CN106296653B - 基于半监督学习的脑部ct图像出血区域分割方法及系统 - Google Patents
基于半监督学习的脑部ct图像出血区域分割方法及系统 Download PDFInfo
- Publication number
- CN106296653B CN106296653B CN201610595691.3A CN201610595691A CN106296653B CN 106296653 B CN106296653 B CN 106296653B CN 201610595691 A CN201610595691 A CN 201610595691A CN 106296653 B CN106296653 B CN 106296653B
- Authority
- CN
- China
- Prior art keywords
- voxel
- dimensional
- image
- training
- super
- 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
- 230000002008 hemorrhagic effect Effects 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 30
- 210000004556 brain Anatomy 0.000 title claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000007637 random forest analysis Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 238000001514 detection method Methods 0.000 abstract description 4
- 206010018985 Haemorrhage intracranial Diseases 0.000 abstract description 3
- 208000008574 Intracranial Hemorrhages Diseases 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 3
- 208000032843 Hemorrhage Diseases 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000001154 acute effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 206010019468 Hemiplegia Diseases 0.000 description 1
- 206010030113 Oedema Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 208000026106 cerebrovascular disease Diseases 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000003734 kidney Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G06T3/06—
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明公开了一种基于半监督学习的脑部CT图像出血区域分割方法,所述方法包含半监督模型训练阶段和基于半监督模型的出血区域分割阶段;半监督模型训练阶段用于训练半监督模型;基于半监督模型的出血区域分割阶段包括对需要进行颅内出血区域分割的二维CT图像序列进行格式转换,将二维CT图像重建到三维空间,然后利用超体素算法将三维图像划分成大小相近的超体素,以每个超体素为样本提取特征,最后根据特征通过训练好的半监督模型将超体素分成前景和背景两部分。本发明通过引入半监督学习算法以及以超体素代替像素进行运算等途径有效地提高了出血区域检测的准确性。
Description
技术领域
本发明涉及机器学习和图像处理领域,尤其涉及一种基于半监督学习的脑部CT图像出血区域分割方法及系统。
背景技术
颅内出血(ICH)是最严重的急性脑血管疾病中的一种,同时也是急性神经紊乱疾病,如偏瘫等的重要发病诱因。因此,对于临床治疗来说,颅内出血的早期诊断具有重要意义。同临床表现相比,可以进行无创伤检测的计算机断层(CT)扫描和磁共振成像(MRI)扫描可以更直接、更准确地反映颅内出血的严重程度和演化趋势。同时又因为CT检测的费用要比MRI检测的费用少得多,所以大多数人患者会选择CT检测的方式。在CT图像中新鲜血肿通常显示为边界模糊的高亮度区域。通常情况下,血肿的形状为肾形,圆形或不规则形,并常常被低密度水肿包围。
现在的出血区域检测方法主要集中于模糊C均值聚类(FCM)或以规则为基础的区域分类等算法。然而,这些方法有两个缺点。首先,这些方法中的大多数使用了非常简单的分割算法,诸如聚类和阈值等,虽然这些方法可能在自然图像处理过程中表现良好,但在复杂的情况下,如出血区域与脑组织重叠或出血的边缘没有足够的辨别度时,这些方法的效果并不好。其次,现有的算法大多仅适用于处理二维图像。但CT成像是一个三维的过程,因此会产生一系列的平行扫描图像帧,而2维分割算法会忽略掉一些重要的帧间信息。但使用机器学习以及3D分割的方法可以避免这些问题,增强对复杂情况的处理能力,更好的利用这些在2D方法中被忽视了的帧间信息。
发明内容
本发明的目的在于针对目前医学图像分割领域内现有技术的不足,提供了一种基于半监督学习的脑部CT图像出血区域分割方法及系统。本发明运行效率高,对CT图像中的噪声、伪影有较强的鲁棒性,分割得到的结果准确率高。
为实现上述技术目的,本发明采用的技术方案如下:一种基于半监督学习的脑部CT图像出血区域分割方法,包含步骤1:训练Tri-training模型和步骤2:基于Tri-training模型的出血区域分割;
所述步骤1,Tri-training模型训练阶段包括以下步骤:
(1.1)转换CT图像格式:从计算机断层扫描设备或者数据库中获取包含出血区域的CT图像序列,截取像素值的有效区间,转换成常用的bmp或jpg图像处理格式。
(1.2)标记训练样本:将CT图像序列分为两部分,一部分序列作为有标记样本集,另一部分作为无标记样本集,针对有标记样本,手动标出出血区域,其中出血区域标记为1,其余部分标记为0。
(1.3)图像三维重建:将CT图像序列重建到三维区间,通过三维滤波去除噪声,得到三维矩阵。
(1.4)超体素分割:对重建得到的三维矩阵,应用三维简单线性迭代聚类算法(3DSLIC)对其进行分割,得到规则排列的超体素。该步骤包括以下子步骤:
(1.4.1)计算三维矩阵中的体素总数N,确定要划分的超体素个数K,计算超体素的初始边长以Ns为步长在三个维度上均匀抽样,作为初始的聚类中心Ck=[gk,xk,yk,zk]T,其中,gk为第k个聚类中心的灰度值,xk,yk,zk为第k个聚类中心的位置坐标。
(1.4.2)在以聚类中心点为中心的3×3×3邻域范围内,选取梯度最小点作为新的聚类中心点,梯度G(x,y,z)计算方法如下:
G(x,y,z)=[g(x+1,y,z)-g(x-1,y,z)]2+[g(x,y+1,z)-g(x,y-1,z)]2+[g(x,y,z+1)-g(x,y,z-1)]2其中,g(x+1,y,z)表示坐标(x+1,y,z)处的像素值,g(x-1,y,z)等同理。
(1.4.3)初始化体素标签l(i)=-1,体素到聚类中心的距离d(i)=+∞,相邻的两次聚类中心的差异阈值为threshold;
(1.4.4)以每个聚类中心点Ck为中心,在2Ns×2Ns×2Ns的邻域范围内计算体素i到聚类中心Ck的距离D(i,Ck),其中p,q为调解参数,gi,xi,yi,zi分别为体素i的像素值和三维坐标。
如果D(i,Ck)≤d(i),令体素的标签l(i)=k,体素到聚类中心的距离d(i)=D(i,Ck)。
(1.4.5)对每个聚类中心点的邻域都计算完距离后,根据体素标签计算新的聚类中心点Ck(new):
其中,Nk表示属于第k个聚类中心的体素的总个数。
(1.4.6)计算新聚类中心和原聚类中心之间的差异E:
更新聚类中心Ck=Ck(new),如果差异E≤threshold,结束循环,反之,重复步骤(1.4.4)到步骤(1.4.6),直到差异E≤threshold。
(1.4.7)对于有标签体素集,统计每个超体素内的体素标签,选择体素最多的标签作为整个超体素的标签。
(1.5)提取特征:对每个超体素,提取超体素的灰度直方图作为特征。灰度直方图的统计范围为[Gmedian-40,Gmedian+80],特征总数为40。其中Gmedian表示CT图像中脑部区域的灰度中值,由统计得到。
(1.6)训练半监督模型:用有标签样本和无标签样本一起训练构成tri-training模型的三个不同类型的分类器。该步骤包括以下子步骤:
(1.6.1)对有标记样本集进行可重复取样以获得三个有标记训练样本集,三个训练样本集分别用来训练产生一个分类器,这里的三个分类器分别为人工神经网络(ANN),支持向量机(SVM)和随机森林(RF)。其中ANN分类器是一个标准的三层神经网络,隐层节点数为20,激活函数为sigmoid函数。SVM分类器是通过LIBSVM工具箱实现的,核函数为高斯径向基函数,参数C设定为1。RF分类器的树数量为100。
(1.6.2)三个分类器分别对无标记样本集进行标注,如果两个分类器对同一个未标记样本的标签预测相同,用该标签标记这个样本,然后将其加入第三个分类器的有标记训练样本集;
(1.6.3)用更新过的有标记训练样本集再次训练三个分类器;
(1.6.4)重复步骤(1.6.2)、(1.6.3)直到分类器的参数不再发生变化。
所述基于Tri-training模型的出血区域分割阶段包括以下步骤:
(2.1)转换CT图像格式:对于从计算机断层扫描设备中导出的包含出血区域的CT图像序列,截取像素值的有效区间,转换成常用的计算机图像处理格式。
(2.2)图像三维重建:将CT图像重建到三维区间,通过三维滤波去除噪声,得到三维矩阵。
(2.3)超体素分割:对重建得到的三维矩阵,应用三维简单线性迭代聚类算法(3DSLIC)对其进行分割,得到规则排列的超体素。该步骤具体方法同上一阶段的超体素分割步骤(1.4.1)到步骤(1.4.6)。
(2.4)提取特征:对每个超体素,提取超体素的灰度直方图作为特征。灰度直方图的统计范围为[Gmedian-40,Gmedian+80],特征总数为40。
(2.5)分类样本:用步骤(1.1)到(1.6)中训练好的tri-training分类器分类超体素,即为每一个超体素分配一个标签,其中出血区域标签ti=1,其他区域标签ti=0。
(2.6)三维重建:将所有ti=1的超体素在三维空间进行重建,通过去噪,平滑等处理得到出血区域的三维显示,实现脑部CT图像出血区域的分割。
一种基于半监督学习的脑部CT图像出血区域分割系统,包括图像预处理模块,超体素划分模块,特征提取模块,分类模块和三维重建模块。所述图像预处理模块对二维CT图像序列进行格式转换,简单图像处理并将二维图像存储到三维矩阵。所述超体素划分模块将三维矩阵划分为超体素。所述特征提取模块包括计算灰度直方图模块和计算标签模块。所述分类模块包括训练分类器模块和分类样本模块,在训练过程中用于训练分类器,在实际应用过程中将超体素分为前景部分和背景部分。所述三维重建模块将属于前景的超体素在三维空间进行重建。
进一步地,所述图像预处理模块从计算机断层扫描设备或者数据库中获取包含出血区域的CT图像,截取像素值的有效区间,转换成常用的计算机图像处理格式,并将二维图像序列存储到三维矩阵。
进一步地,所述超体素划分模块应用三维简单线性迭代聚类算法(3DSLIC)对三维矩阵进行分割,得到规则排列的超体素作为样本。
进一步地,所述特征提取模块包括计算灰度直方图模块和计算标签模块:计算灰度直方图模块提取超体素的灰度直方图作为超体素的特征;计算标签模块用于训练过程中计算样本的标签。
进一步地,所述特征分类模块包括训练分类器模块和分类样本模块:训练分类器模块在tri-training模型下,用样本训练人工神经网络(ANN),支持向量机(SVM)和随机森林(RF)三个分类器;分类样本模块根据超体素特征,运用训练好的三个分类器组合而成的tri-training模型分类超体素。
进一步地,所述三维重建模块将分类得到的出血区域超体素重建到三维空间并显示。
本发明的有益效果是:
1、CT图像的前期处理方法简单,不需要像常规算法一样提取颅内结构。
2、灰度直方图作为超体素特征在可区分性的前提下简单易提取。
3、加入超体素划分模块减小了孤立的噪声点对分割的影响,增强了算法的鲁棒性的同时大幅度降低了分类算法的运算数据量。
4、三个不同分类器的引入增强了tri-training分类模型的分类准确率。
5、tri-training分类模型充分利用了少量有标记数据和大量无标记数据。
6、本发明通过将CT图像从二维空间转换到三维空间,充分利用了CT图像之间的帧间信息。
附图说明
图1为本发明方法在一种实施方式中的流程图;
图2为格式转换后得到的二维CT图像;
图3为CT图像划分为超体素后截取的二维图像;
图4为出血区域中某个超体素的灰度直方图;
图5为背景区域中某个超体素的灰度直方图;
图6为分割得到的出血区域的二维截图;
图7为分割得到的出血区域的三维图像;
图8为本发明系统在一种实施方式中的结构示意图;
图9为本发明系统中图像预处理模块的结构示意图;
图10为本发明系统中图像预处理模块的结构示意图。
具体实施方式
本发明适用于医学颅脑CT图像中的出血区域分割,是一种基于半监督学习和三维超体素的脑部CT图像出血区域分割方法。
本发明流程图如图1,主要包括包含Tri-training模型训练阶段和基于Tri-training模型的出血区域分割阶段。
其中Tri-training模型训练阶段包括以下步骤:
(1.1)转换CT图像格式:从计算机断层扫描设备或者数据库中获取包含出血区域的CT图像序列,截取像素值的有效区间,转换成常用的计算机图像处理格式。图2即为CT图像转换格式后得到的图像。
(1.2)标记训练样本:将CT图像序列分为两部分,一部分序列作为有标记样本集,另一部分作为无标记样本集,针对有标记样本,手动标出出血区域,其中出血区域标记为1,其余部分标记为0。
(1.3)图像三维重建:将CT图像序列重建到三维区间,通过三维滤波去除噪声,得到三维矩阵。
(1.4)超体素分割:对重建得到的三维矩阵,应用三维简单线性迭代聚类算法(3DSLIC)对其进行分割,得到规则排列的超体素。该步骤包括以下子步骤:
(1.4.1)计算三维矩阵中的体素总数N,确定要划分的超体素个数K,计算超体素的初始边长以Ns为步长在三个维度上均匀抽样,作为初始的聚类中心Ck=[gk,xk,yk,zk]T,其中,gk为第k个聚类中心的灰度值,xk,yk,zk为第k个聚类中心的位置坐标。
(1.4.2)在以聚类中心点为中心的3×3×3邻域范围内,选取梯度最小点作为新的聚类中心点,梯度G(x,y,z)计算方法如下:
G(x,y,z)=[g(x+1,y,z)-g(x-1,y,z)]2+[g(x,y+1,z)-g(x,y-1,z)]2+[g(x,y,z+1)-g(x,y,z-1)]2其中,g(x+1,y,z)表示坐标(x+1,y,z)处的像素值,g(x-1,y,z)等同理。
(1.4.3)初始化体素标签l(i)=-1,体素到聚类中心的距离d(i)=+∞,相邻的两次聚类中心的差异阈值为threshold;
(1.4.4)以每个聚类中心点Ck为中心,在2Ns×2Ns×2Ns的邻域范围内计算体素i到聚类中心Ck的距离D(i,Ck),其中p,q为调解参数,gi,xi,yi,zi分别为体素i的像素值和三维坐标。
如果D(i,Ck)≤d(i),令体素的标签l(i)=k,体素到聚类中心的距离d(i)=D(i,Ck)。
(1.4.5)对每个聚类中心点的邻域都计算完距离后,根据体素标签计算新的聚类中心点Ck(new):
其中,Nk表示属于第k个聚类中心的体素的总个数。
(1.4.6)计算新聚类中心和原聚类中心之间的差异E:
更新聚类中心Ck=Ck(new),如果差异E≤threshold,结束循环,反之,重复步骤(1.4.4)到步骤(1.4.6),直到差异E≤threshold。图3为划分为超体素后的二维截图。
(1.4.7)对于有标签体素集,统计每个超体素内的体素标签,选择体素最多的标签作为整个超体素的标签。
(1.5)提取特征:对每个超体素,提取超体素的灰度直方图作为特征。灰度直方图的统计范围为[Gmedian-40,Gmedian+80],特征总数为40。其中Gmedian表示CT图像中脑部区域的灰度中值,由统计得到。图4,5为从前景和背景中随机抽取的两个超体素的灰度直方图。
(1.6)训练半监督模型:用有标签样本和无标签样本一起训练构成tri-training模型的三个不同类型的分类器。该步骤包括以下子步骤:
(1.6.1)对有标记样本集进行可重复取样以获得三个有标记训练样本集,三个训练样本集分别用来训练产生一个分类器,这里的三个分类器分别为人工神经网络(ANN),支持向量机(SVM)和随机森林(RF)。其中ANN分类器是一个标准的三层神经网络,隐层节点数为20,激活函数为sigmoid函数。SVM分类器是通过LIBSVM工具箱实现的,核函数为高斯径向基函数,参数C设定为1。RF分类器的树数量为100。
(1.6.2)三个分类器分别对无标记样本集进行标注,如果两个分类器对同一个未标记样本的标签预测相同,用该标签样本这个标记,然后将其加入第三个分类器的有标记训练样本集;(1.6.3)用更新过的有标记训练样本集再次训练三个分类器;
(1.6.4)重复步骤(1.6.2)(1.6.3)直到分类器的参数不再发生变化。
Tri-training模型的出血区域分割阶段包括以下步骤:
(2.1)转换CT图像格式:对于从计算机断层扫描设备中导出的包含出血区域的CT图像序列,截取像素值的有效区间,转换成常用的计算机图像处理格式。
(2.2)图像三维重建:将CT图像重建到三维区间,通过三维滤波去除噪声,得到三维矩阵。
(2.3)超体素分割:对重建得到的三维矩阵,应用三维简单线性迭代聚类算法(3DSLIC)对其进行分割,得到规则排列的超体素。该步骤具体方法同上一阶段的超体素分割步骤(4.1)到(4.6)。
(2.4)提取特征:对每个超体素,提取超体素的灰度直方图作为特征。灰度直方图的统计范围为[Gmedian-40,Gmedian+80],特征总数为40。
(2.5)分类样本:用训练好的tri-training分类器分类超体素,即为每一个超体素分配一个标签,出血区域标签ti=1,其他区域标签ti=0。图6为分割后得到结果的二维截图。
(2.6)三维重建:将所有ti=1的超体素在三维空间进行重建,通过去噪,平滑等处理得到出血区域的三维显示,实现脑部CT图像出血区域的分割。图7为实例1三维的分割结果。
本发明系统模块结构图如图8,包括图像预处理模块,超体素划分模块,特征提取模块,分类模块和三维重建模块。其中图像预处理模块对二维CT图像序列进行格式转换,简单图像处理并将二维图像存储到三维矩阵。超体素划分模块将三维矩阵划分为超体素。所述特征提取模块包括计算灰度直方图模块和计算标签模块。所述分类模块包括训练分类器模块和分类样本模块,在训练过程中用于训练分类器,在实际应用过程中将超体素分为前景部分和背景部分。三维重建模块将属于前景的超体素在三维空间进行重建。
图像预处理模块从计算机断层扫描设备或者数据库中获取包含出血区域的CT图像,截取像素值的有效区间,转换成常用的计算机图像处理格式,并将二维图像序列存储到三维矩阵。
超体素划分模块应用三维简单线性迭代聚类算法(3DSLIC)对三维矩阵进行分割,得到规则排列的超体素作为样本。
如图9所示,特征提取模块包括以下子模块:
计算灰度直方图模块:提取超体素的灰度直方图作为超体素的特征。
计算标签模块:训练过程中用于计算样本的标签。
如图10所示,分类模块包括以下子模块:
训练分类器模块:在tri-training模型下,用样本训练人工神经网络(ANN),支持向量机(SVM)和随机森林(RF)三个分类器
分类样本模块:根据超体素特征,运用训练好的三个分类器组合而成的tri-training模型分类超体素。
三维重建模块将分类得到的出血区域超体素重建到三维空间并显示。
Claims (7)
1.一种基于半监督学习的脑部CT图像出血区域分割方法,其特征在于,该方法包括以下步骤:
(1)训练Tri-training模型;
(2)基于Tri-training模型的出血区域分割;
所述步骤1包括以下子步骤:
(1.1)转换CT图像格式:从计算机断层扫描设备或数据库中获取包含出血区域的CT图像序列,截取像素值的有效区间,转换成常用的bmp或jpg图像处理格式;
(1.2)标记训练样本:将CT图像序列分为两部分,一部分序列作为有标记样本集,另一部分作为无标记样本集,针对有标记样本,手动标出出血区域,其中出血区域标记为1,其余部分标记为0;
(1.3)图像三维重建:将CT图像序列重建到三维区间,通过三维滤波去除噪声,得到三维矩阵;
(1.4)超体素分割:对重建得到的三维矩阵,应用三维简单线性迭代聚类算法对其进行分割,得到规则排列的超体素;该步骤具体为:
(1.4.1)计算三维矩阵中的体素总数N,确定要划分的超体素个数K,计算超体素的初始边长以Ns为步长在三个维度上均匀抽样,作为初始的聚类中心Ck=[gk,xk,yk,zk]T,其中,gk为第k个聚类中心的灰度值,xk,yk,zk为第k个聚类中心的位置坐标;
(1.4.2)在以聚类中心点为中心的3×3×3邻域范围内,选取梯度最小点作为新的聚类中心点,梯度G(x,y,z)计算方法如下:
G(x,y,z)=[g(x+1,y,z)-g(x-1,y,z)]2+[g(x,y+1,z)-g(x,y-1,z)]2+[g(x,y,z+1)-g(x,y,z-1)]2
其中,g(x+1,y,z)表示坐标(x+1,y,z)处的像素值,g(x-1,y,z)同理;
(1.4.3)初始化体素标签l(i)=-1,体素到聚类中心的距离d(i)=+∞,相邻的两次聚类中心的差异阈值为threshold;
(1.4.4)以每个聚类中心点Ck为中心,在2Ns×2Ns×2Ns的邻域范围内计算体素i到聚类中心Ck的距离D(i,Ck),其中p,q为调解参数,gi,xi,yi,zi分别为体素i的像素值和三维坐标;
如果D(i,Ck)≤d(i),令体素的标签l(i)=k,体素到聚类中心的距离d(i)=D(i,Ck);
(1.4.5)对每个聚类中心点的邻域都计算完距离后,根据体素标签计算新的聚类中心点Ck(new):
其中,Nk表示属于第k个聚类中心的体素的总个数;
(1.4.6)计算新聚类中心和原聚类中心之间的差异E:
更新聚类中心Ck=Ck(new),如果差异E≤threshold,结束循环,反之,重复步骤(1.4.4)到步骤(1.4.6),直到差异E≤threshold;
(1.4.7)对于有标签体素集,统计每个超体素内的体素标签,选择体素最多的标签作为整个超体素的标签;
(1.5)提取特征:对每个超体素,提取超体素的灰度直方图作为特征;灰度直方图的统计范围为[Gmedian-40,Gmedian+80],特征总数为40;其中Gmedian表示CT图像中脑部区域的灰度中值,由统计得到;
(1.6)训练半监督模型:用有标签样本和无标签样本一起训练构成tri-training模型的三个不同类型的分类器;该步骤包括以下子步骤:
(1.6.1)对有标记样本集进行可重复取样以获得三个有标记训练样本集,三个训练样本集分别用来训练产生一个分类器,这里的三个分类器分别为人工神经网络,支持向量机和随机森林;其中ANN分类器是一个标准的三层神经网络,隐层节点数为20,激活函数为sigmoid函数;SVM分类器是通过LIBSVM工具箱实现的,核函数为高斯径向基函数,参数C设定为1,RF分类器的树数量为100;
(1.6.2)三个分类器分别对无标记样本集进行标注,如果两个分类器对同一个未标记样本的标签预测相同,用该标签标记这个样本,然后将其加入第三个分类器的有标记训练样本集;
(1.6.3)用更新过的有标记训练样本集再次训练三个分类器;
(1.6.4)重复步骤(1.6.2)、(1.6.3)直到分类器的参数不再发生变化;
所述步骤2包括以下子步骤:
(2.1)从计算机断层扫描设备中导出包含出血区域的CT图像;
(2.2)转换CT图像格式:对于步骤(2.1)获取的的CT图像,截取像素值的有效区间,转换成常用的bmp或jpg图像处理格式;
(2.3)图像三维重建:将CT图像重建到三维区间,通过三维滤波去除噪声,得到三维矩阵;
(2.4)超体素分割:对重建得到的三维矩阵,应用三维简单线性迭代聚类算法对其进行分割,得到规则排列的超体素;
(2.5)提取特征:对每个超体素,提取超体素的灰度直方图作为特征;灰度直方图的统计范围为[Gmedian-40,Gmedian+80],特征总数为40;
(2.6)分类样本:用通过步骤(1.1)-(1.6)训练好的tri-training分类器分类超体素,即为每一个超体素分配一个标签,其中出血区域标签ti=1,其他区域标签ti=0;
(2.7)三维重建:将所有ti=1的超体素在三维空间进行重建,通过去噪,平滑处理得到出血区域的三维显示,实现脑部CT图像出血区域的分割。
2.一种实现权利要求1所述方法的基于半监督学习的脑部CT图像出血区域分割系统,其特征在于,包括图像预处理模块,超体素划分模块,特征提取模块,分类模块和三维重建模块;所述图像预处理模块对二维CT图像序列进行格式转换、简单图像处理并将二维图像存储到三维矩阵;所述超体素划分模块将三维矩阵划分为超体素;所述特征提取模块包括计算灰度直方图模块和计算标签模块;所述分类模块包括训练分类器模块和分类样本模块,在训练过程中用于训练分类器,在实际应用过程中将超体素分为前景部分和背景部分;所述三维重建模块将属于前景的超体素在三维空间进行重建。
3.如权利要求2所述的一种基于半监督学习的脑部CT图像出血区域分割系统,其特征在于,所述图像预处理模块从计算机断层扫描设备或者数据库中获取包含出血区域的CT图像,截取像素值的有效区间,转换成常用的bmp或jpg图像处理格式,并将二维图像序列存储到三维矩阵。
4.如权利要求2所述的一种基于半监督学习的脑部CT图像出血区域分割系统,其特征在于,所述超体素划分模块应用三维简单线性迭代聚类算法对三维矩阵进行分割,得到规则排列的超体素作为样本。
5.如权利要求2所述的一种基于半监督学习的脑部CT图像出血区域分割系统,其特征在于,所述特征提取模块包括计算灰度直方图模块和计算标签模块:计算灰度直方图模块提取超体素的灰度直方图作为超体素的特征;计算标签模块用于训练过程中计算样本的标签。
6.如权利要求2所述的一种基于半监督学习的脑部CT图像出血区域分割系统,其特征在于,所述分类模块包括训练分类器模块和分类样本模块:训练分类器模块在tri-training模型下,用样本训练人工神经网络,支持向量机和随机森林三个分类器;分类样本模块根据超体素特征,运用训练好的三个分类器组合而成的tri-training模型分类超体素。
7.如权利要求2所述的一种基于半监督学习的脑部CT图像出血区域分割系统,其特征在于,所述三维重建模块将分类得到的出血区域超体素重建到三维空间并显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610595691.3A CN106296653B (zh) | 2016-07-25 | 2016-07-25 | 基于半监督学习的脑部ct图像出血区域分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610595691.3A CN106296653B (zh) | 2016-07-25 | 2016-07-25 | 基于半监督学习的脑部ct图像出血区域分割方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106296653A CN106296653A (zh) | 2017-01-04 |
CN106296653B true CN106296653B (zh) | 2019-02-01 |
Family
ID=57652578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610595691.3A Active CN106296653B (zh) | 2016-07-25 | 2016-07-25 | 基于半监督学习的脑部ct图像出血区域分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106296653B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11039805B2 (en) * | 2017-01-05 | 2021-06-22 | General Electric Company | Deep learning based estimation of data for use in tomographic reconstruction |
CN107507189A (zh) * | 2017-07-04 | 2017-12-22 | 西北大学 | 基于随机森林与统计模型的小鼠ct图像肾脏分割方法 |
CN107590797B (zh) * | 2017-07-26 | 2020-10-30 | 浙江工业大学 | 一种基于三维残差神经网络的ct影像肺结节检测方法 |
CN107688783B (zh) * | 2017-08-23 | 2020-07-07 | 京东方科技集团股份有限公司 | 3d图像检测方法、装置、电子设备及计算机可读介质 |
CN107589420A (zh) * | 2017-09-07 | 2018-01-16 | 广东工业大学 | 一种物体内部成分探测方法、装置及系统 |
EP3467771A1 (en) * | 2017-10-05 | 2019-04-10 | Koninklijke Philips N.V. | Image feature annotation in diagnostic imaging |
CN107832305A (zh) * | 2017-11-28 | 2018-03-23 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN108364006B (zh) * | 2018-01-17 | 2022-03-08 | 超凡影像科技股份有限公司 | 基于多模式深度学习的医学图像分类装置及其构建方法 |
CN108648256B (zh) * | 2018-05-17 | 2021-07-02 | 四川大学 | 一种基于超维的灰度岩心三维重建方法 |
CN108765430B (zh) * | 2018-05-24 | 2022-04-08 | 西安思源学院 | 一种基于心脏ct图像和机器学习的心脏左腔区域分割方法 |
CN109191564B (zh) * | 2018-07-27 | 2020-09-04 | 中国科学院自动化研究所 | 基于深度学习的激发荧光断层成像三维重建方法 |
US11690551B2 (en) * | 2018-07-30 | 2023-07-04 | Biosense Webster (Israel) Ltd. | Left atrium shape reconstruction from sparse location measurements using neural networks |
CN109472263B (zh) * | 2018-10-12 | 2021-06-15 | 东南大学 | 一种结合全局和局部信息的大脑磁共振图像分割方法 |
CN109741346B (zh) * | 2018-12-30 | 2020-12-08 | 上海联影智能医疗科技有限公司 | 感兴趣区域提取方法、装置、设备及存储介质 |
CN110148112A (zh) * | 2019-04-02 | 2019-08-20 | 成都真实维度科技有限公司 | 一种采集并标注断层扫描图数据进行数据集建立的方法 |
CN110503630B (zh) * | 2019-07-19 | 2023-05-09 | 江苏师范大学 | 一种基于三维深度学习模型的脑出血分类、定位与预测方法 |
CN110675488B (zh) * | 2019-09-24 | 2023-02-28 | 电子科技大学 | 基于深度学习的创意三维体素模型的建模系统的构建方法 |
CN110647939B (zh) * | 2019-09-24 | 2022-05-24 | 广州大学 | 一种半监督智能分类方法、装置、存储介质及终端设备 |
CN112150477B (zh) * | 2019-11-15 | 2021-09-28 | 复旦大学 | 脑影像动脉全自动分割方法及装置 |
CN112561926A (zh) * | 2020-12-07 | 2021-03-26 | 上海明略人工智能(集团)有限公司 | 三维图像分割方法、系统、存储介质及电子设备 |
CN113298830B (zh) * | 2021-06-22 | 2022-07-15 | 西南大学 | 一种基于自监督的急性颅内ich区域图像分割方法 |
CN115359074B (zh) * | 2022-10-20 | 2023-03-28 | 之江实验室 | 基于超体素聚类及原型优化的图像分割、训练方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046714A (zh) * | 2015-08-18 | 2015-11-11 | 浙江大学 | 一种非监督的基于超像素和目标发现机制的图像分割方法 |
CN105719295A (zh) * | 2016-01-21 | 2016-06-29 | 浙江大学 | 一种基于三维超体素的颅内出血区域分割方法及系统 |
-
2016
- 2016-07-25 CN CN201610595691.3A patent/CN106296653B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046714A (zh) * | 2015-08-18 | 2015-11-11 | 浙江大学 | 一种非监督的基于超像素和目标发现机制的图像分割方法 |
CN105719295A (zh) * | 2016-01-21 | 2016-06-29 | 浙江大学 | 一种基于三维超体素的颅内出血区域分割方法及系统 |
Non-Patent Citations (1)
Title |
---|
Intracranial hemorrhage detection by 3D voxel segmentation on brain CT images;Sun Mingjie et al;《International Conference on Wireless Communications and Signal Processing(WCSP)》;20151015;正文第2-4页 |
Also Published As
Publication number | Publication date |
---|---|
CN106296653A (zh) | 2017-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106296653B (zh) | 基于半监督学习的脑部ct图像出血区域分割方法及系统 | |
CN105719295B (zh) | 一种基于三维超体素的颅内出血区域分割方法及系统 | |
Telrandhe et al. | Detection of brain tumor from MRI images by using segmentation & SVM | |
Liu et al. | Multi-view multi-scale CNNs for lung nodule type classification from CT images | |
CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统 | |
CN110120033A (zh) | 基于改进的U-Net神经网络三维脑肿瘤图像分割方法 | |
CN110310281A (zh) | 一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法 | |
CN106340021B (zh) | 血管提取方法 | |
CN109034045A (zh) | 一种基于卷积神经网络的白细胞自动识别方法 | |
CN112150428A (zh) | 一种基于深度学习的医学图像分割方法 | |
CN108010021A (zh) | 一种医学图像处理系统和方法 | |
El-Regaily et al. | Lung nodule segmentation and detection in computed tomography | |
CN105956198B (zh) | 一种基于病灶位置与内容的乳腺图像检索系统及方法 | |
CN104217213B (zh) | 一种基于对称性理论的医学图像多阶段分类方法 | |
Tan et al. | DeepBranch: Deep neural networks for branch point detection in biomedical images | |
CN108549912A (zh) | 一种基于机器学习的医学图像肺结节检测方法 | |
US20230005140A1 (en) | Automated detection of tumors based on image processing | |
CN111681230A (zh) | 脑白质高信号评分系统及其评分方法 | |
Liu et al. | Automatic segmentation algorithm of ultrasound heart image based on convolutional neural network and image saliency | |
CN112150477B (zh) | 脑影像动脉全自动分割方法及装置 | |
Kaldera et al. | MRI based glioma segmentation using deep learning algorithms | |
Nayan et al. | A deep learning approach for brain tumor detection using magnetic resonance imaging | |
Hao et al. | Vp-detector: A 3d multi-scale dense convolutional neural network for macromolecule localization and classification in cryo-electron tomograms | |
Bi et al. | Classification of low-grade and high-grade glioma using multiparametric radiomics model | |
Xu et al. | RUnT: A network combining residual U-Net and transformer for vertebral edge feature fusion constrained spine CT image segmentation |
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 |