CN102663735A - 图像非均匀特性的定量评估方法 - Google Patents
图像非均匀特性的定量评估方法 Download PDFInfo
- Publication number
- CN102663735A CN102663735A CN2012100687236A CN201210068723A CN102663735A CN 102663735 A CN102663735 A CN 102663735A CN 2012100687236 A CN2012100687236 A CN 2012100687236A CN 201210068723 A CN201210068723 A CN 201210068723A CN 102663735 A CN102663735 A CN 102663735A
- Authority
- CN
- China
- Prior art keywords
- area
- image
- interest
- effective coverage
- value
- 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.)
- Granted
Links
Images
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种图像非均匀特性的定量评估方法:确定图像非均匀性的数学表达;获得被评估图像的三维图像;获取各点的灰度值;设定有效区域或感兴趣区域中的灰度参考值Gth;统计该三维图内部的有效点总数M;获得最大中心距dmax;统计每点的相邻有效点数Ni,计算各点与周围有效相邻点灰度值的绝对差值|G|ij;将获得的各参数带入第1步所给出的公式中,计算有效区域或感兴趣区域内部非均匀性特征值H;按照有效区域或感兴趣区域灰度分布方向变化表征符号的求取步骤获得有效区域或感兴趣区域的灰度分布变化表征符号+或-。本发明形式简单,参量少,速度快,便于应用;保留了图像空间分布的信息,保留了图像的特征信息。
Description
技术领域
本发明涉及一种图像评估方法。特别是涉及一种图像非均匀特性的定量评估方法。
背景技术
图像是多彩世界的生动表达。纹理是图像的灰度统计信息、空间分布信息和结构信息的综合反映,是描述与识别图像的一项重要依据。与其他图像特征或描述相比,纹理性质更好的兼顾了图像的宏观性质与细微结构两个方面。非均匀性反映了图像灰度分布的均匀程度、纹理的同质性和局部变化的多少,是进行图像纹理分析的重要参量之一。长久以来,关于图像非均匀性的量化与评估一直是广大的图像分析研究人员研究的方向之一。
自从70年代早期被Haralick等人提出之后,灰度共生矩阵算法就一直被广泛的应用于图像的纹理分析领域。能量、逆差距、熵和对比度这四个灰度共生矩阵的基本参数被较广泛地应用于图像的非均匀性评估当中。《Science Direct》2004年刊登的“Image textureanalysis:methods and comparisons”、《SISSA》2009年发表的“Quantifyingheterogeneity of lesion uptake in dynamic contrast enhanced MRI for breast cancerdiagnosis”以及《The Journal of Nuclear Medicine》2011年发表的“Intratumorheterogeneity characterized by textural features on baseline 18F-FDG PET imagespredicts response to concomitant radiochemotherapy in esophageal cancer”等文章中均使用灰度共生矩阵的方法对图像的非均匀性进行了评估。但是这种方法参量多、计算复杂、各个参量在反映非均匀特性时不能保证呈现一致性变化规律,且丢失了图像灰度的空间分布信息,因此应用价值有限。
《Magnetic Resonance in Medicine》在2009年发表的“Characterization of ImageHeterogeneity Using 2D Minkowski Functionals Increases the Sensitivity of Detectionof a Targeted MRI Contrast Agent”一文中提出了使用Minkowski方法计算MRI图像的非均匀性。但是该算法使用时对图像进行了二值化处理,丢失了大量的图像信息,并且其适用范围仅限于二维图像,因此局限性较大。
其它关于图像非均匀性的相关研究多偏向于临床肿瘤特征描述方面,大多是从生理的角度出发,少有通过建立数学模型对肿瘤内部的非均匀性进行定量化说明的研究。《MagneticResonance in Medicine》2009年发表的“Quantifying Spatial Heterogeneity in DynamicContrast-Enhanced MRI Parameter Maps”一文中提出了三种结合了肿瘤的形状、大小、位置、DCE-MRI参数值等因素的空间非均匀的计算方法。但是文中的算法验证实验显示,对于相同的图像模型,不同算法得到的结果之间存在差异。
发明内容
本发明所要解决的技术问题是,提供一种基于图像中表现出的非均匀特性而建立的合理有效、简单快捷的图像非均匀特性定量评估方法。
本发明所采用的技术方案是:一种图像非均匀特性的定量评估方法,包括如下步骤:
1)确定通过采用图像中灰度值差异及空间分布特性来描述图像非均匀性的数学表达:
其中:
M:图像有效区域或感兴趣区域内部的有效点总数;
Ni:与图像有效区域或感兴趣区域内的第i个有效点相邻的有效点数;
|G|i,j:图像有效区域或感兴趣区域内部第i个有效点和与它相邻的第j个有效点之间灰度值差的绝对值;
Gth:有效区域或感兴趣区域中的灰度参考值,H计算公式中使用此量以使计算出的H值为无量纲量;
di:第i个有效点距离图像有效区域或感兴趣区域灰度中心的距离,dmax为di的最大值,
这里将图像有效区域或感兴趣区域灰度中心的坐标x1c,x2c,x3c定义为:
其中,Gi和xni(n=1,2,3)分别代表第i点的灰度值和三维坐标;
2)获得被评估图像的三维图像;
3)针对获得的三维图像,获取各点的灰度值;
4)设定有效区域或感兴趣区域和无效区域,在整体图像中提取有效区域或感兴趣区域,获得有效区域或感兴趣区域的三维图,设定有效区域或感兴趣区域中的灰度参考值Gth;
5)针对获得的有效区域或感兴趣区域的三维图,统计该三维图内部的有效点总数M;
6)读取各点的灰度值和坐标值,根据灰度中心坐标x1c,x2c,x3c计算公式计算有效区域或感兴趣区域的灰度中心坐标和各点距有效区域或感兴趣区域灰度中心的距离di,获得最大中心距dmax;
7)统计每点的相邻有效点数Ni,计算各点与周围有效相邻点灰度值的绝对差值|G|ij;
8)将获得的各参数带入步骤1)中所给出的公式中,计算有效区域或感兴趣区域内部非均匀性特征值H;
9)按照有效区域或感兴趣区域灰度分布方向变化表征符号的求取步骤获得有效区域或感兴趣区域的灰度分布变化表征符号+或-。
步骤9)中所述的灰度分布变化表征符号+或-的获得包括如下步骤:
(2)在灰度中心周围确定一定区域,求取该区域内部所有点的平均灰度值;
(3)将步骤(2)中确定的区域进行扩大,求取扩大后区域内部的平均灰度值;
(4)重复步骤(3)若干次,直到将图像的全部有效区域或感兴趣区域都包含在内为止;
(5)观测根据步骤(4)得到的由有效区域或感兴趣区域灰度中心向边缘处逐渐扩大区域的内部平均灰度值的变化趋势,确定H的符号,其中,增加取+,降低取-。
本发明的图像非均匀特性的定量评估方法,通过建立合理有效、简单快捷的数学模型来定量描述图像的非均匀性特征。具有如下特点:
1、形式简单,参量少,速度快,便于应用;
2、模型保留了图像空间分布的信息;
3、使用图像中的灰度值进行计算,保留了图像的特征信息;
4、使用符号(+或-)表征图像有效区域或感兴趣区域内部的灰度变化趋势,有实用指导意义。
附图说明
图1是肿瘤区域图效果图。
图中:
A是横断面视图 B是矢状面视图 C是冠状面视图 D是肿瘤区域图
具体实施方式
下面结合实施例和附图对本发明的图像非均匀特性的定量评估方法做出详细说明。
本发明的图像非均匀特性的定量评估方法,包括如下步骤:
1)确定通过采用图像中灰度值差异及空间分布特性来描述图像非均匀性的数学表达:
其中:
M:图像内部有效区域或感兴趣区域的有效点总数;有效点总数M的获得方法是:首先划定图像中需要进行非均匀性计算的区域,即有效区域或感兴趣区域,然后针对划定的有效区域或感兴趣区域,进行区域内部的像素点数统计,获得M值。
Ni:与图像有效区域或感兴趣区域内的第i个有效点相邻的有效点数;
|G|i,j:图像有效区域或感兴趣区域内部第i个有效点和与它相邻的第j个有效点之间灰度值差的绝对值;
Gth:有效区域或感兴趣区域中灰度参考值,公式(1)中使用此量以使计算出的H值为无量纲量;
di:第i个有效点距离图像有效区域或感兴趣区域灰度中心的距离,dmax为di的最大值。di的获得方法是:通过针对图像建立的坐标系,分别确定第i点的坐标x1i,x2i,x3i,和有效区域灰度中心的坐标x1c,x2c,x3c,则
其中,图像有效区域或感兴趣区域的灰度中心的坐标x1c,x2c,x3c定义为:
其中,Gi和xni,n=1,2,3,分别代表第i点的灰度值和三维坐标;
2)获得被评估图像的三维图像;
3)针对获得的三维图像,获取各点的灰度值;
4)设定有效区域或感兴趣区域和无效区域,在整体图像中提取有效区域或感兴趣区域,获得有效区域或感兴趣区域的三维图(如图1中所示的肿瘤区域图),设定有效区域或感兴趣区域中的灰度参考值Gth;
5)针对获得的有效区域或感兴趣区域的三维图,统计该三维图内部的有效点总数M;
6)读取各点的灰度值和坐标值,根据公式(4)计算有效区域或感兴趣区域的灰度中心坐标,根据公式(3)计算各点与有效区域或感兴趣区域灰度中心的距离di,获得最大中心距dmax;
7)统计每点的相邻有效点数Ni,计算各点与周围有效相邻点灰度差的绝对值|G|ij;
8)将获得的各参数带入步骤1)中所给出的公式中,计算有效区域或感兴趣区域内部非均匀性特征值H;
9)按照有效区域或感兴趣区域灰度分布变化方向表征符号的求取步骤获得有效区域或感兴趣区域的灰度分布变化表征符号+或-。
表征符号的获得包括如下步骤:
(2)在灰度中心周围确定一定区域,求取该区域内部所有点的平均灰度值;
(3)将步骤(2)中确定的区域进行扩大,求取扩大后区域内部的平均灰度值;
(4)重复步骤(3)若干次,直到将图像的全部有效区域或感兴趣区域都包含在内为止;
(5)观测根据步骤(4)得到的由有效区域或感兴趣区域中心向边缘处逐渐扩大区域的内部平均灰度值的变化趋势,确定H的符号,其中,增加取+,降低取-。
本发明的图像非均匀特性的定量评估方法,可以用于不同图像的非均匀特性的定量评估。作为实际例子,将模型应用于医学图像分析领域,给出一个描述肿瘤均匀性特征的定量指标,供进行临床肿瘤治疗中诊断、计划制定、疗效跟踪以及效果预估等参考。
下面结合附图1,以1名肺癌病人的18F-FDG PET(氟化去氧葡萄糖正电子发射计算机断层成像)图像为例,对本发明的图像非均匀性算法做进一步的说明:
1)使用PET(正电子发射计算机断层成像)设备对病人进行18F-FDG(氟化去氧葡萄糖)示踪剂正电子发射三维断层成像,得到该示踪剂在其体内的三维分布图。图1显示的为肿瘤病人三维断层图像中的三个切面(横断面、矢状面、冠状面)图像;
2)针对获得的18F-FDG PET图像,获取18F-FDG PET图像中能表征各点特性的特定参数——“标准摄取值”(SUV),代替各个体元的灰度值参数G参与计算。此病例PET图像的SUV分布范围为:0~40.6;
3)设定对应某一SUV参考值的一个灰度阈值作为区分肿瘤区域与正常组织区域的阈值Gth在整体图像中提取肿瘤区域,获得如图1所示的肿瘤体区域的三维图。如本例中使用SUV=2.5作为阈值进行划分,得到图1中所示的白色高亮区域即为肿瘤体区域;
4)针对获得的肿瘤体区域,统计其内部的有效点总数M。M值范围取决于肿瘤的体积,此病例M值为2098;
5)读取各点的灰度值和坐标值,根据公式(4)计算肿瘤区域的灰度中心坐标,根据公式(3)计算各点与有效区域灰度中心的距离di,获得最大中心距dmax。经计算,此病例的三维灰度中心坐标为(54.3,65.0,10.5),则肿瘤体内部任意有效点(x1i,x2i,x3i)距离灰度中心的距离为 经统计,dmax=9.8出现在坐标为(57,69,19)点处;
6)统计每点的相邻有效点数Ni,计算各点与周围有效相邻点的灰度值的绝对差值|G|ij。例如本病例第908个有效点的位置坐标为(54,64,10),对应的SUV908=34,其相邻的有效点数N908=26,与之相邻的第5个有效点的坐标为(55,64,10),SUV908,5=33,则其SUV差的绝对值|SUV|908,5=1;
7)将获得各参数带入公式(1)中,计算肿瘤内部非均匀性特征值H。本病例中, 其中 H的最终计算结果为1.16;
8)按照肿瘤灰度分布方向表征符号的求取步骤获得肿瘤内部灰度变化方向的表征符号+或-。本病例进行了3次计算,结果分别为22.1,18.5,15.3,得到的灰度变化趋势为递减,所以取符号为-;
9)H值作为描述肿瘤内部非均匀特性的量化参数,供临床治疗中参考。
此实施例通过应用本发明方法实现了基于18F-FDG PET图像的肿瘤内部非均匀性定量化计算,实现了本发明在医学领域的一个实际应用,与以往方法相比,具有更简便的形式和更高的实用价值。
以上结合附图对本发明的具体实施方式作了说明,但这些说明不能被理解为限制了本发明的范围,本发明的保护范围由随附的权利要求书限定,任何在本发明权利要求基础上的改动都是本发明的保护范围。
Claims (2)
1.一种图像非均匀特性的定量评估方法,其特征在于,包括如下步骤:
1)确定通过采用图像中灰度值差异及空间分布特性来描述图像非均匀性的数学表达:
其中:
M:图像有效区域或感兴趣区域内部的有效点总数;
Ni:与图像有效区域或感兴趣区域内的第i个有效点相邻的有效点数;
|G|i,j:图像有效区域或感兴趣区域内部第i个有效点和与它相邻的第j个有效点之间灰度值差的绝对值;
Gth:有效区域或感兴趣区域中的灰度参考值,H计算公式中使用此量以使计算出的H值为无量纲量;
di:第i个有效点距离图像有效区域或感兴趣区域灰度中心的距离,dmax为di的最大值,
这里将图像有效区域或感兴趣区域灰度中心的坐标x1c,x2c,x3c定义为:
其中,Gi和xni(n=1,2,3)分别代表第i点的灰度值和三维坐标;
2)获得被评估图像的三维图像;
3)针对获得的三维图像,获取各点的灰度值;
4)设定有效区域或感兴趣区域和无效区域,在整体图像中提取有效区域或感兴趣区域,获得有效区域或感兴趣区域的三维图,设定有效区域或感兴趣区域中的灰度参考值Gth;
5)针对获得的有效区域或感兴趣区域的三维图,统计该三维图内部的有效点总数M;
6)读取各点的灰度值和坐标值,根据灰度中心坐标x1c,x2c,x3c计算公式计算有效区域或感兴趣区域的灰度中心坐标和各点距有效区域或感兴趣区域灰度中心的距离di,获得最大中心距dmax;
7)统计每点的相邻有效点数Ni,计算各点与周围有效相邻点灰度值的绝对差值|G|ij;
8)将获得的各参数带入步骤1)中所给出的公式中,计算有效区域或感兴趣区域内部非均匀性特征值H;
9)按照有效区域或感兴趣区域灰度分布方向变化表征符号的求取步骤获得有效区域或感兴趣区域的灰度分布变化表征符号+或-。
2.根据权利要求1所述的图像非均匀特性的定量评估方法,其特征在于,步骤9)中所述的灰度分布变化表征符号+或-的获得包括如下步骤:
(1)根据公式求得图像有效区域或感兴趣区域的灰度中心坐标x1c,x2c,x3c;
(2)在灰度中心周围确定一定区域,求取该区域内部所有点的平均灰度值;
(3)将步骤(2)中确定的区域进行扩大,求取扩大后区域内部的平均灰度值;
(4)重复步骤(3)若干次,直到将图像的全部有效区域或感兴趣区域都包含在内为止;
(5)观测根据步骤(4)得到的由有效区域或感兴趣区域灰度中心向边缘处逐渐扩大区域的内部平均灰度值的变化趋势,确定H的符号,其中,增加取+,降低取-。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210068723.6A CN102663735B (zh) | 2012-03-15 | 2012-03-15 | 图像非均匀特性的定量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210068723.6A CN102663735B (zh) | 2012-03-15 | 2012-03-15 | 图像非均匀特性的定量评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102663735A true CN102663735A (zh) | 2012-09-12 |
CN102663735B CN102663735B (zh) | 2014-08-20 |
Family
ID=46773213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210068723.6A Expired - Fee Related CN102663735B (zh) | 2012-03-15 | 2012-03-15 | 图像非均匀特性的定量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102663735B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107111871A (zh) * | 2014-10-30 | 2017-08-29 | 音量制图法公司 | 从体图像记录确定局部质量测量 |
CN111462111A (zh) * | 2020-04-21 | 2020-07-28 | 上海联影医疗科技有限公司 | Pet系统的均匀性检测方法、装置和计算机设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100347541C (zh) * | 2005-11-11 | 2007-11-07 | 清华大学 | 基于图像处理技术的薄层色谱定量分析方法 |
US20110181614A1 (en) * | 2010-01-25 | 2011-07-28 | King Jen Chang | Quantification method of the feature of a tumor and an imaging method of the same |
US20110242556A1 (en) * | 2010-04-02 | 2011-10-06 | Canon Kabushiki Kaisha | Color processing method and color processing apparatus |
-
2012
- 2012-03-15 CN CN201210068723.6A patent/CN102663735B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100347541C (zh) * | 2005-11-11 | 2007-11-07 | 清华大学 | 基于图像处理技术的薄层色谱定量分析方法 |
US20110181614A1 (en) * | 2010-01-25 | 2011-07-28 | King Jen Chang | Quantification method of the feature of a tumor and an imaging method of the same |
US20110242556A1 (en) * | 2010-04-02 | 2011-10-06 | Canon Kabushiki Kaisha | Color processing method and color processing apparatus |
Non-Patent Citations (4)
Title |
---|
《Magnetic Resonance in Medicine》 20090831 Chris J. Rose等 Quantifying spatial heterogeneity in dynamic contrast-enhanced MRI parameter maps 第488-499页 1-2 第62卷, 第2期 * |
CHRIS J. ROSE等: "Quantifying spatial heterogeneity in dynamic contrast‐enhanced MRI parameter maps", 《MAGNETIC RESONANCE IN MEDICINE》 * |
HOLLY C. CANUTO等: "Characterization of image heterogeneity using 2D Minkowski functionals increases the sensitivity of detection of a targeted MRI contrast agent", 《MAGNETIC RESONANCE IN MEDICINE》 * |
燕海峰: "基于非均匀性的沥青路面施工质量控制与评价研究", 《万方学位论文全文数据库》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107111871A (zh) * | 2014-10-30 | 2017-08-29 | 音量制图法公司 | 从体图像记录确定局部质量测量 |
CN107111871B (zh) * | 2014-10-30 | 2022-05-17 | 音量制图法公司 | 处理体图像数据记录的方法、装置及监视方法、数据介质 |
CN111462111A (zh) * | 2020-04-21 | 2020-07-28 | 上海联影医疗科技有限公司 | Pet系统的均匀性检测方法、装置和计算机设备 |
CN111462111B (zh) * | 2020-04-21 | 2023-11-24 | 上海联影医疗科技股份有限公司 | Pet系统的均匀性检测方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN102663735B (zh) | 2014-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11263793B2 (en) | Method and system for assessing images using biomarkers | |
CN107123112B (zh) | 血流状态分析系统及方法 | |
CN107230206B (zh) | 一种基于多模态数据的超体素序列肺部图像的3d肺结节分割方法 | |
CN106887000B (zh) | 医学图像的网格化处理方法及其系统 | |
EP3195257B1 (en) | Systems and methods for segmenting medical images based on anatomical landmark-based features | |
US20200320752A1 (en) | Learning-assisted multi-modality dielectric imaging | |
CN103337065A (zh) | 小鼠三维ct图像的非刚性配准方法 | |
CN104665770B (zh) | 一种用于近红外光脑功能研究的自引导扩散光层析成像方法 | |
Zeng et al. | Prostate segmentation in transrectal ultrasound using magnetic resonance imaging priors | |
Saleh et al. | The distance discordance metric—a novel approach to quantifying spatial uncertainties in intra-and inter-patient deformable image registration | |
CN103473805A (zh) | 基于改进区域生长算法测量三维重建肝脏模型体积的方法 | |
Park et al. | Deformable registration of CT and cone-beam CT with local intensity matching | |
US20140276035A1 (en) | System and Method for Evaluation of Disease Burden | |
Jayasuriya et al. | Brain symmetry plane detection based on fractal analysis | |
Camps et al. | Automatic quality assessment of transperineal ultrasound images of the male pelvic region, using deep learning | |
Chang et al. | Development of realistic multi-contrast textured XCAT (MT-XCAT) phantoms using a dual-discriminator conditional-generative adversarial network (D-CGAN) | |
Simpson et al. | Impact of quantization algorithm and number of gray level intensities on variability and repeatability of low field strength magnetic resonance image-based radiomics texture features | |
CN102663735B (zh) | 图像非均匀特性的定量评估方法 | |
Smeets et al. | Segmentation of liver metastases using a level set method with spiral-scanning technique and supervised fuzzy pixel classification | |
Li et al. | Automatic liver contouring for radiotherapy treatment planning | |
Wen et al. | Magnetic resonance imaging for radiation therapy | |
Wang et al. | MRI-aided tissues interface characterization: An accurate signal propagation time calculation method for UWB breast tumor imaging | |
Bubnov et al. | The methods of fractal analysis of diagnostic images. initial clinical experience | |
You et al. | A novel application of principal surfaces to segmentation in 4D-CT for radiation treatment planning | |
Wodzinski et al. | Usage of ICP algorithm for initial alignment in B-splines FFD image registration in breast cancer radiotherapy planning |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140820 Termination date: 20210315 |
|
CF01 | Termination of patent right due to non-payment of annual fee |