CN105719276A - 一种基于ct图像的肝实质分割方法 - Google Patents
一种基于ct图像的肝实质分割方法 Download PDFInfo
- Publication number
- CN105719276A CN105719276A CN201610005765.3A CN201610005765A CN105719276A CN 105719276 A CN105719276 A CN 105719276A CN 201610005765 A CN201610005765 A CN 201610005765A CN 105719276 A CN105719276 A CN 105719276A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- segmentation
- method based
- texture
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30056—Liver; Hepatic
Abstract
本发明公开了一种基于CT图像的肝实质分割方法,包括如下步骤:纹理特征提取:采用灰度共生矩阵的方法提取CT图像的纹理特征;建立BP神经网络:首先提取BP网络的特征输入向量,然后调整网络初始权值,再确定BP网络节点数,最后建立BP网络;图像分割:使用导师信号对网络进行充分训练,训练好的BP网络的权值及阈值根据训练样本进行调整,用于对CT图像序列进行分割;图像后期处理:首先选取一张分割后的图片,手工选取一个肝脏区域中的像素作为种子点,然后进行区域生长,再进行孔洞填充,最后比对孔洞填充,得到最终的分割图像,该方法具有较强的自学习性及自适应性,可大大减轻图像处理工作量,能有效的区分各组织。
Description
技术领域
本发明涉及CT技术领域,具体涉及一种基于CT图像的肝实质分割方法。
背景技术
在医学图像处理中,如何利用计算机准确将CT图像中的中肝实质分割出来,是一个难度很大的问题。为了准确得到肝组织的边界,可采用手工勾划的方式,对肝实质进行分割。然而,一般一套病人CT图像有150-400张左右,单纯靠手工进行分割工作量巨大,而且难以精确分割出肝实质,操作者的经验以及图像本身质量都会影响到分割效果,如果借助于计算机进行图像分割,则可大大减轻图像处理工作量,由于人体生物组织十分复杂,且灰度相差不明显,传统图像分割方法如阈值法,不能有效的区分各组织;而区域生长法,则存在着分割边界不平滑、容易溢出的问题。
发明内容
为了解决上述的问题,本发明提供了一种基于CT图像的肝实质分割方法,通过提取图像中肝实质的纹理特征,采用BP神经网络方法对CT图像肝实质进行分割,该方法具有较强的自学习性及自适应性,可以有效解决背景技术中的问题。
为了实现上述目的,本发明采用的技术方案如下:
一种基于CT图像的肝实质分割方法,包括如下步骤:
(1)纹理特征提取:采用灰度共生矩阵的方法提取CT图像的纹理特征;
(2)建立BP神经网络:首先提取BP网络的特征输入向量,然后调整网络初始权值,再确定BP网络节点数,最后建立BP网络;
(3)图像分割:使用导师信号对网络进行充分训练,训练好的BP网络的权值及阈值根据训练样本进行调整,用于对CT图像序列进行分割;
(4)图像后期处理:首先选取一张分割后的图片,手工选取一个肝脏区域中的像素作为种子点,然后进行区域生长,区域生长出来的部分中间有孔洞,再进行孔洞填充,最后比对孔洞填充,得到最终的分割图像;
进一步地,所述灰度共生矩阵方法是建立在估计图像的二阶组合条件概率密度函数基础上的纹理分析方法,在纹理图像中,某个方向上相隔一定距离的一对像元灰度出现的统计规律,具体反映这个图像的纹理特性。
进一步地,所述BP神经网络是使用误差反向传播算法进行训练的多层前馈网络。
进一步地,所述BP网络的特征输入向量通过提取肝实质的纹理信息作为输入向量。
进一步地,所述网络初始权值调整到足够小,使各节点的净输入在零点附近,加快网络训练速度。
进一步地,所述BP神经网络包括输入层、输出层及隐层,输入层的节点数为输入向量的特征值,输出层的节点数为1,其表示分割后的图像的背景,所述隐层的节点数为输入层的节点数减去输出层7倍的输出节点数。
进一步地,所述BP网络的建立通过将确定的BP网络节点数作为参数,建立隐层传递函数,选用双曲正切S形函数。
本发明有益效果为:本发明通过提取图像中肝实质的纹理特征,采用BP神经网络方法对CT图像肝实质进行分割,该方法具有较强的自学习性及自适应性,可大大减轻图像处理工作量,能有效的区分各组织。
具体实施方式
根据下述实施例,可以更好的理解本发明。然而,本领域的技术人员容易理解,实施例所描述的内容仅用于说明本发明,而不应当也不会限制权利要求书中所详细描述的本发明。
实施例:
一种基于CT图像的肝实质分割方法,包括如下步骤:
(1)纹理特征提取:采用灰度共生矩阵的方法提取CT图像的纹理特征;
(2)建立BP神经网络:首先提取BP网络的特征输入向量,然后调整网络初始权值,再确定BP网络节点数,最后建立BP网络;
(3)图像分割:使用导师信号对网络进行充分训练,训练好的BP网络的权值及阈值根据训练样本进行调整,用于对CT图像序列进行分割;
(4)图像后期处理:首先选取一张分割后的图片,手工选取一个肝脏区域中的像素作为种子点,然后进行区域生长,区域生长出来的部分中间有孔洞,再进行孔洞填充,最后比对孔洞填充,得到最终的分割图像;
进一步地,所述灰度共生矩阵方法是建立在估计图像的二阶组合条件概率密度函数基础上的纹理分析方法,在纹理图像中,某个方向上相隔一定距离的一对像元灰度出现的统计规律,具体反映这个图像的纹理特性。
进一步地,所述BP神经网络是使用误差反向传播算法进行训练的多层前馈网络。
进一步地,所述BP网络的特征输入向量通过提取肝实质的纹理信息作为输入向量。
进一步地,所述网络初始权值调整到足够小,使各节点的净输入在零点附近,加快网络训练速度。
进一步地,所述BP神经网络包括输入层、输出层及隐层,输入层的节点数为输入向量的特征值,输出层的节点数为1,其表示分割后的图像的背景,所述隐层的节点数为输入层的节点数减去输出层7倍的输出节点数。
进一步地,所述BP网络的建立通过将确定的BP网络节点数作为参数,建立隐层传递函数,选用双曲正切S形函数。
具体的:
本发明图像的纹理特征描述了在图像中反复出现的局部模式和它们的排列规则,反映了宏观意义上灰度变化的一些规律;图像的纹理可以定义为规律性或随机性重复显示的某种图像基元。图像中局部不规则而宏观有规律的特性称之为纹理;提取CT图像的纹理特征的方法使用了灰度共生矩阵。灰度共生矩阵方法是建立在估计图像的二阶组合条件概率密度函数基础上的纹理分析方法,已经有了较长的研究历史,也是当前人们公认的一种重要的纹理分析方法;在纹理图像中,某个方向上相隔一定距离的一对像元灰度出现的统计规律,应当能具体反映这个图像的纹理特性。可以用一对像元的灰度共生矩阵来描述这个规律,进而由共生矩阵计算出一些参数定量来描述这个纹理的特性。
本发明中灰度共生矩阵是由于纹理是由灰度分布在空间位置上反复出现而形成的,因而在图像空间中相隔某距离的两象素之间会存在一定的灰度关系,即图像中灰度的空间相关特性,灰度共生矩阵就是一种通过研究灰度的空间相关特性来描述纹理的常用方法;
灰度共生矩阵生成:灰度直方图是对图像上单个象素具有某个灰度进行统计的结果,而灰度共生矩阵是对图像上保持某距离的两象素分别具有某灰度的状况进行统计得到的,取图像(N×N)中任意一点(x,y)及偏离它的另一点(x+a,y+b),设该点对的灰度值为(g1,g2)。令点(x,y)在整个画面上移动,则会得到各种(g1,g2)值,设灰度值的级数为k,则(g1,g2)的组合共有k的平方种。对于整个画面,统计出每一种(g1,g2)值出现的次数,然后排列成一个方阵,再用(g1,g2)出现的总次数将它们归一化为出现的概率P(g1,g2),这样的方阵称为灰度共生矩阵。距离差分值(a,b)取不同的数值组合,可以得到不同情况下的联合概率矩阵。(a,b)取值要根据纹理周期分布的特性来选择,对于较细的纹理,选取(1,0)、(1,1)、(2,0)等小的差分值,当a=1,b=0时,像素对是水平的,即0度扫描;当a=0,b=1时,像素对是垂直的,即90度扫描;当a=1,b=1时,像素对是右对角线的,即45度扫描;当a=-1,b=1时,像素对是左对角线,即135度扫描,这样,两个象素灰度级同时发生的概率,就将(x,y)的空间坐标转化为“灰度对”(g1,g2)的描述,形成了灰度共生矩阵。
本发明BP神经网络是使用了误差反向传播算法进行训练的多层前馈网络。BP算法的基本思想是,学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时,输入样本从输入层传入,经各隐层逐层处理后,传向输出层。若输出层的实际输出与期望输出(教师信号)不符,则转入误差的反向传播阶段。误差反向传播是将输出误差以某种形式通过隐层向输入层逐层反传,并将误差分摊给各层的所有单元,从而获得各层单元的误差信号,此误差信号即作为修正各单元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程,是周而复始地进行的。权值不断调整的过程,也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到可接受的程度,或进行到预先设定的学习次数为止。
本发明训练集特征提取:可以观察到,大部分CT图像中的肝实质的纹理特征比较明显,因此,可以提取肝实质的纹理信息作为BP网络的特征输入。提取纹理特征的方法有很多种,灰度共生矩阵是一种典型有效的基于统计的纹理提取方法由上面介绍可知,可以定义0°45°、90°、135°四个方向的灰度共生矩阵,而每个灰度共生矩阵可以提取五个特征值。这样,可以得到4X5=20个特征值。考虑到CT图像的像素灰度值也是一个很重要的特征,为了达到更好的分割效果,把像素点的灰度值也作为BP网络的特征输入。这样,可以确定BP网络的21个输入向量,即CT图像像素值,以及灰度共生矩阵20个特征值。
本发明初始权值调整:网络权值的初始化方法对缩短网络的训练时间至关重要。初始权值足够小,可以使各节点的净输入在零点附近,从而加快网络训练速度。因此,对训练集进行了归一化处理。
本发明BP网络节点数确定:BP神经网络是多层前馈网络,需要确定其输入层、输出层及隐层的节点数量。隐层的数目可以有多个,本发明使用了应用最为普遍的单隐层网络。由于选取了21个特征值,故网络的输入层节点个数为21,即样本的规模数为21。一般来说,输入向量越多,训练结果越能正确反映其内在规律。但样本数多到一定程度时,网络的精度也很难再提高。在BP神经网络的训练过程中发现灰度共生矩阵的特征值中的①和⑤两个特征值具有较小的相对差值,因此,将这两个特征去掉,这样,输入向量总共为1+4X3=13个。输入向量数量减少了,训练时间相应减少,训练规模变小了,训练时所需内存空间也减少了;分割后的图像应能够区分出目标和背景。因此,输出层节点数设为1。这里,取目标区域为0(黑色),背景区域为1(白色);隐节点用于提取并存储样本中的内在规律。隐节点过少,网络获取信息能力差,训练结果不足以体现样本规律;而隐节点过多,又有可能强化样本中非规律性的内容,从而产生过拟合现象,降低了泛化能力。
本发明BP网络的建立:BP网络的建立及训练需要确定的参数。BP神经网络输入层、输出层、隐层节点数目由上面陈述可知,分别为13、1、4。针对本发明研究对象的特点,隐层传递函数可以选择双曲正切S形函数,而输出层由于要控制输出大小在0-1之间,可以选择对数S形函数。选取CT图像序列中一张肝脏部分比较明显的图片,提取其点阵信息、纹理信息,作为期望输入,并勾勒出肝脏部分,作为期望输出。训练次数也是一个比较重要的参数,训练次数过少,存在网络参数调整不够充分,训练结果达不到要求的问题;而训练次数过多,则网络参数在训练次数尚未到达时可能已经调整充分。因此,要在保证网络充分训练的前提下尽量减少训练次数。在实验的训练过程中,注意到训练次数在80次左右之后网络学习的误差变化不大,故训练次数设为80。
基于上述,本发明通过提取图像中肝实质的纹理特征,采用BP神经网络方法对CT图像肝实质进行分割,该方法具有较强的自学习性及自适应性,可大大减轻图像处理工作量,能有效的区分各组织。
本发明中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (7)
1.一种基于CT图像的肝实质分割方法,其特征在于,包括如下步骤:
(1)纹理特征提取:采用灰度共生矩阵的方法提取CT图像的纹理特征;
(2)建立BP神经网络:首先提取BP网络的特征输入向量,然后调整网络初始权值,再确定BP网络节点数,最后建立BP网络;
(3)图像分割:使用导师信号对网络进行充分训练,训练好的BP网络的权值及阈值根据训练样本进行调整,用于对CT图像序列进行分割;
(4)图像后期处理:首先选取一张分割后的图片,手工选取一个肝脏区域中的像素作为种子点,然后进行区域生长,区域生长出来的部分中间有孔洞,再进行孔洞填充,最后比对孔洞填充,得到最终的分割图像。
2.如权利要求1所述的一种基于CT图像的肝实质分割方法,其特征在于,所述灰度共生矩阵方法是建立在估计图像的二阶组合条件概率密度函数基础上的纹理分析方法,在纹理图像中,某个方向上相隔一定距离的一对像元灰度出现的统计规律,具体反映这个图像的纹理特性。
3.如权利要求1所述的一种基于CT图像的肝实质分割方法,其特征在于,所述BP神经网络是使用误差反向传播算法进行训练的多层前馈网络。
4.如权利要求1所述的一种基于CT图像的肝实质分割方法,其特征在于,所述BP网络的特征输入向量通过提取肝实质的纹理信息作为输入向量。
5.如权利要求1所述的一种基于CT图像的肝实质分割方法,其特征在于,所述网络初始权值调整到足够小,使各节点的净输入在零点附近,加快网络训练速度。
6.如权利要求1所述的一种基于CT图像的肝实质分割方法,其特征在于,所述BP神经网络包括输入层、输出层及隐层,输入层的节点数为输入向量的特征值,输出层的节点数为1,其表示分割后的图像的背景,所述隐层的节点数为输入层的节点数减去输出层7倍的输出节点数。
7.如权利要求1所述的一种基于CT图像的肝实质分割方法,其特征在于,所述BP网络的建立通过将确定的BP网络节点数作为参数,建立隐层传递函数,选用双曲正切S形函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610005765.3A CN105719276A (zh) | 2016-01-07 | 2016-01-07 | 一种基于ct图像的肝实质分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610005765.3A CN105719276A (zh) | 2016-01-07 | 2016-01-07 | 一种基于ct图像的肝实质分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105719276A true CN105719276A (zh) | 2016-06-29 |
Family
ID=56147652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610005765.3A Pending CN105719276A (zh) | 2016-01-07 | 2016-01-07 | 一种基于ct图像的肝实质分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105719276A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035370A (zh) * | 2018-07-23 | 2018-12-18 | 郑州云海信息技术有限公司 | 一种图片标注方法与系统 |
CN109670558A (zh) * | 2017-10-16 | 2019-04-23 | 奥多比公司 | 使用深度学习的数字图像完成 |
CN109978861A (zh) * | 2019-03-27 | 2019-07-05 | 北京青燕祥云科技有限公司 | 骨髓灰质检测方法、装置、设备和计算机可读存储介质 |
CN110543884A (zh) * | 2018-05-29 | 2019-12-06 | 国际关系学院 | 一种基于图像的网络攻击组织溯源方法 |
CN110610491A (zh) * | 2019-09-17 | 2019-12-24 | 湖南科技大学 | 一种腹部ct图像的肝脏肿瘤区域分割方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080125640A1 (en) * | 2006-11-24 | 2008-05-29 | Eric Pichon | Radiological imagery method making a zone of interest in an organ correspond to an associated part of the network |
CN104408717A (zh) * | 2014-11-24 | 2015-03-11 | 北京航空航天大学 | 一种基于着色分离的病理图像颜色质量综合评价方法 |
-
2016
- 2016-01-07 CN CN201610005765.3A patent/CN105719276A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080125640A1 (en) * | 2006-11-24 | 2008-05-29 | Eric Pichon | Radiological imagery method making a zone of interest in an organ correspond to an associated part of the network |
CN104408717A (zh) * | 2014-11-24 | 2015-03-11 | 北京航空航天大学 | 一种基于着色分离的病理图像颜色质量综合评价方法 |
Non-Patent Citations (5)
Title |
---|
MATLAB中文论坛: "《MATLAB神经网络30个案例分析》", 30 April 2010, 北京航空航天大学出版社 * |
卫娇 等: "基于BP神经网络的CT图像骨皮质分割", 《医用生物力学》 * |
张弘: "《数字图像处理与分析》", 31 May 2007, 机械工业出版社 * |
王万良: "《人工智能导论》", 28 February 2011, 高等教育出版社 * |
王传永 等: "基于BP神经网络的血液细胞图像色彩分割", 《光电子·激光》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670558A (zh) * | 2017-10-16 | 2019-04-23 | 奥多比公司 | 使用深度学习的数字图像完成 |
CN109670558B (zh) * | 2017-10-16 | 2024-01-12 | 奥多比公司 | 使用深度学习的数字图像完成 |
CN110543884A (zh) * | 2018-05-29 | 2019-12-06 | 国际关系学院 | 一种基于图像的网络攻击组织溯源方法 |
CN109035370A (zh) * | 2018-07-23 | 2018-12-18 | 郑州云海信息技术有限公司 | 一种图片标注方法与系统 |
CN109035370B (zh) * | 2018-07-23 | 2022-02-22 | 郑州云海信息技术有限公司 | 一种图片标注方法与系统 |
CN109978861A (zh) * | 2019-03-27 | 2019-07-05 | 北京青燕祥云科技有限公司 | 骨髓灰质检测方法、装置、设备和计算机可读存储介质 |
CN109978861B (zh) * | 2019-03-27 | 2021-03-26 | 北京青燕祥云科技有限公司 | 骨髓灰质检测方法、装置、设备和计算机可读存储介质 |
CN110610491A (zh) * | 2019-09-17 | 2019-12-24 | 湖南科技大学 | 一种腹部ct图像的肝脏肿瘤区域分割方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105719276A (zh) | 一种基于ct图像的肝实质分割方法 | |
WO2021253939A1 (zh) | 一种用于眼底视网膜血管图像分割的粗糙集神经网络方法 | |
CN106920227B (zh) | 基于深度学习与传统方法相结合的视网膜血管分割方法 | |
WO2022252272A1 (zh) | 一种基于迁移学习的改进vgg16网络猪的身份识别方法 | |
Webb et al. | Learning representations that support extrapolation | |
CN104077595B (zh) | 基于贝叶斯正则化的深度学习网络图像识别方法 | |
CN110443364A (zh) | 一种深度神经网络多任务超参数优化方法及装置 | |
CN109255364A (zh) | 一种基于深度卷积生成对抗网络的场景识别方法 | |
KR20190042452A (ko) | 멀티 스케일 특징맵을 이용하여 cnn의 파라미터를 조절하기 위한 학습 방법, 학습 장치 및 이를 이용한 테스팅 방법, 테스팅 장치 | |
CN106991408A (zh) | 一种候选框生成网络的生成方法及人脸检测方法 | |
CN107862668A (zh) | 一种基于gnn的文物图像复原方法 | |
CN107358626A (zh) | 一种利用条件生成对抗网络计算视差的方法 | |
CN110070107A (zh) | 物体识别方法及装置 | |
CN108961245A (zh) | 基于双通道深度并行卷积网络的图像质量分类方法 | |
CN106023195A (zh) | 基于自适应遗传算法的bp神经网络图像分割方法及装置 | |
CN107886510A (zh) | 一种基于三维全卷积神经网络的前列腺mri分割方法 | |
Hole et al. | Application of genetic algorithm for image enhancement and segmentation | |
CN110427799A (zh) | 基于生成对抗网络的人手深度图像数据增强方法 | |
CN109584290A (zh) | 一种基于卷积神经网络的立体图像匹配方法 | |
CN108932536A (zh) | 基于深度神经网络的人脸姿态重建方法 | |
CN108647583A (zh) | 一种基于多目标学习的人脸识别算法训练方法 | |
CN109685716A (zh) | 一种基于高斯编码反馈的生成对抗网络的图像超分辨率重建方法 | |
EP3671555A1 (en) | Object shape regression using wasserstein distance | |
CN111242063A (zh) | 基于迁移学习的小样本分类模型构造方法及虹膜分类应用 | |
CN110442129A (zh) | 一种多智能体编队的控制方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160629 |
|
RJ01 | Rejection of invention patent application after publication |