CN105976393A - 大脑局灶性病变自动探测方法及装置 - Google Patents
大脑局灶性病变自动探测方法及装置 Download PDFInfo
- Publication number
- CN105976393A CN105976393A CN201610371481.6A CN201610371481A CN105976393A CN 105976393 A CN105976393 A CN 105976393A CN 201610371481 A CN201610371481 A CN 201610371481A CN 105976393 A CN105976393 A CN 105976393A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- matter
- white matter
- patient
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了一种大脑局灶性病变自动探测方法及装置,本发明提供的大脑局灶性病变自动探测方法首先根据患者与健康人脑的图像对比将患者灰质白质图像中的区域初步分为阳性区域和阴性区域,然后再利用预设的遗传优化多分类器的分类模型将初步分类后的阳性区域中的真阳性区域和假阳性区域进行进一步分类,从而减少分类图像中的假阳性区域,提高分类的准确性,为医生对于大脑局灶性病变的区域判别提供有力支持。
Description
技术领域
本发明属于图像处理技术领域,特别涉及一种大脑局灶性病变自动探测方法及装置。
背景技术
根据世界卫生组织的调查结果表明,世界上约有六千五百万人遭受着癫痫病变的折磨,其中约30%的癫痫病变是由大脑局灶性病变引起的。大脑局灶性病变是药物难以治愈的,但是可以通过切除手术来治疗。随着核磁共振成像技术的发展,人们可以在手术前通过观察图像找到大脑局灶性病变的位置。然而,该病变没有固定的位置和固定的形状,而且与健康区域的区别很微小,医生用肉眼观察图像诊断时,很容易忽略病变区域。此外,每一个病人的核磁共振图像切片数量很大,比如170张Sagittal,240张Axial和240张Coronal观察面的切片,每个医生每天要接待大约十几个病人,很容易造成医生视觉疲劳,从而影响诊断结果。
在过去的几十年中,大量的研究人员致力于使用计算机图像处理分析技术辅助医生进行大脑局灶性病变的探测,下面对几种比较典型的方法进行举例说明:
第一种方式为基于图像纹理计算大脑局灶性病变区域的特征和使用两个阶段的贝叶斯分类器实现了自动探测大脑局灶性病变。
第三种方式为使用支持向量机对统计学纹理和灰度共生纹理矩阵的纹理特征进行分类,从而实现自动探测大脑局灶性病变。
第三种方式为使用神经网络方法和基于表面的特征图,对灰质形成表面的顶点进行了分析,使用了fuzzy k-Nearest Neighborclassifier(fkNN)的方法进行分类识别病变区域和健康区域。
第四种方式为基于表面的病变特征计算图和贝叶斯分类方法,在核磁共振图像进行了自动探测大脑局灶性病变。
现有的方法的基本框架都是使用一个分类器对计算得到的特征图像进行分类识别,这样可以把大部分的病变区域正确地识别为阳性。但是不足之处在于:每一个病人的图像中,很多健康的区域也被错误的识别为了阳性。这使得医生需要人工排除被识别为阳性的区域中的假阳性区域(也即被误识别为阳性区域的健康区域),从而得到真阳性区域(也即实际病变区域),不仅花费了大量的时间,而且在有可能导致误判的发生,影响诊断效果。
发明内容
本发明的目的是,提供一种能够提高真阳性区域的识别率、减少假阳性区域识别率的大脑局灶性病变自动探测方法,从而使得医生观察探测结果时,更容易注意到真阳性区域,提高诊断的准确率以及效率。
为了达到上述目的,本发明提供了一种大脑局灶性病变自动探测方法及装置。
第一方面,本发明提供了一种大脑局灶性病变自动探测方法,包括:
对患者的核磁图像进行预处理,使其调整为标准核磁图像,所述标准核磁图像为图像中人头的方向、大小,人头的各区域亮暗对比度均符合预设标准的图像;
在标准核磁图像的人头图像中提取出大脑区域,并对所述大脑区域进行大脑组织图像分割,得到患者大脑灰质白质图像,所述患者灰质白质图像为仅包含大脑皮层区域及其围绕的内部的区域中的灰质区域或白质区域的图像;
根据所述患者灰质白质图像,获取患者灰质白质图像特征图;
根据健康人脑的灰质白质图像特征图,对所述患者灰质白质图像中的阳性区域与阴性区域进行分类,得到初步分类图像;其中,所述阳性区域为疑似病变区域,阴性区域为健康区域;
利用由若干个分类器构建的预设的遗传优化多分类器的分类模型,对所述初步分类图像的阳性区域中的真阳性区域以及假阳性区域进行进一步分类,得到最终分类图像。
优选地,所述对患者的核磁图像进行预处理,使其调整为标准核磁图像,包括:
对患者的核磁图像进行大脑方向校正、图像亮暗偏置场校正、大脑大小位置配准校正。
优选地,所述患者灰质白质图像特征图包括:大脑皮层厚度特征图、图像灰度变化梯度图、灰质白质边界区域宽度图以及灰质白质区域相对亮度图。
优选地,根据健康人脑的灰质白质图像特征图,对所述患者灰质白质图像中的阳性区域与阴性区域进行分类,得到初步分类图像的步骤包括:
获取患者灰质白质图像特征图与健康人脑灰质白质图像特征图的特征差异图;
根据所述特征差异图,对所述患者灰质白质图像中的阳性区域与阴性区域进行分类,得到初步分类图像。
优选地,所述预设的分类模型为基于最大化F score目标函数的分类模型。
第二方面,本发明提供了一种大脑局灶性病变自动探测装置,包括:
预处理单元,用于对患者的核磁图像进行预处理,使其调整为标准核磁图像,所述标准核磁图像为图像中人头的方向、大小,人头的各区域亮暗对比度均符合预设标准的图像;
提取单元,用于在标准核磁图像的人头图像中提取出大脑区域,并对所述大脑区域进行大脑组织图像分割,得到患者大脑灰质白质图像,所述患者灰质白质图像为仅包含大脑皮层区域和其围绕的区域中的灰质区域或白质区域的图像;
特征获取单元,用于根据所述患者灰质白质图像,获取患者灰质白质图像特征图;
初步分类单元,用于根据健康人脑的灰质白质图像特征图,对所述患者灰质白质图像中的阳性区域与阴性区域进行分类,得到初步分类图像;其中,所述阳性区域为疑似病变区域,阴性区域为健康区域;
最终分类单元,用于利用由若干个分类器构建的预设的分类模型,对所述初步分类图像的阳性区域中的真阳性区域以及假阳性区域进行进一步分类,得到最终分类图像。
优选地,所述预处理单元,进一步用于对患者的核磁图像进行大脑方向校正、图像亮暗偏置场校正、大脑大小位置配准校正。
优选地,所述患者灰质白质图像特征图包括:大脑皮层厚度特征图、图像灰度变化梯度图、灰质白质边界区域厚度图以及灰质白质区域相对亮度图。
优选地,所述特征获取单元,进一步用于获取患者灰质白质图像特征图与健康人脑灰质白质图像特征图的特征差异图;
所述初步分类单元,进一步用于根据所述特征差异图,对所述患者灰质白质图像中的阳性区域与阴性区域进行分类,得到初步分类图像。
优选地,所述预设的分类模型为基于最大化F score目标函数的分类模型。
本发明提供的大脑局灶性病变自动探测方法首先根据患者与健康人脑的图像对比将患者灰质白质图像中的阳性区域和阴性区域进行初步分类,然后再利用预设的分类模型将初步分类后的阳性区域中的真阳性区域和假阳性区域进行进一步分类,从而减少分类图像中的假阳性区域,提高分类的准确性,为医生对于大脑局灶性病变的区域判别提供有力支持。
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示例,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是本发明提供的大脑局灶性病变自动探测方法实施例流程图;
图2是本发明提供的大脑局灶性病变自动探测装置实施例结构示意图。
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,本领域普通技术人在没有作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。
第一方面,本发明提供了一种大脑局灶性病变自动探测方法实施例,如图1所示,包括:
S101、对患者的核磁图像进行预处理,使其调整为标准核磁图像,所述标准核磁图像为图像中人头的方向、大小,人头的各区域亮暗对比度均符合预设标准的图像;
S102、在标准核磁图像的人头图像中提取出大脑区域,再对所述大脑区域进行大脑组织图像分割,得到患者大脑灰质白质图像,所述患者灰质白质图像为仅包含大脑皮层区域和其围绕的区域中的灰质区域和白质区域的图像;
S103、根据所述患者灰质白质图像,获取患者灰质白质图像特征图;
S104、根据健康人脑的灰质白质图像特征图,对所述患者灰质白质图像中的阳性区域与阴性区域进行分类,得到初步分类图像;其中,所述阳性区域为疑似病变区域,阴性区域为健康区域;
S105、利用由若干个分类器构建的预设的分类模型,对所述初步分类图像的阳性区域中的真阳性区域以及假阳性区域进行进一步分类,得到最终分类图像。
本发明提供的大脑局灶性病变自动探测方法首先根据患者与健康人脑的图像对比将患者灰质白质图像中的阳性区域和阴性区域进行初步分类,然后再利用预设的分类模型将初步分类后的阳性区域中的真阳性区域和假阳性区域进行进一步分类,从而减少分类图像中的假阳性区域,提高分类的准确性,为医生对于大脑局灶性病变的区域判别提供有力支持。
在实际应用中,这里的患者灰质白质图像特征图具体可以包括:大脑皮层厚度特征图、图像灰度变化梯度图、灰质白质边界区域宽度图以及灰质白质区域相对亮度图。
其中,所述大脑皮层厚度特征图为反映所述灰质白质图像每一像素点处对应的大脑皮层厚度值的特征图,所述图像灰度变化梯度图为反映所述灰质白质图像的图像灰度的梯度图,所述灰质白质边界区域宽度图为反映所述灰质白质图像中灰质区域与白质区域交界区域宽度值的特征图,所述灰质白质区域相对亮度图为反映所述灰质白质图像中所有像素相对于灰质区域与白质区域交界处的灰度值比值的特征图;
大脑皮层厚度特征图中大脑皮层的测量主要是把灰质区域看作一个静电场,先借助拉普拉斯方程的解,得到一个电势场,然后对于每一个像素点,反复迭代搜索最大值和最小值,直到分别找到该像素点对应的在灰质和白质里的两个点,这两个点之间的距离,表示该像素点处的大脑皮层厚度的数值。图像灰度变化梯度图是使用三维的高斯函数对图像进行卷积得到。灰质白质边界区域宽度图是先分割出灰质白质的边界区域,再把其中一个区域看作静电场,然后采用与测量大脑皮层厚度一样的方法计算该区域的宽度。灰质白质区域相对亮度图是计算所有像素相对于灰质白质交界处的灰质值得比值。
当然,除上述所述的特征图外,这里还可以包括其他能够反映大脑病变特征的特征图,本发明对此不做具体限定。
在具体实施时,所述步骤S101可以通过多种方式实现,下面介绍一种具体的实施方式,包括:对患者的核磁图像进行大脑方向校正、图像亮暗偏置场校正、大脑大小位置配准校正。当然,还可以包括其他有助于获取大脑病变特征的预处理方法,本发明对此不做具体限定。
在具体实施时,步骤S104可以具体包括:
S1041、获取患者灰质白质图像特征图与健康人脑灰质白质图像特征图的特征差异图;
具体地,可以首先计算健康人脑灰质白质图像的特征值,再对健康人脑灰质白质图像计算得到的特征图进行统计,得到了每个特征图在每个位置处对应的特征数值的平均值和方差。接着,计算步骤S103中患者灰质白质图像特征图的特征值与健康人脑灰质白质图像的特征值平均值和方差计算高斯距离,从而得到特征差异图。
S1042、根据所述特征差异图,对所述患者灰质白质图像中的阳性区域与阴性区域进行分类,得到初步分类图像。
具体地分类方式可以通过以下方式实施。根据患者灰质白质图像计算得到的特征图(表示为F)和健康对照组(健康人脑灰质白质图像特征图)的平均特征图,通过z-score的方法进行对比,得到特征图F对应的Z-score特征图。在Z中的每一个元素都F中的元素对应。
在计算Z-score特征图之前,需要先得到健康对照组的每一个特征图在图像中不同位置的平均值和方差,其中,方差的计算公式如下式所示:
在得到平均图和方差图之后,Z-score特征图的计算方法如下:
Zi(v)=(Fi(v)-Fμ,i(v))/(FSD,i(v)+ε) (2)
这里,Zi(v)是指在第i个特征图的像素v处的数值,ε是一个很接近0的正数。
通过Z-score特征图就能够反映出健康人脑灰质白质特征图与患者灰质白质图像特征图之间的差异,从而对患者灰质白质图像特征图中疑似病变的阳性区域和健康的阴性区域进行分类。
在具体实施时,步骤S105中预设的分类模型为基于最大化F score目标函数的分类模型。具体地,这里是基于多个分类器构建最大化Fscore的目标函数,其具体公式如下:
其中,vm表示第m个像素的特征矢量,M表示像素的总个数,y(vm)表示训练数据中在第m个像素位置处是标记为0或1,wj是第j个分类器的权值,lj(vm)表示在第m个像素位置处分类器得到的结果是标记为0或1。本发明中使用F score目标函数模型对真阳性和假阳性的分类结果进行评价,从而将阳性中的假阳性部分区分出来,提高分类的准确率,为医生辨别大脑病变提供有力支持。其中这里的F score表示的是精密度和召回率的权衡。
下面具体说明一下F-score优化的分类识别过程中需要的目标函数的构建,以及如何优化得到参数。
目标函数的构建主要是根据最大化权衡精密度和查全率的F score,
Fscore=2×precision×recall/(precision+recall) (4)
其中,recall=#TP/(#TP+#FN),以及precision=#TP/(#TP+#FP)。因此,Fscore可以表示为:Fscore=2×(#TP)/(2×(#TP)+#FN+#FP)。这里的符号#表示数量。
计算#TP的公式为这里的m是像素的索引,vm代表第m个像素,M是图像的总数量,TP(vm)是像素vm的真阳性的数值,计算方法将在下一段进行介绍。在金标准中,像素的标签定义为y(vm),这里当vm∈FCD时,y(vm)=1;否则y(vm)=0。在训练数据中,分类后的图像中标签表示为lj(vm)。当vm被识别为病变时,lj(vm)=1;否则lj(vm)=0。这里,j表示多个分类器中分类器的索引,lj(vm)表示第j个分类器应用像素vm处的特征矢量分类识别后的结果。
TP(vm)的计算实现过程为:当y(vm)=1且时,TP(vm)=1;否则TP(vm)=0。这里,wj是第j个分类器的权值,J是多分类器的总个数,T是决策阈值。分类器的权值wj和决策阈值T是需要优化得到的。本发明中,我们采用遗传优化器的方法优化目标函数得到。权值wj的约束条件为:综上所述,TP(vm)可以表达为:
其中,是符号函数。
类似地,FN(vm)和FP(vm)可以推导得到如下的表达式:
把公式(5)和(6)代入公式(4)得到Fscore的表达式为:
考虑到约束条件目标函数可以表达为:
为了找到多分类器的最优的权值,优化过程需要求解以下方程:
接下来,遗传算法被用来优化得到最优的权值wj和决策阈值T,考虑到遗传算法的输入通常是一个二进制码,代表基因,我们需要把多个十进制的变量转换成一个序列的二进制码。每一个十进制数都转换成长度为LBC的长度的二进制码。第1个十进制数占的是二进制码的第1到LBC位,第2个十进制数占的是二进制码的第LBC+1到2×LBC位。以此类推,第Q个十进制变量占用的是二进制码的(Q-1)LBC+1到Q×LBC位。每一个十进制数对应的二进制码的长度LBC的数值根据十进制变量的大小范围[a,b]得到:
其中,函数INT是计算得到离给定数值最近的比给定数值小的整数。
需要说明的是,上述实施例中的举例说明只是为了便于更好地理解本发明实施例提供的方法,并不能构成对本发明的具体限定。且上述的各个优选实施方式之间不会相互影响,各个优选实施方式之间的任意组合所得到的方案均应该落入本发明的保护范围。
第二方面,本发明提供了一种大脑局灶性病变自动探测装置,如图2所示,包括:
预处理单元201,用于对患者的核磁图像进行预处理,使其调整为标准核磁图像,所述标准核磁图像为图像中人头的方向、大小,人头的各区域亮暗对比度均符合预设标准的图像;
提取单元202,用于在标准核磁图像的人头图像中提取出大脑区域,并对所述大脑区域进行大脑组织图像分割,得到患者大脑灰质白质图像,所述患者灰质白质图像为仅包含大脑皮层区域和其围绕的区域中的灰质区域和白质区域的图像;
特征获取单元203,用于根据所述患者灰质白质图像,获取患者灰质白质图像特征图;
初步分类单元204,用于根据健康人脑的灰质白质图像特征图,对所述患者灰质白质图像中的阳性区域与阴性区域进行分类,得到初步分类图像;其中,所述阳性区域为疑似病变区域,阴性区域为健康区域;
最终分类单元205,用于利用由若干个分类器构建的预设的分类模型,对所述初步分类图像的阳性区域中的真阳性区域以及假阳性区域进行进一步分类,得到最终分类图像。
在具体实施时,预处理单元201,进一步用于对患者的核磁图像进行大脑方向校正、图像亮暗偏置场校正、大脑大小位置配准校正。
在具体实施时,所述患者灰质白质图像特征图包括:大脑皮层厚度特征图、图像灰度变化梯度图、灰质白质边界区域宽度图以及灰质白质区域相对亮度图。
在具体实施时,所述特征获取单元203,进一步用于获取患者灰质白质图像特征图与健康人脑灰质白质图像特征图的特征差异图;
所述初步分类单元204,进一步用于根据所述特征差异图,对所述患者灰质白质图像中的阳性区域与阴性区域进行分类,得到初步分类图像。
在具体实施时,所述预设的分类模型为基于最大化F score目标函数的分类模型。
由于本实施例所介绍的大脑局灶性病变自动探测装置为可以执行本发明实施例中的大脑局灶性病变自动探测方法的装置,故而基于本发明实施例中所介绍的大脑局灶性病变自动探测方法,本领域所属技术人员能够了解本实施例的大脑局灶性病变自动探测装置的具体实施方式以及其各种变化形式,所以在此对于该大脑局灶性病变自动探测装置如何实现本发明实施例中的大脑局灶性病变自动探测方法不再详细介绍。只要本领域所属技术人员实施本发明实施例中大脑局灶性病变自动探测方法所采用的装置,都属于本申请所欲保护的范围。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种大脑局灶性病变自动探测方法,其特征在于,包括:
对患者的核磁图像进行预处理,使其调整为标准核磁图像,所述标准核磁图像为图像中人头的方向、大小,人头的各区域亮暗对比度均符合预设标准的图像;
在标准核磁图像的人头图像中提取出大脑区域,并对所述大脑区域进行大脑组织图像分割,得到患者大脑灰质和白质的部分容积效应图像,所述患者灰质和白质图像为仅包含大脑皮层区域和其围绕的区域中的灰质区域和白质区域的图像;
根据所述患者灰质白质图像,获取患者灰质白质图像特征图;
根据健康人脑的灰质白质图像特征图,对所述患者灰质白质图像中区域分类成阳性区域与阴性区域,得到初步分类图像;其中,所述阳性区域为疑似病变区域,阴性区域为健康区域;
利用由若干个分类器构建的遗传优化多分类器的分类模型,对所述初步分类图像的阳性区域中的真阳性区域以及假阳性区域进行进一步分类,得到最终分类图像。
2.如权利要求1所述的方法,其特征在于,所述对患者的核磁图像进行预处理,使其调整为标准核磁图像,包括:
对患者的核磁图像进行大脑方向校正、图像亮暗偏置场校正、大脑大小位置配准校正。
3.如权利要求1所述的方法,其特征在于,所述患者灰质白质图像特征图包括:大脑皮层厚度特征图、图像灰度变化梯度图、灰质/白质边界区域宽度图以及灰质白质区域相对亮度图。
4.如权利要求3所述的方法,其特征在于,根据健康人脑的灰质白质图像特征图,对所述患者灰质白质图像中的阳性区域与阴性区域进行分类,得到初步分类图像的步骤包括:
获取患者灰质白质图像特征图与健康人脑灰质白质图像特征图的特征差异图;
根据所述特征差异图,对所述患者灰质白质图像中的阳性区域与阴性区域进行分类,得到初步分类图像。
5.如权利要求1所述的方法,其特征在于,所述预设的分类模型为基于最大化F score目标函数的分类模型。
6.一种大脑局灶性病变自动探测装置,其特征在于,包括:
预处理单元,用于对患者的核磁图像进行预处理,使其调整为标准核磁图像,所述标准核磁图像为图像中人头的方向、大小,人头的各区域亮暗对比度均符合预设标准的图像;
提取单元,用于在标准核磁图像的人头图像中提取出大脑区域,并对所述脑干区域进行大脑组织图像分割,得到患者大脑灰质白质图像,所述患者灰质白质图像为仅包含大脑皮层区域及其围绕的区域中的灰质区域和白质区域的图像;
特征获取单元,用于根据所述患者灰质白质图像,获取患者灰质白质图像特征图;
初步分类单元,用于根据健康人脑的灰质白质图像特征图,对所述患者灰质白质图像中的阳性区域与阴性区域进行分类,得到初步分类图像;其中,所述阳性区域为疑似病变区域,阴性区域为健康区域;
最终分类单元,用于利用由若干个分类器构建的预设的分类模型,对所述初步分类图像的阳性区域中的真阳性区域以及假阳性区域进行进一步分类,得到最终分类图像。
7.如权利要求6所述的装置,其特征在于,
所述预处理单元,进一步用于对患者的核磁图像进行大脑方向校正、图像亮暗偏置场校正、大脑大小位置配准校正。
8.如权利要求6所述的装置,其特征在于,所述患者灰质白质图像特征图包括:大脑皮层厚度特征图、图像灰度变化梯度图、灰质白质边界区域宽度图以及灰质白质区域相对亮度图。
9.如权利要求8所述的装置,其特征在于,
所述特征获取单元,进一步用于获取患者灰质白质图像特征图与健康人脑灰质白质图像特征图的特征差异图;
所述初步分类单元,进一步用于根据所述特征差异图,对所述患者灰质白质图像中的阳性区域与阴性区域进行分类,得到初步分类图像。
10.如权利要求6所述的装置,其特征在于,所述预设的分类模型为基于最大化F score目标函数的分类模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610371481.6A CN105976393A (zh) | 2016-05-30 | 2016-05-30 | 大脑局灶性病变自动探测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610371481.6A CN105976393A (zh) | 2016-05-30 | 2016-05-30 | 大脑局灶性病变自动探测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105976393A true CN105976393A (zh) | 2016-09-28 |
Family
ID=57009896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610371481.6A Pending CN105976393A (zh) | 2016-05-30 | 2016-05-30 | 大脑局灶性病变自动探测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105976393A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108606781A (zh) * | 2018-05-23 | 2018-10-02 | 广东工业大学 | 一种基于脑电高频振荡节律的癫痫灶定位系统 |
CN108846838A (zh) * | 2018-06-04 | 2018-11-20 | 卢龙 | 一种三维mri半自动病灶图像分割方法及系统 |
CN109858513A (zh) * | 2018-12-21 | 2019-06-07 | 中国科学院自动化研究所 | 基于脑灰质白质形态特征多重降维的脑认知能力测量方法 |
CN111222393A (zh) * | 2019-10-12 | 2020-06-02 | 浙江大学 | 一种基于自学习神经网络的病理切片中印戒细胞检测方法 |
CN111461220A (zh) * | 2020-04-01 | 2020-07-28 | 腾讯科技(深圳)有限公司 | 图像分析方法、图像分析装置及图像分析系统 |
CN111523617A (zh) * | 2020-06-09 | 2020-08-11 | 天津大学 | 基于白质融合特征图和残差注意力网络的癫痫检测系统 |
CN111583184A (zh) * | 2020-04-14 | 2020-08-25 | 上海联影智能医疗科技有限公司 | 图像分析方法、网络、计算机设备和存储介质 |
CN112651924A (zh) * | 2020-12-04 | 2021-04-13 | 深圳博脑医疗科技有限公司 | 一种数据生成装置、方法、终端和存储介质 |
-
2016
- 2016-05-30 CN CN201610371481.6A patent/CN105976393A/zh active Pending
Non-Patent Citations (2)
Title |
---|
XIAOXIA QU ET AL.: "AN UNANIMOUS VOTING OF THE MULTIPLE CLASSIFIERS METHOD FOR DETECTING FOCAL CORTICAL DYSPLASIA ON BRAIN MAGNETIC RESONANCE IMAGE", 《IET INTERNATIONAL CONFERENCE ON BIOMEDICAL IMAGE & SIGNAL PROCESSING》 * |
XIAOXIA QU ET AL.: "Positive Unanimous Voting Algorithm for Focal Cortical Dysplasia Detection on Magnetic Resonance Image", 《FRONTIERS IN COMPUTATIONAL NEUROSCIENCE》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108606781A (zh) * | 2018-05-23 | 2018-10-02 | 广东工业大学 | 一种基于脑电高频振荡节律的癫痫灶定位系统 |
CN108846838A (zh) * | 2018-06-04 | 2018-11-20 | 卢龙 | 一种三维mri半自动病灶图像分割方法及系统 |
CN108846838B (zh) * | 2018-06-04 | 2021-05-11 | 卢龙 | 一种三维mri半自动病灶图像分割方法及系统 |
CN109858513B (zh) * | 2018-12-21 | 2021-01-29 | 中国科学院自动化研究所 | 基于脑灰质白质形态特征多重降维的脑认知能力测量方法 |
CN109858513A (zh) * | 2018-12-21 | 2019-06-07 | 中国科学院自动化研究所 | 基于脑灰质白质形态特征多重降维的脑认知能力测量方法 |
CN111222393A (zh) * | 2019-10-12 | 2020-06-02 | 浙江大学 | 一种基于自学习神经网络的病理切片中印戒细胞检测方法 |
CN111461220A (zh) * | 2020-04-01 | 2020-07-28 | 腾讯科技(深圳)有限公司 | 图像分析方法、图像分析装置及图像分析系统 |
CN111461220B (zh) * | 2020-04-01 | 2022-11-01 | 腾讯科技(深圳)有限公司 | 图像分析方法、图像分析装置及图像分析系统 |
CN111583184A (zh) * | 2020-04-14 | 2020-08-25 | 上海联影智能医疗科技有限公司 | 图像分析方法、网络、计算机设备和存储介质 |
CN111523617A (zh) * | 2020-06-09 | 2020-08-11 | 天津大学 | 基于白质融合特征图和残差注意力网络的癫痫检测系统 |
CN111523617B (zh) * | 2020-06-09 | 2022-03-29 | 天津大学 | 基于白质融合特征图和残差注意力网络的癫痫检测系统 |
CN112651924A (zh) * | 2020-12-04 | 2021-04-13 | 深圳博脑医疗科技有限公司 | 一种数据生成装置、方法、终端和存储介质 |
CN112651924B (zh) * | 2020-12-04 | 2024-03-26 | 深圳博脑医疗科技有限公司 | 一种数据生成装置、方法、终端和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105976393A (zh) | 大脑局灶性病变自动探测方法及装置 | |
Wang et al. | Cerebral micro-bleed detection based on the convolution neural network with rank based average pooling | |
de La Torre et al. | Weighted kappa loss function for multi-class classification of ordinal data in deep learning | |
Rezaoana et al. | Detection and classification of skin cancer by using a parallel CNN model | |
Beevi et al. | Automatic mitosis detection in breast histopathology images using convolutional neural network based deep transfer learning | |
CN108288070B (zh) | 一种神经指纹提取分类方法及系统 | |
CN109447998B (zh) | 基于PCANet深度学习模型下的自动分割方法 | |
Cover et al. | Computational methods for corpus callosum segmentation on MRI: A systematic literature review | |
CN106815481A (zh) | 一种基于影像组学的生存期预测方法及装置 | |
CN108898595A (zh) | 一种胸部疾病检测模型的构建方法及应用 | |
CN109770932A (zh) | 多模态脑部神经影像特征的处理方法 | |
CN110059656B (zh) | 基于卷积对抗生成神经网络的白细胞分类方法及系统 | |
CN109740588A (zh) | 基于弱监督和深度响应重分配的x光图片违禁品定位方法 | |
CN102388305A (zh) | 基于图像的风险分数-来自数字组织病理学的存活率和结果的预后预估 | |
CN106295124A (zh) | 利用多种图像检测技术综合分析基因子图相似概率量的方法 | |
CN100418469C (zh) | 基于舌象特征的病证计算机分析系统 | |
CN109948740A (zh) | 一种基于静息态脑影像的分类方法 | |
Chen et al. | Local feature based mammographic tissue pattern modelling and breast density classification | |
Cao et al. | An automatic breast cancer grading method in histopathological images based on pixel-, object-, and semantic-level features | |
CN115147600A (zh) | 基于分类器权重转换器的gbm多模态mr图像分割方法 | |
CN114600155A (zh) | 用于细胞检测和分割的弱监督多任务学习 | |
CN108765374A (zh) | 一种宫颈涂片图像中异常核区域筛查的方法 | |
Al-Hadidi et al. | Glioblastomas brain tumour segmentation based on convolutional neural networks. | |
Panigrahi et al. | Automated classification of oral cancer histopathology images using convolutional neural network | |
Kumar et al. | Medical image classification and manifold disease identification through convolutional neural networks: a research perspective |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160928 |