CN105931221B - 一种基于影像组学的多模态磁共振图像差异检测方法及装置 - Google Patents

一种基于影像组学的多模态磁共振图像差异检测方法及装置 Download PDF

Info

Publication number
CN105931221B
CN105931221B CN201610228491.4A CN201610228491A CN105931221B CN 105931221 B CN105931221 B CN 105931221B CN 201610228491 A CN201610228491 A CN 201610228491A CN 105931221 B CN105931221 B CN 105931221B
Authority
CN
China
Prior art keywords
feature
image
difference
groups
group
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
Application number
CN201610228491.4A
Other languages
English (en)
Other versions
CN105931221A (zh
Inventor
田捷
刘振宇
沈忱
董迪
臧亚丽
杨彩云
徐敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN201610228491.4A priority Critical patent/CN105931221B/zh
Publication of CN105931221A publication Critical patent/CN105931221A/zh
Application granted granted Critical
Publication of CN105931221B publication Critical patent/CN105931221B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种基于影像组学的多模态磁共振图像差异检测方法和装置。所述方法包括：步骤1：对两组样本图像进行预处理，分别在两组样本图像的T2WI‑FLAIR、T1WI‑CE和DWI‑ADC三个序列上勾画感兴趣区域，提取三个序列上感兴趣区域的图像特征；步骤2：在两组样本图像之间对每个图像特征进行双样本T检验，得到两组样本图像之间具有组间差异的特征，并判定所述组间具有差异的特征检测两组样本图像差异的能力；步骤3：将具有组间差异的特征以加权的方式进行组合，得到一个新的特征，并利用adaboost分类器进行图像分类。本发明利用了磁共振成像多序列多参数的特性，结合不同序列获取更多信息，能够实现磁共振图像组间差异的精准检测。

Description

一种基于影像组学的多模态磁共振图像差异检测方法及装置
技术领域
本发明属于图像处理技术领域，具体涉及一种基于影像组学的多模态磁共振图像差异检测方法及装置。
背景技术
磁共振成像(Magnetic Resonance Imaging，MRI)以其高时空分辨率，非侵入式等特点在神经疾病诊断治疗方面得到了广泛应用。同时，磁共振成像不同序列具有不同的特性，结合各个序列的优势可以提升图像判定精度。利用基于影像组学的定量图像分析方法，检测磁共振图像组间差异，是计算机辅助分析的一个重要应用。
磁共振图像分类方法主要有感兴趣区域(ROI)方式和体素(voxel)方式两种分类方法。感兴趣区域方式的分类方法依据目标结构的先验知识，将样本和目标分割成多个目标区域，并据此对目标进行分类；体素方式的分类方法采用复杂的非线性配准，以最大限度地实现个体间的精确对应，然后以图像的每一个空间单位(体素)作为分类依据。这两种方法都假设目标与样本的内部组织结构是一一对应的。前者认为先验的图像区域存在于每一个目标图像当中，并且能够准确分割；后者假定非线性配准后的体素是一一对应的。基于体素的方法计算量大，耗时长，不利于应用。进行基于影像组学的图像定量分析可以从整体上量化图像，给出精确的检测结果。
发明内容
为了克服已有技术的不足，本发明所要解决的技术问题是设计一种全新的磁共振图像差异检测方法。
为实现上述目的，本发明提出一种基于影像组学的多模态磁共振图像差异检测方法，其特征在于，包括以下步骤：
步骤1：对两组样本图像进行预处理，分别在两组样本图像的T2WI-FLAIR、T1WI-CE和DWI-ADC三个序列上勾画感兴趣区域，提取三个序列上感兴趣区域的图像特征；
步骤2：在两组样本图像之间对每个图像特征进行双样本T检验，得到两组样本图像之间具有组间差异的特征，并判定所述组间具有差异的特征检测两组样本图像差异的能力；
步骤3：将具有组间差异的特征以加权的方式进行组合，得到一个新的特征，并利用adaboost分类器进行图像分类。
本发明还提出了一种基于影像组学的多模态磁共振图像差异检测装置，包括：
特征获取模块，用于对两组样本图像进行预处理，分别在两组样本图像的T2WI-FLAIR、T1WI-CE和DWI-ADC三个序列上勾画感兴趣区域，提取三个序列上感兴趣区域的图像特征；
差异特征获取模块，用于在两组样本图像之间对每个图像特征进行双样本T检验，得到两组样本图像之间具有组间差异的特征，并判定所述组间具有差异的特征检测两组样本图像差异的能力；
图像差异检测模块，用于将具有组间差异的特征以加权的方式进行组合，得到一个新的特征，并利用adaboost分类器进行图像分类。
本发明针对磁共振图像组间差异检测问题，通过多序列分析、特征组合等技术有效提高了方法的准确性和稳定性。本发明利用加权组合的方式将具有显著组间差异的特征进行二次组合，提升了检测组间差异的能力。
本发明能够利用磁共振图像中蕴含的丰富的信息，并利用特征组合技术，弥补了传统方法的不足，能够精确的检测磁共振图像的的组间差异。
附图说明
图1是本发明中基于影像组学的多模态磁共振图像差异检测方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
基于影像组学的多模态磁共振图像差异检测方法是一种全新的磁共振图像分析方法。所述方法包括以下步骤：
步骤1：对两组样本图像进行预处理，分别在两组样本图像的T2WI-FLAIR、T1WI-CE和DWI-ADC三个序列上勾画感兴趣区域，提取三个序列上感兴趣区域的图像特征；
步骤2：在两组样本图像之间对每个图像特征进行双样本T检验，得到两组样本图像之间具有组间差异的特征，并判定所述组间具有差异的特征检测两组样本图像差异的能力；
步骤3：将具有组间差异的特征以加权的方式进行组合，得到一个新的特征，并利用adaboost分类器进行图像分类。
参照图1，根据本发明一具体实施例所述的方法，首先在两组样本图像的三个序列T2WI-FLAIR、T1WI-CE和DWI-ADC上分别勾画感兴趣区域，提取上述三个序列上感兴趣区域的图像特征，包括强度、形状和纹理三大类共38个特征(特征名称见表1)，总共得到114个图像特征。所述两组样本图像为两组多模态磁共振图像；
之后，在两组样本图像之间对每个图像特征进行双样本T检验，得到两组之间具有显著差异的图像特征(例如显著程度P＜0.05)作为具有组间差异的特征，画出这些具有组间差异的特征的接收者操作特征曲线(ROC曲线)，计算ROC曲线下面积(AUC)，并用adaboost分类器计算分类正确率来判定具有组间差异的特征检测两组样本图像差异的能力。
表1.
最后，将具有组间差异的特征以加权的方式进行组合，得到一个新的特征：
其中，xi是第i个样本，wt是利用第t个具有组间差异的特征做双样本T检验得到的组间差异程度，Ft是第t个具有组间差异的特征，F是组合得到的新的特征，n为两组样本图像间具有组间差异的特征的个数。
得到新的特征之后再对新的特征进行ROC分析，计算AUC，并用adaboost方法利用得到的新的特征来进行分类，以分类正确率判定新的特征检测两组样本图像差异的能力，以此检测图像组间的差异。
本发明所述的基于影像组学的多模态磁共振图像差异检测方法的效果，可通过真实的磁共振成像数据得以说明。
为展示本发明的效果，在实施方案中采用真实数据集作测试，得到T2WI-FLAIR序列FLAIR_GLCM_Variance、FLAIR_GLCM_Cluster_Shade，T1WI-CE序列T1-CE_Mean、T1-CE_GLCM_Energy和T1-CE_GLCM_Entropy，DWI-ADC序列ADC_GLCM_Homogeneity，ADC_GLCM_Sum_Average，ADC_GLRL_SRE，ADC_GLRL_LRE，ADC_GLRL_GLN等特征组间差异显著。将这些特征进行组合后得到新特征具有最好的检测差异能力(AUC值最大)。
实验结果说明，本发明所述的基于影像组学的多模态磁共振图像差异检测方法，能够有效检测磁共振图像的组间差异。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的权利要求书的保护范围之内。

Claims (8)

1.一种基于影像组学的多模态磁共振图像差异检测方法，其特征在于，包括以下步骤：
步骤1:对两组样本图像进行预处理，分别在两组样本图像的T2WI-FLAIR、T1WI-CE和DWI-ADC三个序列上勾画感兴趣区域，提取三个序列上感兴趣区域的图像特征；
步骤2:在两组样本图像之间对每个图像特征进行双样本T检验，得到两组样本图像之间具有组间差异的特征，并判定所述具有组间差异的特征检测两组样本图像差异的能力；
步骤3:将具有组间差异的特征以加权的方式进行组合，得到一个新的特征，并利用adaboost分类器进行图像分类；
其中，在步骤3中通过如下组合得到新的特征：
其中，F(xi)为组合得到的新的特征，xi是第i个样本图像，wt是利用第t个具有组间差异的特征做双样本T检验得到的组间差异，Ft是第t个具有组间差异的特征，n为两组样本图像间具有组间差异的特征的个数。
2.如权利要求1所述的方法，其特征在于，所述图像特征包括强度、形状和纹理三大类特征。
3.如权利要求1所述的方法，其特征在于，步骤2中如下判定所述具有组间差异的特征检测两组样本图像差异的能力：
获取所述具有组间差异的特征的ROC曲线；
计算所述ROC曲线下的面积AUC；
利用adaboost分类器计算分类正确率，以判定具有组间差异的特征检测两组样本图像差异的能力。
4.如权利要求1所述的方法，其特征在于，步骤3还包括：
对组合得到的新的特征进行ROC分析得到ROC曲线，计算ROC曲线下的面积AUC；
采用adaboost方法计算所述组合得到的新的特征的分类正确率，并利用分类正确率判断组合得到的新的特征对图像差异的检测能力。
5.一种基于影像组学的多模态磁共振图像差异检测装置，其特征在于，包括：
特征获取模块，用于对两组样本图像进行预处理，分别在两组样本图像的T2WI-FLAIR、T1WI-CE和DWI-ADC三个序列上勾画感兴趣区域，提取三个序列上感兴趣区域的图像特征；
差异特征获取模块，用于在两组样本图像之间对每个图像特征进行双样本T检验，得到两组样本图像之间具有组间差异的特征，并判定所述具有组间差异的特征检测两组样本图像差异的能力；
图像差异检测模块，用于将具有组间差异的特征以加权的方式进行组合，得到一个新的特征，并利用adaboost分类器进行图像分类；
其中，图像差异检测模块中如下组合得到新的特征：
其中，F(xi)为组合得到的新的特征，xi是第i个样本图像，wt是利用第t个具有组间差异的特征做双样本T检验得到的组间差异，Ft是第t个具有组间差异的特征，n为两组样本图像间具有组间差异的特征的个数。
6.如权利要求5所述的装置，其特征在于，所述图像特征包括强度、形状和纹理三大类特征。
7.如权利要求5所述的装置，其特征在于，差异特征获取模块如下判定所述具有组间差异的特征检测两组样本图像差异的能力：
获取所述具有组间差异的特征的ROC曲线；
计算所述ROC曲线下的面积AUC；
利用adaboost分类器计算分类正确率，以判定具有组间差异的特征检测两组样本图像差异的能力。
8.如权利要求5所述的装置，其特征在于，图像差异检测模块还包括：
计算子模块，用于对组合得到的新的特征进行ROC分析得到ROC曲线，计算ROC曲线下的面积AUC；
差异能力获取子模块，用于采用adaboost方法计算所述组合得到的新的特征的分类正确率，并利用分类正确率判断组合得到的新的特征对图像差异的检测能力。
CN201610228491.4A 2016-04-13 2016-04-13 一种基于影像组学的多模态磁共振图像差异检测方法及装置 Active CN105931221B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610228491.4A CN105931221B (zh) 2016-04-13 2016-04-13 一种基于影像组学的多模态磁共振图像差异检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610228491.4A CN105931221B (zh) 2016-04-13 2016-04-13 一种基于影像组学的多模态磁共振图像差异检测方法及装置

Publications (2)

Publication Number Publication Date
CN105931221A CN105931221A (zh) 2016-09-07
CN105931221B true CN105931221B (zh) 2019-03-15

Family

ID=56839028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610228491.4A Active CN105931221B (zh) 2016-04-13 2016-04-13 一种基于影像组学的多模态磁共振图像差异检测方法及装置

Country Status (1)

Country Link
CN (1) CN105931221B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106778005B (zh) * 2016-12-27 2019-06-07 中南民族大学 基于多参数mri的前列腺癌计算机辅助检测系统
CN106875401B (zh) * 2017-01-10 2019-10-25 中国科学院深圳先进技术研究院 多模态影像组学的分析方法、装置及终端

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699904A (zh) * 2013-12-25 2014-04-02 大连理工大学 多序列核磁共振影像的图像计算机辅助判断方法
CN104867153A (zh) * 2015-05-28 2015-08-26 重庆大学 基于脑磁共振影像中磷酸化tau蛋白含量信息的检测系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7773794B2 (en) * 2006-12-19 2010-08-10 Fujifilm Corporation Method and apparatus for candidate detection using Hessian peak characteristics

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103699904A (zh) * 2013-12-25 2014-04-02 大连理工大学 多序列核磁共振影像的图像计算机辅助判断方法
CN104867153A (zh) * 2015-05-28 2015-08-26 重庆大学 基于脑磁共振影像中磷酸化tau蛋白含量信息的检测系统

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Combined Value of Susceptibility-Weighted and Perfusion-Weighted Imaging in Assessing WHO Grade for Brain Astrocytomas;Xiao-chun Wang等;《JOURNAL OF MAGNETIC RESONANCE IMAGING》;20140601;第39卷(第4期);全文 *
Differentiation of high-grade-astrocytomas fromsolitary-brain-metastases: Comparing diffusion kurtosis imaging anddiffusion tensor imaging;Yan Tan等;《European Journal of Radiology》;20151009;第84卷(第12期);全文 *
Susceptibility weighted imaging:The value in cerebral astrocytomas grading;Hui Zhang等;《Neurology India》;20130701;第61卷(第4期);全文 *
基于Online AdaBoost的偏振图像目标跟踪;邢晨等;《合肥工业大学学报（自然科学版）》;20111130;第34卷(第11期);全文 *
基于乳腺X线肿块影像的计算机辅助诊断技术研究;郝欣;《中国博士学位论文全文数据库 医药卫生科技辑》;20130815;第2013年卷(第8期);第74-77页 *
基于医学影像数据的多元模式识别分析;黄京;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20140915;第2014年卷(第09期);摘要，第5-8页 *
结构化的表观模型及两阶段目标跟踪算法研究;王静;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160215;第2016年卷(第02期);第17页 *

Also Published As

Publication number Publication date
CN105931221A (zh) 2016-09-07

Similar Documents

Publication Publication Date Title
CN109035263B (zh) 基于卷积神经网络的脑肿瘤图像自动分割方法
Mahapatra et al. Prostate MRI segmentation using learned semantic knowledge and graph cuts
CN106295124B (zh) 多种图像检测技术综合分析基因子图相似概率量的方法
CN105809693B (zh) 基于深度神经网络的sar图像配准方法
US8718363B2 (en) Systems and methods for analyzing image data using adaptive neighborhooding
Chavan et al. Detection and classification of brain tumors
Mahapatra Graph cut based automatic prostate segmentation using learned semantic information
CN110363088B (zh) 基于多特征融合的自适应皮肤炎症区域检测方法
CN104838422A (zh) 图像处理设备及方法
CN109409389A (zh) 一种融合多特征的面向对象变化检测方法
CN106682678A (zh) 一种基于支撑域的图像角点检测和分类方法
CN114494217A (zh) 一种人工组织和类器官的检测方法及其装置
CN110766657B (zh) 一种激光干扰图像质量评价方法
CN105931221B (zh) 一种基于影像组学的多模态磁共振图像差异检测方法及装置
KR20130045544A (ko) 자기공명영상을 분석하는 방법, 장치 그리고 자기공명영상을 분석하기 위한 프로그램이 기록된 기록매체
Zhang et al. Multispectral heterogeneity detection based on frame accumulation and deep learning
CN112088296A (zh) 用于检测细胞学样品中的具有至少一个异常的细胞的方法
CN102201038A (zh) 脑瘤p53蛋白表达检测方法
CN116403211A (zh) 一种基于单细胞病理图像细胞核的分割和聚类方法及系统
Kontos et al. Fast and effective characterization for classification and similarity searches of 2D and 3D spatial region data
Muthiah et al. Fusion of MRI and PET images using deep learning neural networks
CN110222740A (zh) 一种基于加性模糊的红外技术缺陷重构与特征提取方法
CN104077564B (zh) 虹膜瞳孔到卷缩轮区域信息提取方法
Sun et al. An improved OTSU's method for CT image boundary contour extraction
Hoseyni et al. Improvement of segmentation on MRI images using fuzzy clustering C-means and watershed marker control algorithm

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant