CN105809175B - 一种基于支持向量机算法的脑水肿分割方法及系统 - Google Patents
一种基于支持向量机算法的脑水肿分割方法及系统 Download PDFInfo
- Publication number
- CN105809175B CN105809175B CN201410841248.0A CN201410841248A CN105809175B CN 105809175 B CN105809175 B CN 105809175B CN 201410841248 A CN201410841248 A CN 201410841248A CN 105809175 B CN105809175 B CN 105809175B
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- region
- training
- magnetic resonance
- 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
Abstract
本发明提供一种基于支持向量机算法的脑水肿分割方法及系统，应用于医疗诊断技术领域，该方法包括：利用若干第一类出血性脑卒中病人的CT图像和磁共振T2加权图像，基于支持向量机算法训练分类器；利用分类器，对第二类出血性脑卒中病人的CT图像分割脑水肿；其中，第一类出血性脑卒中病人既具有CT图像，也具有磁共振T2加权图像；第二类出血性脑卒中病人只有CT图像而没有磁共振T2加权图像。本发明利用少量同时具有CT图像与磁共振T2加权图像的出血性脑卒中病人联合建模，通过学习，建立由CT图像特征识别CT上脑水肿的分类器，用于那些只有CT图像而无磁共振T2加权图像的出血性脑卒中病人，得到更高的脑水肿分割精度。
Description
技术领域
本发明涉及医疗诊断技术领域，具体地，涉及一种基于支持向量机(SupportVector Machine，SVM)算法的脑水肿分割方法及系统。
背景技术
出血性脑卒中(Intracerebral Hemorrhage,ICH)是死亡率及致残率最高的脑卒中，对其量化将有助于制定合适的治疗策略。出血后的脑水肿是二次损伤，对治疗策略及预后都极其重要。临床上，检测ICH患者水肿的金标准是磁共振成像(Magnetic ResonanceImaging,MRI)T2加权图像，然而ICH患者的发病的突然性和紧急性限制了MRI在ICH急救中的使用；同时，MRI的成像时间长，费用高，也是其难以广泛使用的因素之一。对于出血性脑卒中病人的脑水肿量化，由于病情的紧急，ICH病人在临床的首选成像是计算机X线断层扫描(Computed Tomography,CT)，现有的研究均是基于CT图像的量化。但是，CT图像上水肿与周围组织的界限模糊，直接基于CT确定水肿比较困难，分割精度也比较低。
发明内容
本发明实施例的主要目的在于提供一种基于支持向量机算法的脑水肿分割方法及系统，以提高从CT图像上分割脑水肿的精度。
为了实现上述目的，本发明实施例提供一种基于支持向量机算法的脑水肿分割方法，包括：
利用若干第一类出血性脑卒中病人的CT图像和磁共振T2加权图像，基于支持向量机算法训练分类器；
利用所述分类器，对第二类出血性脑卒中病人的CT图像分割脑水肿；
其中，所述第一类出血性脑卒中病人既具有CT图像，也具有磁共振T2加权图像；所述第二类出血性脑卒中病人只有CT图像而没有磁共振T2加权图像。
相应的，本发明还提供一种基于支持向量机算法的脑水肿分割系统，包括：
训练单元，用于利用若干第一类出血性脑卒中病人的CT图像和磁共振T2加权图像，基于支持向量机算法训练分类器；
识别单元，用于利用所述分类器，对第二类出血性脑卒中病人的CT图像分割脑水肿；
其中，所述第一类出血性脑卒中病人既具有CT图像，也具有磁共振T2加权图像；所述第二类出血性脑卒中病人只有CT图像而没有磁共振T2加权图像。
借助于上述技术方案，本发明利用少量同时具有CT图像与磁共振T2加权图像的出血性脑卒中病人联合建模，通过学习，建立由CT图像特征识别CT上脑水肿的分类器，用于那些只有CT图像而无磁共振T2加权图像的出血性脑卒中病人，得到更高的脑水肿分割精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于支持向量机算法的脑水肿分割方法的流程示意图；
图2是预处理阶段的流程示意图；
图3是同一出血性脑卒中病人的CT图像与磁共振T2加权图像的配准图示；
图4是支持向量机训练阶段的流程示意图；
图5是选定负样本的流程示意图；
图6是组成负样本的两个子部分图示；
图7是支持向量机识别过程的流程示意图；
图8是分割CT图像脑水肿的图示比较；
图9是本发明提供的基于支持向量机算法的脑水肿分割系统的结构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种基于支持向量机算法的脑水肿分割方法，如图1所示，该方法包括：
步骤S1，利用若干第一类出血性脑卒中病人的CT图像和磁共振T2加权图像，基于支持向量机算法训练分类器。
步骤S2，利用分类器，对第二类出血性脑卒中病人的CT图像分割脑水肿。
其中，第一类出血性脑卒中病人既具有CT图像，也具有磁共振T2加权图像；第二类出血性脑卒中病人只有CT图像而没有磁共振T2加权图像。
现有方法的最大局限是没有很好地利用先验知识。近来，机器学习理论和应用得到了飞速的发展，为提高脑水肿分割精度奠定了良好的基础。本发明利用少量同时具有CT图像与磁共振T2加权图像的出血性脑卒中病人联合建模，通过学习，建立由CT图像特征识别CT上脑水肿的分类器，用于那些只有CT图像而无磁共振T2加权图像的出血性脑卒中病人，得到更高的脑水肿分割精度。
一、训练阶段
图1所示的方法中，步骤S1可具体分为两个阶段：预处理阶段、支持向量机训练阶段。其中，支持向量机训练阶段是关键，包括选用同时具有CT图像和磁共振T2加权图像的出血性脑卒中病人的数据，以及计算合适的特征向量。
以下对这两个阶段分别进行介绍。
1.预处理阶段
如图2所示，预处理阶段包括如下过程：
1.1颅骨和背景的去除以及脑组织的提取
步骤S21，从第一类出血性脑卒中病人的CT图像中去除背景以及颅骨对应的图像部分，提取脑组织对应的图像部分，得到预处理CT图像；从第一类出血性脑卒中病人的磁共振T2加权图像中去除背景以及颅骨对应的图像部分，提取脑组织对应的图像部分，得到预处理磁共振T2加权图像。
具体的，CT图像的颅骨去除和脑组织的提取有很多方法可以实现，可采用一种由发明人提出的方法(Hu QM,Qian GY,Aziz A,Nowinski WL.Segmentation of brain fromcomputed tomography head images.Proceedings of the 2005IEEE Engineering inMedicine and Biology 27th Annual Conference:155-1～155-4,Shanghai,China,September 1-4,2005.)实现：利用模糊C-均值算法得到脑的灰度范围进行二值化、利用形态学腐蚀断开脑与非脑组织的空间连接、找到前景最大连通区域作为候选脑组织、对候选脑组织进行相同结构元的膨胀、利用空间相关性去除眼眶下方的非脑组织(如肌肉等)，得到最终的脑组织。
对于磁共振图像的脑组织提取，可手动去除颅骨和背景。
1.2磁共振T2加权图像和CT图像的配准
步骤S22，通过对预处理CT图像和预处理磁共振T2加权图像配准，在预处理CT图像中划分出异常区域；异常区域对应脑组织的血肿部位和水肿部位。
由于CT图像和磁共振图像存在尺寸和空间位置上的差异，需要对CT图像和磁共振图像进行初始的配准，在这里选择CT图像为参考图像，磁共振T2图像为浮动图像。在配准过程中，选择仿射变换为形变模型，互信息为相似度准则进行优化，可参照洞察力分割和注册工具包ITK的实现方式实现(http://www.itk.org/)。
如图3所示为同一病人的CT图像与磁共振T2加权图像的配准示意及其金标准，其中(a)是CT图像脑组织；(b)是配准后的磁共振T2加权图像脑组织；(c)是手动分割金标准，(c)中按灰度从低到高依次为CT图像与磁共振T2加权图像共有的异常区域、磁共振T2加权图像上独有的异常区域、只在CT图像上出现的异常区域。
2.支持向量机训练阶段
如图4所示，支持向量机训练阶段包括如下过程：
2.1CT训练样本的特征计算与归一化
步骤S41，通过分析预处理CT图像的灰度统计信息和纹理统计特征，构造样本训练的特征向量，并对样本训练的特征向量进行归一化处理。
具体的，构造合理的特征向量是样本训练的首要工作，分别对CT图像的灰度统计信息、边缘强度信息和纹理及其统计特征进行了分析，最终的特征向量构造如下：局部自适应阈值；3×3邻域像素的灰度均值中值、方差、均值；5×5邻域像素的灰度均值中值、方差、均值；以及，0°、45°、90°、135°四个方向的灰度共生矩阵的如下特征值：角二阶矩、对比度、相关性、反差矩、和均值、差均值、方差、和方差、差方差、熵、和熵、差熵。
2.1.1灰度统计信息
图像的均值和方差表征的是图像的灰度分布信息，是许多的图像处理算法必不可少的特征之一，而图像的3阶矩和4阶矩描述的是图像的纹理反差。由于颅脑CT图像的噪声较大，图像中的纹理属于随机纹理，因此3阶矩和4阶矩的表征意义不大。局部自适应阈值可基于发明人提出的方法(Zhang YX,Chen MY,Hu QM,Huang WH.Detection andquantification of intracerebral and intraventricular hemorrhage from computedtomography images with adaptive thresholding and case-basedreasoning.International Journal of Computer Assisted Radiology and Surgery2013；8:917-927)计算：每个体素的窗口大小(采用正方形窗口)是自适应地确定的：设在轴向平面(z为常数)的所有可能窗口大小的窗口内的灰度方差最大值为sdmax(z),则在体素(x,y,z)处的窗口长度为最小的窗口长度，使得在该局部窗口内的灰度方差不小于0.6*sdmax(z)。每个体素的窗口大小确定后，该体素的局部阈值计算公式定义如下：
其中，m(x，y，z)为自适应窗口中的灰度均值，sd(x，y，z)为自适应窗口的灰度方差，k为调节参数(取值为0.25左右)。
体素的局部邻域内的灰度均值、中值和方差反映了体素的局部灰度分布信息，可选用3×3和5×5两种邻域窗口内的均值、中值和方差作为样本的局部灰度分布特征。
2.1.2纹理及其统计特征
CT图像的高噪声是其固有的本质特征，脑组织在CT图像中表现的纹理为随机纹理。在纹理计算中，通常选择的灰度共生矩阵窗口大小为7×7。
共生矩阵是由用图像灰度级之间的联合概率密度函数所构成的矩阵，它反映了图像中任意两点间灰度的空间相关性。灰度共生矩阵中元素数值分布越均匀，图像纹理的相似区域越大。我们将方向为θ，间隔为d的矩阵[p(i,j,d,θ)]定义为灰度共生矩阵，矩阵的维数等于图像灰度级数i，假设点(m,n)的灰度值为i，点(k,l)的灰度值为j，p(i,j,d,θ)表示矩阵第i行j列元素出现的频率。其中两点的关系为：
(k,l)＝(m,n)+(d·cosθ,d·sinθ)
由于颅脑CT图像的微观纹理特征，算法中取d＝1，θ＝0°,45°,90°,135°四个方向。为表达方便，下面共生矩阵的特征值的表达式中略去间隔d和方向θ，可提取12个反映纹理特征的统计量：
角二阶矩
对比度
相关性
其中μi，μj，σi，σj是p(i)和p(j)的均值和方
差。
反差矩
和均值
其中Ns为共生矩阵的最大灰度级。
差均值
方差
和方差
差方差
熵
和熵
差熵
提取共生矩阵四个方向的各12个统计特征共48维，加上前面的局部自适应阈值、局部邻域灰度统计特征，样本的特征向量共55维。
需要说明的是，在实施本发明时，可以根据实际情况去选择合适的特征向量，以达到训练样本的目的，本发明对所采用的特征向量不作具体限定，即以上55维特征向量仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，选择少于或多于以上55维特征向量的情况均应包含在本发明的保护范围之内。
特征向量的归一化针对每一个轴向切片进行，可采用极值归一化法，即：
其中，xi,j第j个特征的第i个取值，mj与Mj分别为第j个特征的最小与最大值。
2.2体素标记与样本选择
步骤S42，将预处理CT图像中的异常区域选定为正样本；根据临床诊断标准，对预处理CT图像中异常区域以外的区域采样以选定负样本；利用正样本和负样本组成训练样本。
具体选定负样本按照如图5所示的步骤进行：
步骤S51，将预处理CT图像中异常区域以外的区域选定为初始负样本。
步骤S52，对预处理CT图像中的异常区域进行形态学膨胀操作，将其膨胀至原始大小的第一设定倍数，并将膨胀后覆盖区域与初始负样本的重叠区域选定为负样本第一子部分。
步骤S53，在初始负样本中负样本第一子部分以外的区域中，随机选择大小等于预处理CT图像中异常区域的第二设定倍数的区域，选定为负样本第二子部分。
步骤S54，利用负样本第一子部分与负样本第二子部分共同组成负样本。
具体来说，将异常区域(血肿+水肿)看作分割目标，即正样本；其他体素看作背景体素，即初始负样本。利用磁共振T2序列的手动分割金标准，对正样本标记为1，而对初始负样本标记为-1，由于初始负样本的数量要远远大于正样本的数量，因此需要对初始负样本进行采样。根据临床的诊断标准，初始负样本的采样分两部分：如图6所示，首先对手工画的异常区域(GT)进行形态学膨胀操作，将其膨胀至原来大小的1.5倍(第一设定倍数)，选该部分的初始负样本为负样本第一子部分；在剩余的初始负样本中随机选择GT大小的0.7倍(第二设定倍数)，为负样本第二子部分。负样本第一子部分与负样本第二子部分共同组成了负样本，负样本又与正样本共同构成训练样本。
需要说明的是，在实施本发明时，只要是基于加重相似样本的比重这一原则，第一设定倍数可以是其他值，并非仅限于1.5倍，同样的，第二设定倍数也可以是其他值，并非仅限于0.7倍，以上所示的倍数仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，选择其它倍数均应包含在本发明的保护范围之内。
2.3支持向量机参数寻优和样本训练
步骤S43，选择核函数形式及其参数、惩罚系数，并寻优得到最佳参数。
核函数形式和惩罚系数C的选择是支持向量机样本训练的另一个重要步骤。径向基函数将训练样本以非线性的方式向高维空间映射，是一般支持向量机样本训练的首选核函数。可选择径向基函数为支持向量机样本训练的核函数。惩罚系数C和参数gamma是径向基函数的两个重要参数，目前没有一个已知的公式可以进行惩罚系数C和参数gamma直接计算。
交叉验证法是在通用方法基础之上发展起来的，主要的思想是n重交叉验证。将样本随机分成大小相等的n个子集，选择其中一子集作为测试样本，用其余的n-1个子集的训练模型对其进行预测，然后重复至每个子集全都参与一次测试，样本中分类正确预测的百分比即为交叉验证的参数估计精度。
交叉验证一般会选择网格搜索法来估计最优的参数，即选择一定的参数搜索范围和步长，通过合适的评价函数来决定迭代过程。有多种方式实现，本发明选择LIBSVM工具箱中的Python版本来实现径向基函数的参数搜索(http://www.csie.ntu.edu.tw/～cjlin/libsvm/)。
步骤S44，利用最佳参数、归一化处理后的样本训练的特征向量，对训练样本进行训练，得到分类器。
在得到模型的最优参数之后，利用该参数对训练样本进行支持向量机训练，并得到支持向量模型，即分类器。
二、分类阶段
图1所示的方法中，步骤S2实际是支持向量机识别过程，如图7所示，该过程具体包括如下步骤：
步骤S71，从第二类出血性脑卒中病人的CT图像中去除背景以及颅骨对应的图像部分，提取脑组织对应的图像部分，得到测试样本；计算测试样本的特征向量，并对测试样本的特征向量进行归一化处理。
测试样本为脑出血患者CT图像数据，同样采用支持向量机训练阶段中的特征向量计算与归一化步骤对其进行计算得到测试样本的特征向量。
步骤S72，利用分类器、归一化处理后的测试样本的特征向量，对测试样本进行分类预测，分割出异常区域并识别异常区域中的水肿部位。
将待分割CT图像的脑组织作为待分类样本，利用训练得到的训练模型对其进行分类预测。由于分类的结果存在一部分的散在细小区域，需要进行进一步的判断。
识别的异常区域包含血肿与水肿。其中血肿的分割可基于发明人提出的方法(Zhang YX,Chen MY,Hu QM,Huang WH.Detection and quantification ofintracerebral and intraventricular hemorrhage from computed tomography imageswith adaptive thresholding and case-based reasoning.International Journal ofComputer Assisted Radiology and Surgery 2013；8:917-927)进行：所有含有血肿的异常区域被判定为有效区域，有效区域的大小减去血肿的大小为水肿；对于不含血肿的异常区域，设对应的Z坐标为z0，若在z0-1或z0+1的轴向切片上有水肿区域且在空间上有重叠(即二者之间有相同的(x,y)坐标点)，则该区域全部被判定为水肿区域；其他的异常区域将被判定为无效区域。最后的水肿区域为所有有效区域中的水肿之和。
图8给出了基于本发明方法分割CT脑水肿的示例，其中，(a)是CT图像；(b)是利用本发明得到的分割结果；(c)是利用支持向量机算法进行CT图像训练和测试的分割结果；(d)是基于发明人发表的区域增长的结果(Chen MY,Hu QM,Liu ZC,Zhou SJ,LiXD.Segmentation of cerebral edema around spontaneous intracerebralhemorrhage.Applied Mathematics and Information Sciences 2013；7(2):563-570)。其中黑色轮廓线包围的区域为手动画的金标准，白色轮廓线包围的区域是利用上述各种方法得到的分割结果。该例子是利用4个出血性脑卒中病人的CT图像与磁共振T2加权图像联合建模，继而对36套CT图像进行分割的结果，精度高达0.85±0.12，若只用这4个病人的CT数据进行训练对36套CT图像则只能得到0.78±0.25的精度，若将36套CT图像的一半用作训练另一半用作测试则只能得到0.80±0.23的精度，通过对比可知本发明比其他方法分割的结果精度都要高。
相应的，本发明还提供一种基于支持向量机算法的脑水肿分割系统，如图9所示，该系统包括：
训练单元91，用于利用若干第一类出血性脑卒中病人的CT图像和磁共振T2加权图像，基于支持向量机算法训练分类器；
识别单元92，用于利用所述分类器，对第二类出血性脑卒中病人的CT图像分割脑水肿；
其中，所述第一类出血性脑卒中病人既具有CT图像，也具有磁共振T2加权图像；所述第二类出血性脑卒中病人只有CT图像而没有磁共振T2加权图像。
在一种较佳的实施例中，训练单元，包括：
CT提取模块，用于从所述第一类出血性脑卒中病人的CT图像中去除背景以及颅骨对应的图像部分，提取脑组织对应的图像部分，得到预处理CT图像；
磁共振提取模块，用于从所述第一类出血性脑卒中病人的磁共振T2加权图像中去除背景以及颅骨对应的图像部分，提取脑组织对应的图像部分，得到预处理磁共振T2加权图像；
配准模块，用于通过对所述预处理CT图像和所述预处理磁共振T2加权图像配准，在所述预处理CT图像中划分出异常区域；所述异常区域对应脑组织的血肿部位和水肿部位；
训练特征向量构造模块，用于通过分析所述预处理CT图像的灰度统计信息和纹理统计特征，构造样本训练的特征向量，并对所述样本训练的特征向量进行归一化处理；
正样本选定模块，用于将所述预处理CT图像中的异常区域选定为正样本；
负样本选定模块，用于根据临床诊断标准，对所述预处理CT图像中异常区域以外的区域采样以选定负样本；
训练样本组成模块，用于利用所述正样本和所述负样本组成训练样本；
参数寻优模块，用于选择核函数形式及其参数、惩罚系数，并寻优得到最佳参数；
样本训练模块，用于利用所述最佳参数、归一化处理后的所述样本训练的特征向量，对所述训练样本进行训练，得到分类器。
在一种较佳的实施例中，CT提取模块具体用于：利用模糊C-均值算法得到脑的灰度范围进行二值化；利用形态学腐蚀断开脑组织与非脑组织的空间连接；找到前景最大连通区域作为候选脑组织；对候选脑组织进行相同结构元的膨胀；利用空间相关性去除眼眶下方的非脑组织，得到脑组织对应的图像部分。
在一种较佳的实施例中，配准模块具体用于：选择所述预处理CT图像为参考图像，所述预处理磁共振T2加权图像为浮动图像；选择仿射变换为形变模型，互信息为相似度准则进行优化，参照洞察力分割和注册工具包ITK进行配准。
在一种较佳的实施例中，样本训练的特征向量包括：
局部自适应阈值；
3×3邻域像素的灰度均值；
3×3邻域像素的灰度中值；
3×3邻域像素的灰度方差；
5×5邻域像素的灰度均值；
5×5邻域像素的灰度中值；
5×5邻域像素的灰度方差；
以及，0°、45°、90°、135°四个方向的灰度共生矩阵的如下特征值：角二阶矩、对比度、相关性、反差矩、和均值、差均值、方差、和方差、差方差、熵、和熵、差熵。
在一种较佳的实施例中，负样本选定模块具体用于：将所述预处理CT图像中异常区域以外的区域选定为初始负样本；对所述预处理CT图像中的异常区域进行形态学膨胀操作，将其膨胀至原始大小的第一设定倍数，并将膨胀后覆盖区域与所述初始负样本的重叠区域选定为负样本第一子部分；在所述初始负样本中所述负样本第一子部分以外的区域中，随机选择大小等于所述预处理CT图像中异常区域的第二设定倍数的区域，选定为负样本第二子部分；利用所述负样本第一子部分与所述负样本第二子部分共同组成负样本。
在一种较佳的实施例中，参数寻优模块选择径向基函数和参数gamma作为函数形式及其参数。
在一种较佳的实施例中，参数寻优模块采用交叉验证法寻优得到最佳参数。
在一种较佳的实施例中，识别单元，包括：
测试样本确定模块，用于从所述第二类出血性脑卒中病人的CT图像中去除背景以及颅骨对应的图像部分，提取脑组织对应的图像部分，得到测试样本；
测试特征向量构造模块，用于计算所述测试样本的特征向量，并对所述测试样本的特征向量进行归一化处理；
分类模块，用于利用所述分类器、归一化处理后的所述测试样本的特征向量，对所述测试样本进行分类预测，分割出异常区域并识别异常区域中的水肿部位。
在一种较佳的实施例中，分类模块具体用于：将含有血肿的异常区域判定为有效区域，有效区域的大小减去血肿的大小为水肿；对于不含血肿的异常区域，设对应的Z坐标为z0，若在z0-1或z0+1的轴向切片上有水肿区域且在空间上有重叠，则该区域全部被判定为水肿区域，其他的异常区域将被判定为无效区域；最后的水肿区域为所有有效区域中的水肿之和。
图9所示的基于支持向量机算法的脑水肿分割系统与图1所示的基于支持向量机算法的脑水肿分割方法基于相同的发明思想实现，其具体实施方式可参照前述对图1所示的基于支持向量机算法的脑水肿分割方法的介绍，此处不再赘述。
综上，本发明提供的基于支持向量机算法的脑水肿分割方法及系统具有以下有益效果：
(1)由于磁共振T2加权图像能清楚显现脑水肿，通过将出血性脑卒中病人的CT图像与磁共振T2加权图像配准引入水肿在CT上的先验知识；
(2)针对水肿在CT图像上边界不清楚而借助先验知识/模型进行有效识别，从而取得更加好的精度；
(3)是机器学习的良好范例，能超越一般的专家而取得优良的性能。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrative logical block)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrative components)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。
本发明实施例中所描述的各种说明性的逻辑块，或单元，或装置都可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
本发明实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件模块、或者这两者的结合。软件模块可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于用户终端中。可选地，处理器和存储媒介也可以设置于用户终端中的不同的部件中。
在一个或多个示例性的设计中，本发明实施例所描述的上述功能可以在硬件、软件、固件或这三者的任意组合来实现。如果在软件中实现，这些功能可以存储与电脑可读的媒介上，或以一个或多个指令或代码形式传输于电脑可读的媒介上。电脑可读媒介包括电脑存储媒介和便于使得让电脑程序从一个地方转移到其它地方的通信媒介。存储媒介可以是任何通用或特殊电脑可以接入访问的可用媒体。例如，这样的电脑可读媒体可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其它光盘存储、磁盘存储或其它磁性存储装置，或其它任何可以用于承载或存储以指令或数据结构和其它可被通用或特殊电脑、或通用或特殊处理器读取形式的程序代码的媒介。此外，任何连接都可以被适当地定义为电脑可读媒介，例如，如果软件是从一个网站站点、服务器或其它远程资源通过一个同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或以例如红外、无线和微波等无线方式传输的也被包含在所定义的电脑可读媒介中。所述的碟片(disk)和磁盘(disc)包括压缩磁盘、镭射盘、光盘、DVD、软盘和蓝光光盘，磁盘通常以磁性复制数据，而碟片通常以激光进行光学复制数据。上述的组合也可以包含在电脑可读媒介中。
Claims (18)
1.一种基于支持向量机算法的脑水肿分割方法，其特征在于，包括：
利用若干第一类出血性脑卒中病人的CT图像和磁共振T2加权图像，基于支持向量机算法训练分类器；
利用所述分类器，对第二类出血性脑卒中病人的CT图像分割脑水肿；
其中，所述第一类出血性脑卒中病人既具有CT图像，也具有磁共振T2加权图像；所述第二类出血性脑卒中病人只有CT图像而没有磁共振T2加权图像；
其中，所述的利用若干第一类出血性脑卒中病人的CT图像和磁共振T2加权图像，基于支持向量机算法训练分类器，包括：
从所述第一类出血性脑卒中病人的CT图像中去除背景以及颅骨对应的图像部分，提取脑组织对应的图像部分，得到预处理CT图像；
从所述第一类出血性脑卒中病人的磁共振T2加权图像中去除背景以及颅骨对应的图像部分，提取脑组织对应的图像部分，得到预处理磁共振T2加权图像；
通过对所述预处理CT图像和所述预处理磁共振T2加权图像配准，在所述预处理CT图像中划分出异常区域；所述异常区域对应脑组织的血肿部位和水肿部位；
通过分析所述预处理CT图像的灰度统计信息和纹理统计特征，构造样本训练的特征向量，并对所述样本训练的特征向量进行归一化处理；
将所述预处理CT图像中的异常区域选定为正样本；
根据临床诊断标准，对所述预处理CT图像中异常区域以外的区域采样以选定负样本；
利用所述正样本和所述负样本组成训练样本；
选择核函数形式及其参数、惩罚系数，并寻优得到最佳参数；
利用所述最佳参数、归一化处理后的所述样本训练的特征向量，对所述训练样本进行训练，得到分类器。
2.根据权利要求1所述的方法，其特征在于，所述的从所述第一类出血性脑卒中病人的CT图像中去除背景以及颅骨对应的图像部分，提取脑组织对应的图像部分，包括：
利用模糊C-均值算法得到脑的灰度范围进行二值化；
利用形态学腐蚀断开脑组织与非脑组织的空间连接；
找到前景最大连通区域作为候选脑组织；
对候选脑组织进行相同结构元的膨胀；
利用空间相关性去除眼眶下方的非脑组织，得到脑组织对应的图像部分。
3.根据权利要求1所述的方法，其特征在于，所述的通过对所述预处理CT图像和所述预处理磁共振T2加权图像配准，包括：
选择所述预处理CT图像为参考图像，所述预处理磁共振T2加权图像为浮动图像；
选择仿射变换为形变模型，互信息为相似度准则进行优化，参照洞察力分割和注册工具包ITK进行配准。
4.根据权利要求1所述的方法，其特征在于，所述的样本训练的特征向量包括：
局部自适应阈值；
3X3邻域像素的灰度均值；
3X3邻域像素的灰度中值；
3X3邻域像素的灰度方差；
5X5邻域像素的灰度均值；
5X5邻域像素的灰度中值；
5X5邻域像素的灰度方差；
以及，0°、45°、90°、135°四个方向的灰度共生矩阵的如下特征值：角二阶矩、对比度、相关性、反差矩、和均值、差均值、方差、和方差、差方差、熵、和熵、差熵。
5.根据权利要求1所述的方法，其特征在于，所述的根据临床诊断标准，对所述预处理CT图像中异常区域以外的区域采样以选定负样本，包括：
将所述预处理CT图像中异常区域以外的区域选定为初始负样本；
对所述预处理CT图像中的异常区域进行形态学膨胀操作，将其膨胀至原始大小的第一设定倍数，并将膨胀后覆盖区域与所述初始负样本的重叠区域选定为负样本第一子部分；
在所述初始负样本中所述负样本第一子部分以外的区域中，随机选择大小等于所述预处理CT图像中异常区域的第二设定倍数的区域，选定为负样本第二子部分；
利用所述负样本第一子部分与所述负样本第二子部分共同组成负样本。
6.根据权利要求1所述的方法，其特征在于，所述的选择核函数形式及其参数，包括：选择径向基函数和参数gamma。
7.根据权利要求1所述的方法，其特征在于，所述的寻优得到最佳参数，包括：采用交叉验证法进行寻优。
8.根据权利要求1所述的方法，其特征在于，所述的利用所述分类器，对第二类出血性脑卒中病人的CT图像分割脑水肿，包括：
从所述第二类出血性脑卒中病人的CT图像中去除背景以及颅骨对应的图像部分，提取脑组织对应的图像部分，得到测试样本；
计算所述测试样本的特征向量，并对所述测试样本的特征向量进行归一化处理；
利用所述分类器、归一化处理后的所述测试样本的特征向量，对所述测试样本进行分类预测，分割出异常区域并识别异常区域中的水肿部位。
9.根据权利要求8所述的方法，其特征在于，所述的识别异常区域中的水肿部位，具体包括：
将含有血肿的异常区域判定为有效区域，有效区域的大小减去血肿的大小为水肿；对于不含血肿的异常区域，设对应的Z坐标为z0，若在z0-l或z0+l的轴向切片上有水肿区域且在空间上有重叠，则该区域全部被判定为水肿区域，其他的异常区域将被判定为无效区域；最后的水肿区域为所有有效区域中的水肿之和。
10.一种基于支持向量机算法的脑水肿分割系统，其特征在于，包括：
训练单元，用于利用若干第一类出血性脑卒中病人的CT图像和磁共振T2加权图像，基于支持向量机算法训练分类器；
识别单元，用于利用所述分类器，对第二类出血性脑卒中病人的CT图像分割脑水肿；
其中，所述第一类出血性脑卒中病人既具有CT图像，也具有磁共振T2加权图像：所述第二类出血性脑卒中病人只有CT图像而没有磁共振T2加权图像；
其中，所述的训练单元包括：
CT提取模块，用于从所述第一类出血性脑卒中病人的CT图像中去除背景以及颅骨对应的图像部分，提取脑组织对应的图像部分，得到预处理CT图像；
磁共振提取模块，用于从所述第一类出血性脑卒中病人的磁共振T2加权图像中去除背景以及颅骨对应的图像部分，提取脑组织对应的图像部分，得到预处理磁共振T2加权图像；
配准模块，用于通过对所述预处理CT图像和所述预处理磁共振T2加权图像配准，在所述预处理CT图像中划分出异常区域；所述异常区域对应脑组织的血肿部位和水肿部位；
训练特征向量构造模块，用于通过分析所述预处理CT图像的灰度统计信息和纹理统计特征，构造样本训练的特征向量，并对所述样本训练的特征向量进行归一化处理；
正样本选定模块，用于将所述预处理CT图像中的异常区域选定为正样本；
负样本选定模块，用于根据临床诊断标准，对所述预处理CT图像中异常区域以外的区域采样以选定负样本；
训练样本组成模块，用于利用所述正样本和所述负样本组成训练样本；
参数寻优模块，用于选择核函数形式及其参数、惩罚系数，并寻优得到最佳参数；
样本训练模块，用于利用所述最佳参数、归一化处理后的所述样本训练的特征向量，对所述训练样本进行训练，得到分类器。
11.根据权利要求10所述的系统，其特征在于，所述的CT提取模块具体用于：
利用模糊C-均值算法得到脑的灰度范围进行二值化；
利用形态学腐蚀断开脑组织与非脑组织的空间连接；
找到前景最大连通区域作为候选脑组织；
对候选脑组织进行相同结构元的膨胀；
利用空间相关性去除眼眶下方的非脑组织，得到脑组织对应的图像部分。
12.根据权利要求10所述的系统，其特征在于，所述的配准模块具体用于：
选择所述预处理CT图像为参考图像，所述预处理磁共振T2加权图像为浮动图像；
选择仿射变换为形变模型，互信息为相似度准则进行优化，参照洞察力分割和注册工具包ITK进行配准。
13.根据权利要求10所述的系统，其特征在于，所述的样本训练的特征向量包括：
局部自适应阈值；
3X3邻域像素的灰度均值；
3X3邻域像素的灰度中值；
3X3邻域像素的灰度方差；
5X5邻域像素的灰度均值；
5X5邻域像素的灰度中值；
5X5邻域像素的灰度方差；
以及，0°、45°、90°、135°四个方向的灰度共生矩阵的如下特征值：角二阶矩、对比度、相关性、反差矩、和均值、差均值、方差、和方差、差方差、熵、和熵、差熵。
14.根据权利要求10所述的系统，其特征在于，所述的负样本选定模块具体用于：
将所述预处理CT图像中异常区域以外的区域选定为初始负样本；
对所述预处理CT图像中的异常区域进行形态学膨胀操作，将其膨胀至原始大小的第一设定倍数，并将膨胀后覆盖区域与所述初始负样本的重叠区域选定为负样本第一子部分；
在所述初始负样本中所述负样本第一子部分以外的区域中，随机选择大小等于所述预处理CT图像中异常区域的第二设定倍数的区域，选定为负样本第二子部分；
利用所述负样本第一子部分与所述负样本第二子部分共同组成负样本。
15.根据权利要求10所述的系统，其特征在于，所述的参数寻优模块选择径向基函数和参数gamma作为函数形式及其参数。
16.根据权利要求10所述的系统，其特征在于，所述的参数寻优模块采用交叉验证法寻优得到最佳参数。
17.根据权利要求10所述的系统，其特征在于，所述的识别单元，包括：
测试样本确定模块，用于从所述第二类出血性脑卒中病人的CT图像中去除背景以及颅骨对应的图像部分，提取脑组织对应的图像部分，得到测试样本；
测试特征向量构造模块，用于计算所述测试样本的特征向量，并对所述测试样本的特征向量进行归一化处理；
分类模块，用于利用所述分类器、归一化处理后的所述测试样本的特征向量，对所述测试样本进行分类预测，分割出异常区域并识别异常区域中的水肿部位。
18.根据权利要求17所述的系统，其特征在于，所述的分类模块具体用于：
将含有血肿的异常区域判定为有效区域，有效区域的大小减去血肿的大小为水肿；对于不含血肿的异常区域，设对应的Z坐标为z0，若在z0-l或z0+l的轴向切片上有水肿区域且在空间上有重叠，则该区域全部被判定为水肿区域，其他的异常区域将被判定为无效区域；最后的水肿区域为所有有效区域中的水肿之和。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410841248.0A CN105809175B (zh) | 2014-12-30 | 2014-12-30 | 一种基于支持向量机算法的脑水肿分割方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410841248.0A CN105809175B (zh) | 2014-12-30 | 2014-12-30 | 一种基于支持向量机算法的脑水肿分割方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105809175A CN105809175A (zh) | 2016-07-27 |
| CN105809175B true CN105809175B (zh) | 2020-08-21 |
Family
ID=56980271
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410841248.0A Active CN105809175B (zh) | 2014-12-30 | 2014-12-30 | 一种基于支持向量机算法的脑水肿分割方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105809175B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485707B (zh) * | 2016-10-11 | 2019-05-28 | 中国科学院苏州生物医学工程技术研究所 | 基于脑核磁共振图像的多维特征分类方法 |
| CN106934228A (zh) * | 2017-03-06 | 2017-07-07 | 杭州健培科技有限公司 | 基于机器学习的肺部气胸ct影像分类诊断方法 |
| CN107248162A (zh) * | 2017-05-18 | 2017-10-13 | 杭州全景医学影像诊断有限公司 | 急性脑缺血图像分割模型的获得方法及急性脑缺血图像分割的方法 |
| CN107424145A (zh) * | 2017-06-08 | 2017-12-01 | 广州中国科学院软件应用技术研究所 | 基于三维全卷积神经网络的核磁共振图像的分割方法 |
| CN107292884B (zh) * | 2017-08-07 | 2020-09-29 | 杭州深睿博联科技有限公司 | 一种识别mri图像中水肿和血肿的方法及装置 |
| CN107705315B (zh) * | 2017-08-18 | 2020-03-17 | 中国科学院深圳先进技术研究院 | 脑组织结构提取方法、装置、设备及存储介质 |
| CN109886992A (zh) * | 2017-12-06 | 2019-06-14 | 深圳博脑医疗科技有限公司 | 用于分割mri图像中异常信号区的全卷积网络模型训练方法 |
| WO2019170711A1 (en) | 2018-03-07 | 2019-09-12 | Institut National De La Sante Et De La Recherche Medicale (Inserm) | Method for early prediction of neurodegenerative decline |
| CN108765399B (zh) * | 2018-05-23 | 2022-01-28 | 平安科技（深圳）有限公司 | 病变部位识别装置、计算机装置及可读存储介质 |
| CN111091569B (zh) * | 2019-10-31 | 2024-02-13 | 重庆邮电大学 | 一种局部参数自适应的工业ct图像分割方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101959454A (zh) * | 2008-03-07 | 2011-01-26 | 皇家飞利浦电子股份有限公司 | 通过磁共振图像的自动分割进行ct替代 |
| CN102592133A (zh) * | 2010-09-22 | 2012-07-18 | 西门子公司 | 使用概率推进树进行评估的方法和系统 |
| CN102999938A (zh) * | 2011-03-09 | 2013-03-27 | 西门子公司 | 多模态体积图像的基于模型的融合的方法和系统 |
| CN104217437A (zh) * | 2014-09-19 | 2014-12-17 | 西安电子科技大学 | 前列腺kvct图像的病变区域分割方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6918125B1 (en) * | 2000-07-03 | 2005-07-12 | Ge Medical Systems Global Technology Company Llc | Method of integrating X window intrinsics based toolkits and widgets with java |
-
2014
- 2014-12-30 CN CN201410841248.0A patent/CN105809175B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101959454A (zh) * | 2008-03-07 | 2011-01-26 | 皇家飞利浦电子股份有限公司 | 通过磁共振图像的自动分割进行ct替代 |
| CN102592133A (zh) * | 2010-09-22 | 2012-07-18 | 西门子公司 | 使用概率推进树进行评估的方法和系统 |
| CN102999938A (zh) * | 2011-03-09 | 2013-03-27 | 西门子公司 | 多模态体积图像的基于模型的融合的方法和系统 |
| CN104217437A (zh) * | 2014-09-19 | 2014-12-17 | 西安电子科技大学 | 前列腺kvct图像的病变区域分割方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105809175A (zh) | 2016-07-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105809175B (zh) | 一种基于支持向量机算法的脑水肿分割方法及系统 | |
| US11610308B2 (en) | Localization and classification of abnormalities in medical images | |
| Soni et al. | Light weighted healthcare CNN model to detect prostate cancer on multiparametric MRI | |
| Zhu et al. | MRI‐based prostate cancer detection with high‐level representation and hierarchical classification | |
| Zhang et al. | Intelligent scanning: Automated standard plane selection and biometric measurement of early gestational sac in routine ultrasound examination | |
| CN108109140A (zh) | 基于深度学习的低级别脑胶质瘤柠檬酸脱氢酶无损预测方法及系统 | |
| RU2654199C1 (ru) | Сегментация тканей человека на компьютерном изображении | |
| US20230410301A1 (en) | Machine learning techniques for tumor identification, classification, and grading | |
| KR20230059799A (ko) | 병변 검출을 위해 공동 훈련을 이용하는 연결형 머신 러닝 모델 | |
| WO2012109658A2 (en) | Systems, methods and computer readable storage mediums storing instructions for segmentation of medical images | |
| Sanyal et al. | An automated two-step pipeline for aggressive prostate lesion detection from multi-parametric MR sequence | |
| Song et al. | Kidney segmentation in CT sequences using SKFCM and improved GrowCut algorithm | |
| Zhan et al. | Automatic method for white matter lesion segmentation based on T1‐fluid‐attenuated inversion recovery images | |
| Song et al. | Segmentation of overlapping cytoplasm in cervical smear images via adaptive shape priors extracted from contour fragments | |
| Wu et al. | Ultrasound image segmentation method for thyroid nodules using ASPP fusion features | |
| Schwier et al. | Automated spine and vertebrae detection in CT images using object‐based image analysis | |
| WO2018176189A1 (zh) | 图像分割的方法及系统 | |
| Mahmoud et al. | A statistical framework for breast tumor classification from ultrasonic images | |
| CN114332132A (zh) | 图像分割方法、装置和计算机设备 | |
| Murmu et al. | A novel Gateaux derivatives with efficient DCNN-Resunet method for segmenting multi-class brain tumor | |
| CN113764101A (zh) | 基于cnn的乳腺癌新辅助化疗多模态超声诊断系统 | |
| Soewu et al. | Lung Cancer Detection using Image Processing | |
| Carmo et al. | Extended 2D consensus hippocampus segmentation | |
| Delmoral et al. | Segmentation of pathological liver tissue with dilated fully convolutional networks: A preliminary study | |
| US20230115927A1 (en) | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |