CN103793916A - 一种hifu治疗中子宫肌瘤超声图像分割方法 - Google Patents
一种hifu治疗中子宫肌瘤超声图像分割方法 Download PDFInfo
- Publication number
- CN103793916A CN103793916A CN201410059717.3A CN201410059717A CN103793916A CN 103793916 A CN103793916 A CN 103793916A CN 201410059717 A CN201410059717 A CN 201410059717A CN 103793916 A CN103793916 A CN 103793916A
- Authority
- CN
- China
- Prior art keywords
- phi
- function
- image
- level set
- segmentation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 201000010260 leiomyoma Diseases 0.000 title claims abstract description 28
- 238000002604 ultrasonography Methods 0.000 title abstract description 7
- 206010046798 Uterine leiomyoma Diseases 0.000 title abstract 3
- 208000010579 uterine corpus leiomyoma Diseases 0.000 title abstract 3
- 201000007954 uterine fibroid Diseases 0.000 title abstract 3
- 230000011218 segmentation Effects 0.000 claims abstract description 60
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 9
- 230000004807 localization Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004800 variational method Methods 0.000 claims description 8
- 230000003902 lesion Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000010429 evolutionary process Effects 0.000 claims description 3
- VYMDGNCVAMGZFE-UHFFFAOYSA-N phenylbutazonum Chemical compound O=C1C(CCCC)C(=O)N(C=2C=CC=CC=2)N1C1=CC=CC=C1 VYMDGNCVAMGZFE-UHFFFAOYSA-N 0.000 claims description 3
- 230000008602 contraction Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 7
- 238000003709 image segmentation Methods 0.000 description 2
- 239000012736 aqueous medium Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005574 cross-species transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012113 quantitative test Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000002560 therapeutic procedure Methods 0.000 description 1
Images
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种HIFU治疗中子宫肌瘤超声图像分割方法,其实现过程为:用户手动初始化肿瘤轮廓;构造图像高斯金字塔,得到粗尺度图像;构建形状约束能量,利用引入形状约束后的局域区域活动轮廓模型对粗尺度图像进行粗分割;将得到的粗尺度分割结果作为对原始图像进行分割的初始轮廓,再次利用引入形状约束后的局域区域活动轮廓模型对原始图像进行细分割;其细分割结果即是最后的肿瘤分割轮廓。该发明通过一种新的形状约束的引入提高了子宫肌瘤超声图像分割的准确性,避免了由于超声图像质量导致的边界泄露或过度收缩问题,而多尺度算法的实施极大地提高了分割效率。
Description
技术领域
本发明涉及图像处理技术领域,涉及一种HIFU治疗中子宫肌瘤超声图像分割方法,一种HIFU治疗中基于形状约束的多尺度局域区域活动轮廓模型的子宫肌瘤超声图像分割方法。
背景技术
子宫肌瘤是困扰女性的一种常见的良性肿瘤。目前,高强度聚焦超声(HIFU)治疗作为一种新型的无创手术,由于其具有安全性和有效性,已被逐渐应用到子宫肌瘤的治疗中,减轻了传统手术中的患者痛苦。众所周知,超声图像由于其低信噪比,弱边界等问题,其准确分割一直是分割领域中的一个难题,至今仍未有完美的解决方案。而应用于HIFU治疗中的超声图像由于治疗过程中水介质干扰和角度恒定等问题,具有更加严重的噪声和边界的模糊性。然而,其图像中肿瘤靶区的分割是HIFU治疗中最为关键的一个步骤,其分割的准确性决定着手术的最终效果,而且,相比于其它HIFU系统,基于超声引导的HIFU系统的一个巨大优势就是实时性,而肿瘤区域分割的速度却极大影响着手术整体的进程。因此,一个应用于HIFU系统中高效而准确的分割方法亟待解决。
最近几年,活动轮廓模型广泛应用于图像分割。由于其平滑性和封闭的特征,被许多人应用到医学图像中并取得了较好的分割结果。活动轮廓模型首先由Kass等人提出,经过长时间的发展,按照所依据分割信息的不同,主要可以分为两类:基于边缘的模型和基于区域的模型。基于边缘的活动轮廓模型利用图像的梯度信息作为一种基于图像的力促使轮廓向目标边界移动,对于有清晰边界的目标有较好的分割效果。但由于梯度信息是一种高度局域化的图像信息,导致该模型有两个主要的缺点:对图像噪声的敏感性和对初始化轮廓的敏感性。将该模型应用于超声图像极易产生边界泄露的问题。基于区域的活动轮廓模型利用前景和背景区域的统计信息形成驱动力,适用于各区域灰度均匀的图像分割。其中最著名的方法是Chan and Vese提出的分段常数模型。该模型由于未使用图像的梯度信息,可以有效的分割含噪声和弱边界的图像,适用于超声图像等医学图像的分割。但由于该模型大都假定图像中各区域灰度是均匀的,并采用全局的统计信息,对于非均匀的图像容易产生错误的分割结果。近期,为了克服基于区域的活动轮廓模型难以分割不均匀目标的缺点,人们把更多注意力投向基于区域的局域化研究,提出了许多利用局域信息的新的基于区域活动轮廓模型。李纯明等人提出通过引入一个核函数来定义局域二元拟合能量在变分水平集框架中,从而嵌入局域的灰度信息到基于区域的活动轮廓模型中。之后,李纯明等人又在其基础上做了改进,深入研究了核函数的选择和基于区域范围大小的选择。S.Lankton等人则提出了一个局域化框架,允许利用全局信息的基于区域的能量式可以重新改写为局域化的形式,并深入分析了局域半径对于分割结果的影响。这些模型都引入了局域信息,更加适合于超声图像的分割难题,对灰度非均匀的图像已经有了较好的分割能力,但对于具有严重的低信噪比,低对比度,弱边界等问题的子宫肌瘤超声图像仍较易出现边界泄露或过度收缩的错误分割。
发明内容
针对上述子宫肌瘤超声图像分割较易出现的边界泄露或过度收缩等问题,本发明的目的是提供一种快速、准确的半自动分割方法应用于HIFU治疗中的子宫肌瘤超声图像。
本发明采用的技术方案为:一种HIFU治疗中子宫肌瘤超声图像分割方法,包括以下步骤:
步骤1:读取原始图像I0,对所述的原始图像I0进行粗尺度分割,其具体实现包括以下子步骤:
步骤1.1:初始化目标轮廓,在所述的原始图像I0中划取一个椭圆作为原始图像I0的初始轮廓C0,使其能覆盖原始图像I0中肿瘤的边缘轮廓;
步骤1.2:设所述的原始图像I0大小为M×N,根据所述的原始图像I0构造一个图像的高斯金字塔,得到图像大小为(M/4)×(N/4)的粗尺度图像I2;
步骤1.3:将所述的原始图像I0的初始轮廓C0缩小到所述的粗尺度图像I2大小,记为C1,求解基于C1的局域化区域活动轮廓模型,构建形状约束能量Eshape,并将所述的Eshape嵌入到所述的C1的局域化区域活动轮廓模型中,得到基于C1的总能量函数;
步骤1.4:通过变分法使所述的C1的总能量函数最小化得到相应的水平集演化方程,通过该方程更新C1的水平集函数,该水平集函数初始化为符号距离函数;
步骤1.5:判断所述的C1的水平集函数是否收敛?
若否:则回转执行所述的步骤1.4,通过C1的水平集演化方程不断更新C1的水平集函数;
如是:则执行下述步骤1.6;
步骤1.6:判断C1的水平集函数属于哪个尺度分割阶段?
若是细分割阶段,则得到细尺度分割轮廓,该细尺度分割轮廓作为最后的肿瘤分割轮廓,本方法执行完毕;
若是粗分割阶段,则由C1的水平集函数的零水平集位置得到粗尺度图像I2的粗尺度分割轮廓,转入细尺度分割阶段;
步骤2:细尺度分割,其具体实现包括以下子步骤:
步骤2.1:将所述的粗尺度图像I2的分割轮廓的大小插值放大到对应原始图像I0的大小,作为对原始图像I0进行分割的初始轮廓C2;
步骤2.2:求解基于C2的局域化区域活动轮廓模型,利用所述的C2构建相应的形状约束能量,将其嵌入到所述的C2的局域化区域活动轮廓模型中,得到C2的总能量函数;
步骤2.3:通过变分法得到所述的C2的水平集演化方程,再通过该方程更新C2的水平集函数;
步骤2.4:判断所述的C2的水平集函数是否收敛?
若否:则回转执行所述的步骤2.3,通过C2的水平集演化方程不断更新C2的水平集函数;
如是:则执行下述步骤2.5;
步骤2.5:判断C2的水平集函数属于哪个尺度分割阶段?
若是细分割阶段,则得到细尺度分割轮廓,该细尺度分割轮廓作为最后的肿瘤分割轮廓,本方法执行完毕;
若是粗分割阶段,则回转执行所述的步骤2.1;
作为优选,步骤1.3中所述的求解基于C1的局域化区域活动轮廓模型,其具体实现过程为:对C1曲线上的每一个点为单位独自计算其局域能量,为定义C1曲线上每个点的局域区域,定义一个特征函数如下:
其中x,y∈Ω,作为独立的空间变量各自代表一个点,r则代表半径参数,当点y在以x为中心,半径大小为r的圆内时,该特征函数Β(x,y)的值为1,否则为0;
根据特征函数Β(x,y)求出C1上点x局域化下的区域内部的均值强度cx1和区域外部的均值强度cx2,得到局域化框架:
这里H(φ)是Heaviside函数,I(y)是局域范围内点y的灰度值;
将该局域化框架应用到C-V模型中,获得能量函数和C1上点x相应的曲率流的局域化区域活动轮廓模型,简称LCV模型:
其中Fregion=Hφ(y)(I(y)-cx1)2+(1-Hφ(y))(I(y)-cx2)2,δ(φ)是Dirac函数,也是H(φ)的导数,φ(x)是水平集函数,B(x,y)是表示局域范围的特征函数,Fregion是基于面积的作用力,x表示整个图像中全局的一个像素点,y表示局域范围圆内的一个像素点,参数μ表示弧长项的权值,决定着曲线的平滑性。
作为优选,所述的特征函数Β(x,y)中,通过局域半径自适应选择函数R(x),计算相应局域半径参数r,其中:
R(x)=10×arctan(0.28x-6)+24
x=k(||xmax-xmin||+||ymax-ymin||)
其中x是C1在图像上x轴方向的最大值和最小值之差与y轴方向上最大值和最小值之差的和的一个比例值,k是控制比例值大小的系数,xmax,ymax分别是C1在图像x,y轴方向上的最大值,xmin,ymin分别是C1在图像x,y轴方向上的最小值。
作为优选,所述的k取值为0.25。
作为优选,步骤1.3中所述的构建形状约束能量Eshape,并将所述的Eshape嵌入到所述的C1的局域化区域活动轮廓模型中,得到C1的总能量函数,其总能量函数如下:
其中,
px是当前轮廓上点x在图像中的位置,pmin是初始轮廓C1上到点x的最近的点的位置,φ(x)是水平集函数,φ0(x)是初始轮廓C1下的水平集函数表示,I(y)是图像在局域范围内点y的灰度值,参数β表示形状约束项的权值,决定着形状约束力的大小,该形状约束能力用来形成演化曲线在演化过程中朝向初始轮廓方向的作用力。
作为优选,步骤1.4中所述的通过变分法使所述的C1的总能量函数最小化得到相应的水平集演化方程,其水平集演化方程为:
其中,px是当前轮廓上点x在图像中的位置,pmin是初始轮廓C1上到点x的最近的点的位置,φ(x)是水平集函数,φ0(x)是初始轮廓C1下的水平集函数表示,Β(x,y)是表示局域范围的特征函数,x表示整个图像中全局的一个像素点,y表示局域范围圆内的一个像素点,I(y)是图像在局域范围内点y的灰度值,参数μ表示弧长项的权值,决定着曲线的平滑性,参数β表示形状约束项的权值,决定着形状约束力的大小,δ(φ)是Dirac函数,cx1,cx2是根据特征函数Β(x,y)求出的轮廓上点x局域区域中轮廓内部和外部的均值强度。
作为优选,步骤2.2中所述的C2的总能量函数的计算方法与步骤1.3中所述的C1的总能量函数的计算方法相同。
作为优选,步骤2.3中所述的C2的水平集演化方程的计算方法与步骤1.4中所述的C1的水平集演化方程的计算方法相同。
与现有技术相比,本发明具有以下的有益效果:
本发明通过引入一种形状约束到局域化的基于区域的活动轮廓模型中,约束曲线演化获得一个更准确的分割结果,有效的避免了由于超声图像本身特性所导致的边界泄露或过度收缩等问题,为HIFU治疗中的子宫肌瘤超声图像提供了准确的分割结果。并通过多尺度分割算法的引入,极大的提高了分割效率,而且对局域化范围选择提出了有效的解决方案,实现了局域半径大小的自适应选取。
附图说明
图1:是本发明实施例的方法流程图。
图2:是本发明实施例中求解局域半径大小的自适应选择函数R(x)图像。
图3:是本发明实施例对合成图片的分割结果图。
图4-1:是本发明实施例未使用形状约束的LCV方法对HIFU中子宫肌瘤超声图像的分割结果图。
图4-2:是本发明实施例对HIFU中子宫肌瘤超声图像的分割结果图。
具体实施方式
以下结合附图和具体实施例对本发明做进一步的阐述。
请见图1,本发明所采用的技术方案是:一种HIFU治疗中子宫肌瘤超声图像分割方法,包括以下步骤:
步骤1:读取原始图像I0,对原始图像I0进行粗尺度分割,其具体实现包括以下子步骤:
步骤1.1:初始化目标轮廓,在原始图像I0中划取一个椭圆作为原始图像I0的初始轮廓C0,使其能覆盖原始图像I0中肿瘤的边缘轮廓;选择椭圆初始化是因为子宫肌瘤形状大都近似椭圆形状,更易获得较好的初始化效果;
步骤1.2:设原始图像I0大小为M×N,根据原始图像I0构造一个图像的高斯金字塔,得到图像大小为(M/4)×(N/4)的粗尺度图像I2;
步骤1.3:将所述的原始图像I0的初始轮廓C0缩小到所述的粗尺度图像I2大小,记为C1,求解基于C1的局域化区域活动轮廓模型,构建形状约束能量Eshape,并将所述的Eshape嵌入到所述的C1的局域化区域活动轮廓模型中,得到基于C1的总能量函数;
求解基于C1的局域化区域活动轮廓模型,其具体实现过程为:对C1曲线上的每一个点为单位独自计算其局域能量,为定义C1曲线上每个点的局域区域,定义一个特征函数如下:
其中x,y∈Ω,作为独立的空间变量各自代表一个点,r则代表半径参数,当点y在以x为中心,半径大小为r的圆内时,该特征函数Β(x,y)的值为1,否则为0;
根据特征函数Β(x,y)求出C1上点x局域化下的区域内部的均值强度cx1和区域外部的均值强度cx2,得到局域化框架:
这里H(φ)是Heaviside函数,I(y)是局域范围内点y的灰度值;
将该局域化框架应用到C-V模型中,获得能量函数和C1上点x相应的曲率流的局域化区域活动轮廓模型:
其中Fregion=Hφ(y)(I(y)-cx1)2+(1-Hφ(y))(I(y)-cx2)2,δ(φ)是Dirac函数,也是H(φ)的导数,φ(x)是水平集函数,B(x,y)是表示局域范围的特征函数,Fregion是基于面积的作用力,x表示整个图像中全局的一个像素点,y表示局域范围圆内的一个像素点,参数μ表示弧长项的权值,决定着曲线的平滑性。
特征函数Β(x,y)中,通过局域半径自适应选择函数R(x),计算相应局域半径参数r,其中:
R(x)=10×arctan(0.28x-6)+24
x=k(||xmax-xmin||+||ymax-ymin||)
其中x是C1在图像上x轴方向的最大值和最小值之差与y轴方向上最大值和最小值之差的和的一个比例值,k是控制比例值大小的系数,k取值为0.25,xmax,ymax分别是C1在图像x,y轴方向上的最大值,xmin,ymin分别是C1在图像x,y轴方向上的最小值。请见图2,根据子宫肌瘤图像中子宫肌瘤大小和实验结果,使由R(x)函数的求得的局域半径大小控制在10到40之间,有效地避免了当分割目标太大或太小时造成的局域半径过大或过小问题。
构建形状约束能量Eshape,并将所述的Eshape嵌入到所述的C1的局域化区域活动轮廓模型中,得到C1的总能量函数如下:
其中,
px是当前轮廓上点x在图像中的位置,pmin是初始轮廓C1上到点x的最近的点的位置,φ(x)是水平集函数,φ0(x)是初始轮廓C1下的水平集函数表示,I(y)是图像在局域范围内点y的灰度值,参数β表示形状约束项的权值,决定着形状约束力的大小,该形状约束能力用来形成演化曲线在演化过程中朝向初始轮廓方向的作用力。
步骤1.4:通过变分法使C1的总能量函数最小化得到相应的水平集演化方程,通过该方程更新C1的水平集函数,该水平集函数初始化为符号距离函数;
其水平集演化方程为:
其中,px是当前轮廓上点x在图像中的位置,pmin是初始轮廓C1上到点x的最近的点的位置,φ(x)是水平集函数,φ0(x)是初始轮廓C1下的水平集函数表示,Β(x,y)是表示局域范围的特征函数,x表示整个图像中全局的一个像素点,y表示局域范围圆内的一个像素点,I(y)是图像在局域范围内点y的灰度值,参数μ表示弧长项的权值,决定着曲线的平滑性,参数β表示形状约束项的权值,决定着形状约束力的大小,δ(φ)是Dirac函数,cx1,cx2是根据特征函数Β(x,y)求出的轮廓上点x局域区域中轮廓内部和外部的均值强度。
步骤1.5:判断所述的C1的水平集函数是否收敛?
若否:则回转执行所述的步骤1.4,通过C1的水平集演化方程不断更新C1的水平集函数;
如是:则执行下述步骤1.6;
步骤1.6:判断C1的水平集函数属于哪个尺度分割阶段?
若是细分割阶段,则得到细尺度分割轮廓,该细尺度分割轮廓作为最后的肿瘤分割轮廓,本方法执行完毕;
若是粗分割阶段,则由C1的水平集函数的零水平集位置得到粗尺度图像I2的粗尺度分割轮廓,转入细尺度分割阶段;
步骤2:细尺度分割,其具体实现包括以下子步骤:
步骤2.1:将粗尺度图像I2的分割轮廓的大小插值放大到对应原始图像I0的大小,作为对原始图像I0进行分割的初始轮廓C2;
步骤2.2:利用C2构建相应的形状约束能量,求解基于C2的局域化区域活动轮廓模型,将其嵌入到C2的局域化区域活动轮廓模型中,得到C2的总能量函数;C2的总能量函数的计算方法与步骤1.3中C1的总能量函数的计算方法相同。
步骤2.3:通过变分法得到C2的水平集演化方程,再通过该方程更新C2的水平集函数;C2的水平集演化方程的计算方法与步骤1.4中C1的水平集演化方程的计算方法相同。
步骤2.4:判断所述的C2的水平集函数是否收敛?
若否:则回转执行所述的步骤2.3,通过C2的水平集演化方程不断更新C2的水平集函数;
如是:则执行下述步骤2.5;
步骤2.5:判断C2的水平集函数属于哪个尺度分割阶段?
若是细分割阶段,则得到细尺度分割轮廓,该细尺度分割轮廓作为最后的肿瘤分割轮廓,本方法执行完毕;
若是粗分割阶段,则回转执行所述的步骤2.1;
请见图3,显示了本发明对合成图像的分割结果,表明所引入形状约束的作用。(a),(d)显示初始化轮廓,(b),(e)显示了未使用形状约束的分割结果;(c),(f)显示了使用形状约束后的分割结果。从图可以看到引入形状约束后使得最后分割结果的大致轮廓依然保持为初始轮廓椭圆。
请见图4-1、图4-2,显示了未使用形状约束的LCV方法同引入形状约束后的本发明算法对HIFU治疗中子宫肌瘤超声图像分割结果的比较,未引入形状约束前分割轮廓发生了边界溢出现象,引入形状约束后分割轮廓较好的分割出了肿瘤区域,避免了边界的溢出。
为定量分析,表1给出分割准确性和时间的比较。Dice Similarity Coefficient(DSC)值越接近于1,表明分割结果越好。本文发明1表示未使用多尺度分割算法,只使用形状约束。本文发明2表示在使用形状约束的基础上使用多尺度分割算法。
表1
方法 | 迭代次数 | DSC | 时间(s) |
LCV方法 | 400 | 0.89 | 140.32 |
本文发明1 | 400 | 0.95 | 114.69 |
本文发明2 | 400 | 0.95 | 24.43 |
综上所述,本发明通过引入形状约束到局域区域活动轮廓模型中,克服了超声图像由于图像质量问题较易导致的边界泄露或过度收缩等问题,较大的提高了分割的准确性,并通过多尺度分割算法极大的提高了分割效率。
上述实例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明做出任何的修改和改变,都落入本发明的保护范围。
Claims (8)
1.一种HIFU治疗中子宫肌瘤超声图像分割方法,其特征在于,包括以下步骤:
步骤1:读取原始图像I0,对所述的原始图像I0进行粗尺度分割,其具体实现包括以下子步骤:
步骤1.1:初始化目标轮廓,在所述的原始图像I0中划取一个椭圆作为原始图像I0的初始轮廓C0,使其能覆盖原始图像I0中肿瘤的边缘轮廓;
步骤1.2:设所述的原始图像I0大小为M×N,根据所述的原始图像I0构造一个图像的高斯金字塔,得到图像大小为(M/4)×(N/4)的粗尺度图像I2;
步骤1.3:将所述的原始图像I0的初始轮廓C0缩小到所述的粗尺度图像I2大小,记为C1,求解基于C1的局域化区域活动轮廓模型,构建形状约束能量Eshape,并将所述的Eshape嵌入到所述的C1的局域化区域活动轮廓模型中,得到基于C1的总能量函数;
步骤1.4:通过变分法使所述的C1的总能量函数最小化得到相应的水平集演化方程,通过该方程更新C1的水平集函数,该水平集函数初始化为符号距离函数;
步骤1.5:判断所述的C1的水平集函数是否收敛?
若否:则回转执行所述的步骤1.4,通过C1的水平集演化方程不断更新C1的水平集函数;
如是:则执行下述步骤1.6;
步骤1.6:判断C1的水平集函数属于哪个尺度分割阶段?
若是细分割阶段,则得到细尺度分割轮廓,该细尺度分割轮廓作为最后的肿瘤分割轮廓,本方法执行完毕;
若是粗分割阶段,则由C1的水平集函数的零水平集位置得到粗尺度图像I2的粗尺度分割轮廓,转入细尺度分割阶段;
步骤2:细尺度分割,其具体实现包括以下子步骤:
步骤2.1:将所述的粗尺度图像I2的分割轮廓的大小插值放大到对应原始图像I0的大小,作为对原始图像I0进行分割的初始轮廓C2;
步骤2.2:求解基于C2的局域化区域活动轮廓模型,利用所述的C2构建相应的形状约束能量,将其嵌入到所述的C2的局域化区域活动轮廓模型中,得到C2的总能量函数;
步骤2.3:通过变分法得到所述的C2的水平集演化方程,再通过该方程更新C2的水平集函数;
步骤2.4:判断所述的C2的水平集函数是否收敛?
若否:则回转执行所述的步骤2.3,通过C2的水平集演化方程不断更新C2的水平集函数;
如是:则执行下述步骤2.5;
步骤2.5:判断C2的水平集函数属于哪个尺度分割阶段?
若是细分割阶段,则得到细尺度分割轮廓,该细尺度分割轮廓作为最后的肿瘤分割轮廓,本方法执行完毕;
若是粗分割阶段,则回转执行所述的步骤2.1。
2.根据权利要求1所述的HIFU治疗中子宫肌瘤超声图像分割方法,其特征在于:步骤1.3中所述的求解基于C1的局域化区域活动轮廓模型,其具体实现过程为:对C1曲线上的每一个点为单位独自计算其局域能量,为定义C1曲线上每个点的局域区域,定义一个特征函数如下:
其中x,y∈Ω,作为独立的空间变量各自代表一个点,r则代表半径参数,当点y在以x为中心,半径大小为r的圆内时,该特征函数Β(x,y)的值为1,否则为0;
根据特征函数Β(x,y)求出C1上点x局域化下的区域内部的均值强度cx1和区域外部的均值强度cx2,得到局域化框架:
这里H(φ)是Heaviside函数,I(y)是局域范围内点y的灰度值;
将该局域化框架应用到C-V模型中,获得能量函数和C1上点x相应的曲率流的局域化区域活动轮廓模型:
3.根据权利要求2所述的HIFU治疗中子宫肌瘤超声图像分割方法,其特征在于:所述的特征函数Β(x,y)中,通过局域半径自适应选择函数R(x),计算相应局域半径参数r,其中:
R(x)=10×arctan(0.28x-6)+24
x=k(||xmax-xmin||+||ymax-ymin||)
其中x是C1在图像上x轴方向的最大值和最小值之差与y轴方向上最大值和最小值之差的和的一个比例值,k是控制比例值大小的系数,xmax,ymax分别是C1在图像x,y轴方向上的最大值,xmin,ymin分别是C1在图像x,y轴方向上的最小值。
4.根据权利要求3所述的HIFU治疗中子宫肌瘤超声图像分割方法,其特征在于:所述的k取值为0.25。
5.根据权利要求2所述的HIFU治疗中子宫肌瘤超声图像分割方法,其特征在于:步骤1.3中所述的构建形状约束能量Eshape,并将所述的Eshape嵌入到所述的C1的局域化区域活动轮廓模型中,得到C1的总能量函数,其总能量函数如下:
其中,
px是当前轮廓上点x在图像中的位置,pmin是初始轮廓C1上到点x的最近的点的位置,φ(x)是水平集函数,φ0(x)是初始轮廓C1下的水平集函数表示,I(y)是图像在局域范围内点y的灰度值,参数β表示形状约束项的权值,决定着形状约束力的大小,该形状约束能力用来形成演化曲线在演化过程中朝向初始轮廓方向的作用力。
6.根据权利要求1所述的HIFU治疗中子宫肌瘤超声图像分割方法,其特征在于:步骤1.4中所述的通过变分法使所述的C1的总能量函数最小化得到相应的水平集演化方程,其水平集演化方程为:
其中,px是当前轮廓上点x在图像中的位置,pmin是初始轮廓C1上到点x的最近的点的位置,φ(x)是水平集函数,φ0(x)是初始轮廓C1下的水平集函数表示,Β(x,y)是表示局域范围的特征函数,x表示整个图像中全局的一个像素点,y表示局域范围圆内的一个像素点,I(y)是图像在局域范围内点y的灰度值,参数μ表示弧长项的权值,决定着曲线的平滑性,参数β表示形状约束项的权值,决定着形状约束力的大小,δ(φ)是Dirac函数,cx1,cx2是根据特征函数Β(x,y)求出的轮廓上点x局域区域中轮廓内部和外部的均值强度。
7.根据权利要求1所述的HIFU治疗中子宫肌瘤超声图像分割方法,其特征在于:步骤2.2中所述的C2的总能量函数的计算方法与步骤1.3中所述的C1的总能量函数的计算方法相同。
8.根据权利要求1所述的HIFU治疗中子宫肌瘤超声图像分割方法,其特征在于:步骤2.3中所述的C2的水平集演化方程的计算方法与步骤1.4中所述的C1的水平集演化方程的计算方法相同。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410059717.3A CN103793916B (zh) | 2014-02-21 | 2014-02-21 | 一种hifu治疗中子宫肌瘤超声图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410059717.3A CN103793916B (zh) | 2014-02-21 | 2014-02-21 | 一种hifu治疗中子宫肌瘤超声图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103793916A true CN103793916A (zh) | 2014-05-14 |
CN103793916B CN103793916B (zh) | 2016-06-29 |
Family
ID=50669539
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410059717.3A Expired - Fee Related CN103793916B (zh) | 2014-02-21 | 2014-02-21 | 一种hifu治疗中子宫肌瘤超声图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103793916B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016681A (zh) * | 2017-03-29 | 2017-08-04 | 浙江师范大学 | 基于全卷积网络的脑部mri肿瘤分割方法 |
CN107833226A (zh) * | 2017-10-26 | 2018-03-23 | 中国测绘科学研究院 | 一种基于指数型多尺度影像序列的c‑v模型对sar影像海岸线快速自动分割方法 |
CN109636816A (zh) * | 2018-11-21 | 2019-04-16 | 中国电子科技集团公司第二十八研究所 | 一种超声图像分割方法 |
CN110706225A (zh) * | 2019-10-14 | 2020-01-17 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 基于人工智能的肿瘤识别系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5867593A (en) * | 1993-10-20 | 1999-02-02 | Olympus Optical Co., Ltd. | Image region dividing apparatus |
CN102737382A (zh) * | 2012-06-22 | 2012-10-17 | 刘怡光 | 一种前列腺超声图像自动精确分割方法 |
CN103065299A (zh) * | 2012-12-22 | 2013-04-24 | 深圳先进技术研究院 | 超声图像边缘提取方法和装置 |
-
2014
- 2014-02-21 CN CN201410059717.3A patent/CN103793916B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5867593A (en) * | 1993-10-20 | 1999-02-02 | Olympus Optical Co., Ltd. | Image region dividing apparatus |
CN102737382A (zh) * | 2012-06-22 | 2012-10-17 | 刘怡光 | 一种前列腺超声图像自动精确分割方法 |
CN103065299A (zh) * | 2012-12-22 | 2013-04-24 | 深圳先进技术研究院 | 超声图像边缘提取方法和装置 |
Non-Patent Citations (1)
Title |
---|
SHAWN LANKTON等: "Localizing Region-Based Active Contours", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107016681A (zh) * | 2017-03-29 | 2017-08-04 | 浙江师范大学 | 基于全卷积网络的脑部mri肿瘤分割方法 |
CN107016681B (zh) * | 2017-03-29 | 2023-08-25 | 浙江师范大学 | 基于全卷积网络的脑部mri肿瘤分割方法 |
CN107833226A (zh) * | 2017-10-26 | 2018-03-23 | 中国测绘科学研究院 | 一种基于指数型多尺度影像序列的c‑v模型对sar影像海岸线快速自动分割方法 |
CN107833226B (zh) * | 2017-10-26 | 2021-05-11 | 中国测绘科学研究院 | 一种基于指数型多尺度影像序列的c-v模型对sar影像海岸线快速自动分割方法 |
CN109636816A (zh) * | 2018-11-21 | 2019-04-16 | 中国电子科技集团公司第二十八研究所 | 一种超声图像分割方法 |
CN109636816B (zh) * | 2018-11-21 | 2022-11-15 | 中国电子科技集团公司第二十八研究所 | 一种超声图像分割方法 |
CN110706225A (zh) * | 2019-10-14 | 2020-01-17 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 基于人工智能的肿瘤识别系统 |
CN110706225B (zh) * | 2019-10-14 | 2020-09-04 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 基于人工智能的肿瘤识别系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103793916B (zh) | 2016-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102800089B (zh) | 基于颈部超声图像的主颈动脉血管提取和厚度测量方法 | |
CN101527047B (zh) | 使用超声图像检测组织边界的方法与装置 | |
CN102048550B (zh) | 一种自动生成肝脏3d图像并准确定位肝脏血管支配区域的方法 | |
CN102890823B (zh) | 运动对象轮廓提取及左心室图像分割方法和装置 | |
CN102068281B (zh) | 一种占位性病变超声图像的处理方法 | |
CN103824295A (zh) | 一种肺部ct图像中粘连血管型肺结节的分割方法 | |
CN106447645A (zh) | 增强ct图像中冠脉钙化检测及量化装置和方法 | |
CN102763135A (zh) | 用于自动分割和时间跟踪的方法 | |
CN105957063A (zh) | 基于多尺度加权相似性测度的ct图像肝脏分割方法及系统 | |
CN103793916A (zh) | 一种hifu治疗中子宫肌瘤超声图像分割方法 | |
CN103914823B (zh) | 基于稀疏表示的快速精确非线性配准立体医学影像的方法 | |
CN102682449A (zh) | 软组织核磁图像自适应外力水平集自动分割及实现方法 | |
CN102243759A (zh) | 一种基于几何形变模型的三维肺血管图像分割方法 | |
CN105913432A (zh) | 基于ct序列图像的主动脉提取方法及装置 | |
CN102737382A (zh) | 一种前列腺超声图像自动精确分割方法 | |
CN102542556A (zh) | 超声图像乳腺肿瘤自动提取方法 | |
CN102609913A (zh) | Cta图像中肝脏血管增强及肝脏与血管同时分割的方法 | |
CN104899851A (zh) | 一种分割肺结节图像的方法 | |
CN101964118A (zh) | 一种血管内超声图像序列的三维分割方法 | |
CN105989598A (zh) | 基于局部强化主动轮廓模型的眼底图像血管分割方法 | |
CN110084824A (zh) | 基于对称水平集的舌体图像分割方法、系统、设备及介质 | |
CN101556693A (zh) | 阈值法标记提取的分水岭sar图像分割方法 | |
CN101807296A (zh) | 医学超声影像三维目标对象的分割方法 | |
CN103295224A (zh) | 一种基于均值漂移和分水岭的乳腺超声图像自动分割方法 | |
CN106570856A (zh) | 水平集动态规划颈总动脉内中膜厚度测量装置和方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160629 |