design, and large-scale evaluation on head-and-neck and thoracic cancer cases | |
Kamiya | Deep learning technique for musculoskeletal analysis | |
CN107146263B (zh) | 一种基于张量字典约束的动态pet图像重建方法 | |
Chang et al. | Development of realistic multi-contrast textured XCAT (MT-XCAT) phantoms using a dual-discriminator conditional-generative adversarial network (D-CGAN) | |
CN109191475A (zh) | 椎体终板分割方法、装置及计算机可读存储介质 | |
Li et al. | Double attention U-Net for brain tumor MR image segmentation | |
Chen et al. | Asymmetric U-shaped network with hybrid attention mechanism for kidney ultrasound images segmentation | |
Iyer et al. | Prospectively-validated deep learning model for segmenting swallowing and chewing structures in CT | |
CN106097374B (zh) | 基于稀疏低秩与Atlas集的3D MRI胰腺分割方法 | |
Krivov et al. | MRI augmentation via elastic registration for brain lesions segmentation | |
Badano et al. | The stochastic digital human is now enrolling for in silico imaging trials—methods and tools for generating digital cohorts | |
Mourya et al. | CT guided diagnosis: Cascaded U-Net for 3D segmentation of liver and tumor | |
Wang et al. | Triplanar convolutional neural network for automatic liver and tumor image segmentation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20190718 Address after: 710000 Room 2F183, Building C0201, Pioneering Plaza, 48 Science and Technology Road, Xi'an High-tech Zone, Shaanxi Province Patentee after: Xi'an Intelligence Innovation Information Technology Co., Ltd. Address before: 710071 No. 2 Taibai South Road, Xi'an City, Shaanxi Province Patentee before: Xidian University |
|
TR01 | Transfer of patent right |