CN102663749A - 基于相位信息的超声图像病灶分割技术 - Google Patents
基于相位信息的超声图像病灶分割技术 Download PDFInfo
- Publication number
- CN102663749A CN102663749A CN2012100860507A CN201210086050A CN102663749A CN 102663749 A CN102663749 A CN 102663749A CN 2012100860507 A CN2012100860507 A CN 2012100860507A CN 201210086050 A CN201210086050 A CN 201210086050A CN 102663749 A CN102663749 A CN 102663749A
- Authority
- CN
- China
- Prior art keywords
- curve
- image
- lesion
- represent
- zero level
- 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.)
- Pending
Links
Images
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
Description
技术领域
本发明属生物医学信号处理领域,具体涉及超声图像病灶自动提取方法。
背景技术
图像分割就是把图像中具有特殊涵义的不同区域分隔开来,这些区域使互不相交的每一个区域都满足特定区域的一致性。它是图像处理与图像分析中的一个经典问题。目前针对各种具体问题已经提出了许多不同的图像分割算法,对图像分割的效果也有很好的分析结论。但是由于图像分割问题所面向领域的特殊性,至今尚未得到圆满的、具有普适性的解决方法。
同样,医学超声图像的分割也一直以来是一个非常棘手的问题,因为其固有的斑点噪声使图像变得模糊不清,加之图像本身灰度较暗、对比度较差,从而使分割难度进一步加大。回顾近几年,国内外相继提出了许多超声图像的分割技术,如活动轮廓模型方法,神经网络方法,支持向量机方法以及小波变换方法等。这其中绝大部分是基于图像灰度信息的分割技术。
传统的活动轮廓模型分为参数活动轮廓模型与几何活动轮廓模型。参数活动轮廓模型主要以Kass等人提出的snake模型为代表,由于snake模型存在一些缺陷,比如初始轮廓必须是封闭的曲线,而且须设在目标边缘附近,曲线捕捉范围较小。针对snake模型的缺点,Chenyang Xu 等人于1997年提出了GVF模型即梯度向量流模型,对snake模型进行了改进,从而增大了曲线的捕捉范围和逼近能力。之后不断有人提出针对snake模型的改进方法,但这些方法都不能改变参数活动轮廓模型的固有缺陷,即几何拓扑变化能力差。
相比于参数活动轮廓模型,几何活动轮廓模型具有较强的几何拓扑变化能力,并且计算稳定,分割精度高。由于该模型的良好特性,近几年来,在图像分割领域得到了广泛的应用。几何活动轮廓模型是建立在曲线进化理论和水平集思想的基础之上的。在几何活动轮廓模型中,曲线的移动仅仅在几何尺度下进行,所以轮廓的演变过程与参数化无关。活动曲线的进化利用高维函数的水平截集来间接表示,因此曲线在拓扑学上的变化可以自然而然的得到。在几何活动轮廓模型分割方法中,广泛采用如下边缘检测算子
其中,表示原始图像,表示标准差为的高斯核函数。该算子对一般的灰度图像边缘的检测效果较好,但它的一个致命缺陷是受图像的对比度以及亮度的影响较大,对于一幅对比度较低或者亮度较暗的图像来说,检测出的边缘效果并不理想。尤其对于超声图像这种特殊图像,由于其本身具有斑点噪声以及图像比较暗的特点,边缘检测器g则检测不到对比度较差的边缘或者一些细节纹理。而我们知道,图像分割的实质可以归结到对图像的边缘检测上来。因此边缘检测算子的好坏直接影响到图像的最终分割效果理想与否。所以,针对目前的图像分割技术现状,我们迫切需要在超声图像的分割中引入一种性能较佳的边缘检测算子来克服传统边缘检测方法的不足,从而达到理想的分割效果。
发明内容
本发明目的是针对上述分割技术存在的缺陷,提供一种超声图像乳腺肿瘤自动提取方法。
本发明可以实现无人工干预的超声图像病灶边缘提取,不仅能快速地提取出肿瘤病灶区域,而且大大提高了准确性。
本发明是通过以下技术方案实现的,具体分以下步骤进行:
(1)选取目标图像:用户利用鼠标剪裁包括有待处理的病灶的方框图像;
(2)初始化零水平集:在裁剪后得到的图像上病灶的周围用鼠标人工初始化零水平集曲线,作为初始曲线轮廓;
3a 计算基于相位一致性的边缘检测算子
将上述方程离散化得到如下的迭代方程:
3c 模型更新:将上述方程进行迭代计算,从而更新水平集曲线,使得曲线不断逼近病灶的边缘,直到曲线的能量达到最小化为止;
3d绘制迭代之后得到的零水平集曲线,从而得到最终的病灶分割结果。
本发明与现有技术相比具有以下优点:
1.引入了基于相位一致性的边缘检测算子,提高了病灶的分割准确率,同时增强了噪声抑制的能力;
2.引入边缘定位项,能够更加精确地提取出病灶的边缘。
附图及其说明
图1为本发明的流程图;
图2为本发明引入的新的基于相位一致性的边缘检测算子与传统的边缘检测算子的检测效果比较实验图;
其中,3-a为乳腺囊肿原图像,绿色矩形框表示人工初始化的零水平集曲线;3-b为模型的分割结果;3-c为本发明提出的模型的分割结果;
其中,4-a为乳腺纤维瘤原始图像,绿色矩形框表示人工初始化的零水平集曲线;4-b为模型的分割结果;4-c为本发明提出的模型的分割结果。
在几何活动轮廓模型当中,传统的边缘检测算子g是基于灰度信息的边缘检测方法,因此非常容易受到图像灰度特征的影响。研究表明,图像的纹理信息主要由相位信息决定,幅值信息则表示纹理变化的强弱,因此用相位信息来表征图像的纹理特征将会是一种更有效的检测手段。基于相位信息的边缘检测方法不易受图像的对比度以及灰度的影响,很好地避开了灰度边缘检测所遇到的麻烦,因为它是基于小波变换频率域的边缘检测方法,即通过对图像进行小波变换后,计算图像相位的一致性来得到边缘信息,相位一致性越强的地方表明图像的边缘越明显。
基于相位的边缘检测算子是由Peter Kovesi等人提出来的,表达式如下所示
具体的实施方式:
步骤一:选取目标图像。
本发明只需要用户大概确认病灶的位置,即可以利用鼠标在显示的医学图像上划取病灶的大致范围即可,系统便能自动地提出去肿瘤的具体形状和大小等重要信息。
步骤二:初始化零水平集函数,作为后续迭代计算的初始条件。
在裁剪后得到的图像上病灶的周围用鼠标人工初始化零水平集曲线,作为初始曲线轮廓。
1)计算基于相位一致性的边缘检测算子
将上述方程离散化得到如下的迭代方程
3)模型更新:将上述方程进行迭代计算,从而更新水平集曲线,使得曲线不断逼近病灶的边缘,直到曲线的能量达到最小化为止;
4) 绘制迭代之后得到的零水平集曲线,从而得到最终的病灶分割结果。
我们用本发明提出的方法模型对两幅真实的乳腺超声图像分别进行病灶提取,并和经典的侧地活动轮廓模型(GAC)做比较,如图3和图4所示。为了进行定量的比较,我们引入相对误分率来做客观的分割效果评价,误分率的定义如下所示
不同方法下的误分率比较(迭代次数均为250次)
通过分析以上实验数据,可以说明本专利提出的方法在超声图像病灶提取方面具有明显的优越性,较之经典的GAC模型,大大提高了病灶的识别准确率。
Claims (1)
1.一种基于相位信息的超声图像病灶分割技术,按以下步骤进行:
(1)选取目标图像:用户利用鼠标剪裁包括有待处理的病灶的方框图像;
(2)初始化零水平集:在裁剪后得到的图像上病灶的周围用鼠标人工初始化零水平集曲线,作为初始曲线轮廓;
3a 计算基于相位一致性的边缘检测算子
将上述方程离散化得到如下的迭代方程:
3c 模型更新:将上述方程进行迭代计算,从而更新水平集曲线,使得曲线不断逼近病灶的边缘,直到曲线的能量达到最小化为止;
3d绘制迭代之后得到的零水平集曲线,从而得到最终的病灶分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100860507A CN102663749A (zh) | 2012-03-28 | 2012-03-28 | 基于相位信息的超声图像病灶分割技术 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012100860507A CN102663749A (zh) | 2012-03-28 | 2012-03-28 | 基于相位信息的超声图像病灶分割技术 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102663749A true CN102663749A (zh) | 2012-09-12 |
Family
ID=46773227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012100860507A Pending CN102663749A (zh) | 2012-03-28 | 2012-03-28 | 基于相位信息的超声图像病灶分割技术 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102663749A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593848A (zh) * | 2013-11-25 | 2014-02-19 | 深圳市恩普电子技术有限公司 | 超声心脏内膜描迹方法 |
CN103824306A (zh) * | 2014-03-25 | 2014-05-28 | 武汉大学 | 一种基于动力学统计形状模型的超声图像分割方法 |
CN104091331A (zh) * | 2014-06-27 | 2014-10-08 | 深圳市开立科技有限公司 | 一种超声病灶图像的分割方法、装置及系统 |
CN106570868A (zh) * | 2015-10-10 | 2017-04-19 | 中国科学院深圳先进技术研究院 | 基于水平集方法的三维肝脏肿瘤半自动分割方法 |
CN111127583A (zh) * | 2019-11-08 | 2020-05-08 | 北京猎豹移动科技有限公司 | 一种绘制曲线的方法、装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070047788A1 (en) * | 2005-07-15 | 2007-03-01 | Siemens Corporate Research Inc | System and Method For Ultrasound Specific Segmentation Using Speckle Distributions |
CN101599174A (zh) * | 2009-08-13 | 2009-12-09 | 哈尔滨工业大学 | 基于边缘和统计特征的水平集医学超声图像区域轮廓提取方法 |
-
2012
- 2012-03-28 CN CN2012100860507A patent/CN102663749A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070047788A1 (en) * | 2005-07-15 | 2007-03-01 | Siemens Corporate Research Inc | System and Method For Ultrasound Specific Segmentation Using Speckle Distributions |
CN101599174A (zh) * | 2009-08-13 | 2009-12-09 | 哈尔滨工业大学 | 基于边缘和统计特征的水平集医学超声图像区域轮廓提取方法 |
Non-Patent Citations (2)
Title |
---|
AHROR BELAID等: "Phase-Based Level Set Segmentation of Ultrasound Images", 《IEEE TRANSACTIONS ON INFORMATION TECHNOLOGY IN BIOMEDICINE》, vol. 15, no. 1, 31 January 2011 (2011-01-31), pages 138 - 147 * |
罗斌等: "基于运动信息和相位一致性的运动目标提取", 《系统仿真学报》, vol. 20, no. 1, 31 January 2008 (2008-01-31), pages 94 - 98 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103593848A (zh) * | 2013-11-25 | 2014-02-19 | 深圳市恩普电子技术有限公司 | 超声心脏内膜描迹方法 |
CN103824306A (zh) * | 2014-03-25 | 2014-05-28 | 武汉大学 | 一种基于动力学统计形状模型的超声图像分割方法 |
CN103824306B (zh) * | 2014-03-25 | 2016-09-14 | 武汉大学 | 一种基于动力学统计形状模型的超声图像分割方法 |
CN104091331A (zh) * | 2014-06-27 | 2014-10-08 | 深圳市开立科技有限公司 | 一种超声病灶图像的分割方法、装置及系统 |
CN104091331B (zh) * | 2014-06-27 | 2015-07-29 | 深圳开立生物医疗科技股份有限公司 | 一种超声病灶图像分割方法、装置及系统 |
CN106570868A (zh) * | 2015-10-10 | 2017-04-19 | 中国科学院深圳先进技术研究院 | 基于水平集方法的三维肝脏肿瘤半自动分割方法 |
CN111127583A (zh) * | 2019-11-08 | 2020-05-08 | 北京猎豹移动科技有限公司 | 一种绘制曲线的方法、装置及电子设备 |
CN111127583B (zh) * | 2019-11-08 | 2024-01-12 | 北京朱比特科技有限公司 | 一种绘制曲线的方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190355117A1 (en) | Techniques for Segmentation of Lymph Nodes, Lung Lesions and Other Solid or Part-Solid Objects | |
CN101706843B (zh) | 一种乳腺cr图像交互式读片方法 | |
CN102324021B (zh) | 一种基于剪切波变换的红外弱小目标检测方法 | |
Nasor et al. | Detection and localization of early-stage multiple brain tumors using a hybrid technique of patch-based processing, k-means clustering and object counting | |
CN101982835B (zh) | Sar图像机场道路边缘检测水平集方法 | |
Guo et al. | A novel image edge detection algorithm based on neutrosophic set | |
CN104732536A (zh) | 一种基于改进形态学的亚像素边缘检测方法 | |
CN109009110A (zh) | 基于mri影像的腋窝淋巴结转移预测系统 | |
CN102663749A (zh) | 基于相位信息的超声图像病灶分割技术 | |
CN101980287B (zh) | 一种采用非下采样轮廓波变换的图像边缘检测方法 | |
Zhao et al. | Segmentation of ultrasound images of thyroid nodule for assisting fine needle aspiration cytology | |
CN103714547B (zh) | 一种结合边缘区域和互相关的图像配准方法 | |
Mohanapriya et al. | Adaptive Image Enhancement Using Hybrid Particle Swarm Optimization and Watershed Segmentation. | |
CN105719295A (zh) | 一种基于三维超体素的颅内出血区域分割方法及系统 | |
Farhi et al. | Adaptive stochastic segmentation via energy-convergence for brain tumor in MR images | |
CN102542556A (zh) | 超声图像乳腺肿瘤自动提取方法 | |
CN102737382A (zh) | 一种前列腺超声图像自动精确分割方法 | |
CN105261015A (zh) | 基于Gabor滤波器的眼底图像血管自动分割方法 | |
Xian et al. | A fully automatic breast ultrasound image segmentation approach based on neutro-connectedness | |
Jolly et al. | 3D general lesion segmentation in CT | |
CN106683159B (zh) | 三维盆底超声图像处理方法及系统 | |
CN103065291A (zh) | 基于提升小波变换和像素区域相关性的图像融合方法 | |
CN103065299A (zh) | 超声图像边缘提取方法和装置 | |
Kaur et al. | Curvelet initialized level set cell segmentation for touching cells in low contrast images | |
Mehena et al. | Brain tumor segmentation and extraction of MR images based on improved watershed transform |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120912 |