CN106651874B - 基于多模态mri数据的脑瘤术后空间域分割方法 - Google Patents

基于多模态mri数据的脑瘤术后空间域分割方法 Download PDF

Info

Publication number
CN106651874B
CN106651874B CN201611122976.1A CN201611122976A CN106651874B CN 106651874 B CN106651874 B CN 106651874B CN 201611122976 A CN201611122976 A CN 201611122976A CN 106651874 B CN106651874 B CN 106651874B
Authority
CN
China
Prior art keywords
brain tumor
data
feature
spatial domain
brain
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
CN201611122976.1A
Other languages
English (en)
Other versions
CN106651874A (zh
Inventor
潘志方
陈�峰
叶夏
应一凡
王贤川
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.)
Wenzhou Medical University
Original Assignee
Wenzhou Medical University
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 Wenzhou Medical University filed Critical Wenzhou Medical University
Priority to CN201611122976.1A priority Critical patent/CN106651874B/zh
Publication of CN106651874A publication Critical patent/CN106651874A/zh
Application granted granted Critical
Publication of CN106651874B publication Critical patent/CN106651874B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • 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
    • 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
    • G06T2207/30096—Tumor; Lesion

Abstract

本发明公开了一种基于多模态MRI数据的脑瘤术后空间域分割方法，其特征在于，包括以下步骤：(1)获得脑瘤手术后的MRI数据，对数据进行预处理，(2)将步骤(1)的数据映射到空间域上进行分割处理，所述空间域分割处理包括以下步骤：①构建正常人脑不同组织对称性模板，②提取Haar结构特征，③将结构随机森林方法结合AdaBoost框架获得初步的概率结果，④利用相似性区域增长算法增长标签，获得空间域分割结果。本发明基于AdaBoost框架重采样结合结构随机森林算法，提高了采样的效率；利用四维Haar特征更能保证图像的全局和局部特征，利用优化的相似性准则进行区域增长，从而提高局部区域的准确性。

Description

基于多模态MRI数据的脑瘤术后空间域分割方法
技术领域
本发明属于图像处理与生物医学结合的技术领域，尤其是一种基于多模态MRI数据的脑瘤术后空间域分割方法。
背景技术
脑肿瘤(脑瘤)严重威胁人类健康。磁共振图像(MRI)分割是脑瘤手术放射治疗计划制定、长期纵向研究的一个重要前提。本方法基于多模态MRI数据的脑瘤术后分割，具有重要意义。脑肿瘤是指生长在颅腔内的癌性物质，包括脑实质发生病变引起的原发性肿瘤，也有由身体其他部位转移侵入颅内的继发性肿瘤。在人群中发病率很高，已经成为危害人民生命健康的重要肿瘤之一。而且不论其性质是良性还是恶性，一旦在颅内占据一定空间，势必压迫脑组织，造成颅内压升高、中枢神经损害，危及患者的生命。全球每年发生原发性脑瘤的人数约为250,000人，2013年最新的肿瘤流行病学调查研究结果表明，脑肿瘤发病率占全身肿瘤发病率的1.4％，而死亡比例超过2.4％。2011年中国肿瘤登记地区脑瘤新发病例数为87 220例，发病率为6.47/10万，年因脑瘤死亡病例数为50777例。
世界卫生组织根据脑肿瘤的恶性程度将其分成四级：I级为良性，II级为低度恶性，II和IV为高度恶性。I级和II级的脑瘤有着比较好的预后，手术的紧迫性没有高度恶性的肿瘤高，有时仅作观察随访即可。具有高度恶性的胶质母细胞瘤，可以发生时即为胶质母细胞瘤，也可从良性的星形细胞瘤恶变而来。目前在临床工作中，手术加术后放疗已成为脑瘤的常规治疗模式，已被公认是一种有效治疗手段。
针对磁共振成像(MRI)进行脑肿瘤区域分割是脑瘤手术放射治疗计划制定、长期纵向研究的一个重要前提。在各种医学影像学技术中，磁共振成像(MRI)对软组织有着很强的分辨力，所以据此界定肿瘤边界更为准确。MRI图像脑肿瘤分割在诊断、病理分析、治疗以及科学研究等方面具有重要意义。临床上一般由有经验的医生根据解剖知识，利用计算机辅助软件手工勾画分割肿瘤区域。但是，人工分割的主观性很强，不同的医生对同一病人的磁共振图像会有不同的判断结果，同一个医生在不同的时期对同一病人的图像判断结果也存在差异，而且医学图像成像过程中很容易因为噪声、场偏移效应、组织运动和局部体积效应的影响，造成图像本身存在模糊、灰度不均匀等现象。因此人工分割速度慢、实时性差、可重复性差，难以胜任大量图像数据的分割处理工作。为了减轻医生们的工作强度，同时提高分割的正确率，特别是降低病变部位的漏过率，在脑瘤图像的分割的过程中采用计算机软件辅助操作。一般情况下磁共振图像中的脑肿瘤有如下特性：大小和位置各异；在不同模态的MRI上的外观各异；密度可能和正常组织相交叠；可能有占空效应(新组织挤走了正常组织)或渗透效应(改变现有组织的特性)；内部结构的复杂性，存在血管或出现钙化等；周围可能伴随着水肿等。这些对分割方法的选择提出了更高的要求。
自动分析脑肿瘤的图像对提高诊断率、治疗计划的制定、病人的随访有着潜在的巨大价值。发展脑肿瘤的自动分割技术是一个非常大的挑战，为了面对这个挑战，已经提出了很多方法。对脑肿瘤的分割配准的研究最早可以追溯到20余年前，近些年各种方法大量地被提出。世界上顶级的医学图像会议Medical Image Computing and ComputerAssisted Interventions(MICCAI)2012年、2013、2014、2015连续四年进行脑肿瘤分割的挑战比赛。使用FLAIR(T2-weighted MRI with fluid-attenuated inversion recovery)、T1(T1-weighting)、T2(T2-weighted)、T1c(T1-weighting with contrast-enhanced)、PD(Proton Density)等模态的方法占了大多数。对于分割脑肿瘤中不同子类(坏死Necrosis、水肿Edema、增强肿瘤Enhancing tumor、非增强肿瘤Non-enhancing tumor)来说，单一模态的MRI是不够的。MRI的不同模态图像能提供不同的纹理边界信息，由于个体差异，不同病人同一模态所表现的信息也大不相同。不同模态的MRI提供了不同肿瘤区域的信息：T1用来查看健康组织的结构信息，T1c用来查看坏死(necrosis)和活跃的肿瘤(enhancing tumor)部分，T2用来查看水肿(edema)的部分，FLAIR是一种特殊的模态用来帮助分离水肿和脑脊液(CSF)。
基于像素的MRI脑肿瘤分割方法一直以来是研究的一大热点。研究内容主要针对特征提取、特征选择和分类器设计，好的特征提取能使得分类器的工作变得简单。特征提取按方法主要分为统计方法、模型方法和信号处理方法，其各有优势和不足。统计方法简单，易于实现，对小图像具有一定的优势，但其对全局信息的利用不足，与人类视觉模型脱节；模型方法能够兼顾纹理局部的随机性和整体上的规律性，具有很大的灵活性，不足是模型系数难以求解，参数调节不方便；信号处理方法善于捕捉纹理的细节信息，能同时在空间和频域上表现纹理特征，然而小波往往忽视高频信息，不善于提取非规则纹理特征。由上可见，没有一种特征提取方法适合所有脑肿瘤的MRI图像分割。Haar小波变换作为一种简单有效的信号处理方法，是基于像素的脑肿瘤分割中的首选特征提取方法，此外利用对称性模板(将正常人群的四个模态MRI做成图谱经高斯平滑后，弹性变形分别配准到脑肿瘤病人相应的四个模态上形成不对称特征。将病人的图像和不对称特征做差值，形成脑肿瘤病人的不对称特征图像。)也是一种很好的全局上下文敏感的特征提取方法。
然而，现有技术大都针对手术前肿瘤进行分割，很少有对手术后、肿瘤复发的图像进行分割；缺乏对多个来源的分割结果进行相互参考的研究；此外，还缺乏对样本点结构信息的合理利用。很多方法虽然能根据术前训练图像数据将缺血部分与增强部分区别开来且不需要实现配准，但实际上基于术后残留的肿瘤部分与手术前相同的假设，没有考虑实际空洞的形成对边上组织的影响。
发明内容
为了克服现有技术的不足，本发明提供了一种基于多模态MRI数据的脑瘤术后空间域分割方法，该分割方法基于AdaBoost重采样的结构随机森林算法提高了采样的效率；建立人脑不同组织的对称性模板，并利用四维Haar特征更能保证图像的全局和局部特征，利用优化的相似性准则进行区域增长，从而提高局部区域的准确性。
为了实现上述目的，本发明采用的技术方案是：一种基于多模态MRI数据的脑瘤术后空间域分割方法，其特征在于，包括以下步骤：(1)获得手术后的脑瘤MRI数据，对数据进行预处理，(2)将步骤(1)的数据映射到空间域上进行分割处理，所述空间域分割处理包括以下步骤：①构建正常人脑不同组织对称性模板，②提取Haar结构特征，③将结构随机森林方法结合AdaBoost框架，以图像中的像素点为样本，结构随机森林方法输入时以块为单位输入标签，经步骤③获得初步的概率结果后，④利用相似性区域增长算法增长标签，获得空间域分割结果。
进一步的，所述相似性区域增长算法如下所示，同时
其中，g是体素的相似性度量值，l是标签，t为迭代点，x是体素的特征(如亮度)，
两个体素间的不同如下所示，
其中，β是一个调整参数；ρ(xi，xj)表示xi，xj两点之间特征的欧式距离；mean(ρ(xi,Ni))是xi和其每一个邻接结点特征的欧式距离的平均，μ是经验值。
采用上述方案，本发明针对脑瘤图像分割中存在的肿瘤边缘不清、采样不完全造成分割结果偏小的情形，提出基于AdaBoost重采样的结构随机森林算法提高了采样的效率；建立人脑不同组织的对称性模板，并利用四维Haar特征更能保证图像的全局和局部特征，利用优化的相似性准则进行区域增长，从而提高局部区域的准确性。
下面结合附图对本发明作进一步描述。
附图说明
附图1为本发明具体实施例技术路线图。
具体实施方式
本发明的具体实施例如图1所示是基于多模态MRI数据的脑瘤术后空间域分割方法，其包括以下步骤：(1)获得脑瘤手术后的脑瘤MRI数据，对数据进行预处理，(2)将步骤(1)的数据映射到空间域上进行分割处理，空间域分割处理包括以下步骤：①构建正常人脑不同组织对称性模板，②提取Haar结构特征，③将结构随机森林方法结合AdaBoost框架，以图像中的像素点为样本，结构随机森林方法输入时以块为单位输入标签，经步骤③获得初步的概率结果后，④利用相似性区域增长算法增长标签，获得空间域分割结果。
分割时按照以下步骤进行操作：首先分割出整个肿瘤区域，分割时按照步骤(1)-(2)操作；然后从整个肿瘤区域中再分割出坏死(Necrosis)、增强肿瘤(Enhancing tumor)、非增强肿瘤(Non-enhancing tumor)的合成区域，将水肿(Edema)区排除，分割时按照步骤(1)-(2)操作；再从合成区域中分割增强肿瘤(Enhancing tumor)区，分割时按照步骤(1)-(2)操作；合成区域分割出增强肿瘤(Enhancing tumor)区后，再继续分割出坏死(Necrosis)区，剩下区域获得非增强肿瘤(Non-enhancing tumor)区，分割时按照步骤(1)-(2)操作。
我们将空间域的分割算法转换为像素的分类算法。分割问题看作是一个分类问题：在训练集上获得一个有关体素类别的推断h，然后对测试集上的每一个体素进行分类，即有h(x(i))：x(i)→y(i)。
AdaBoost算法的优势在于可以用各种方法构建子分类器，AdaBoost算法提供的是框架，而且提高精度的同时，无过拟合现象；但AdaBoost算法较难处理数据不均衡问题，而且，AdaBoost算法训练所需样本量大，训练时间长。因此，作为最终的决策分类器AdaBoost算法在医学图像方面的应用不多，尤其是脑部MRI肿瘤分割方面。为了解决上述问题，我们将结构随机森林方法应用到AdaBoost框架中去。由于我们是将分割问题看做是分类问题，以图像中的像素点作为样本，这样的话所需样本量和不均衡数据的问题就得到了解决。结构随机森林输入时以块为单位来输入标签，这块标签在一定程度上就带有了这块内的上下文信息，随机森林的结点分离函数也考虑了结构信息，与传统的随机森林相比，对图像的结构把握得更好。
在利用结构随机森林获得初步的概率结果后，由于某些数据点并没有被计算概率，将利用如下公式对所获得的空间进行元胞自动机增长，其中的参数由已做好标签的数据训练获得。
同时
这里g是体素的相似性度量值，l是标签，t为迭代点，x是体素的特征(如亮度)。考虑到我们是以结构随机森林对肿瘤整体的分割结果自动作为种子，为了增长算法不至于在necrosis部分和enhancing tumor交界处发生阻滞，我们用如下准则来进行表示两个体素间的不同。
这里，β是一个调整参数，由训练获得；ρ(xi，xj)表示xi，xj两点之间特征的欧式距离，由于我们采用了对称性模板，所以这里的两点的特征已经是原始四个模态的MRI与对称性模板共同产生。这里
mean(ρ(xi，Ni))是xi和其每一个邻接结点特征的欧式距离的平均，μ是经验值，可以通过训练得到。
本发明在空间域上，为精确进行脑肿瘤的分割，以图像像素为样本进行大量采样提取特征，结构随机森林输入时以块为单位来输入标签，这块标签在一定程度上带有了这块内的上下文信息，随机森林的结点分离函数也考虑了结构信息，与传统的随机森林相比，对图像的结构把握得更好；本发明采用正常人脑不同组织对称性模板，基于AdaBoost框架使用结构随机森林，提高采样的效率；并采用相似度算法在已有初步分割结果的基础上，进行区域增长。
本发明不局限于上述具体实施方式，本领域一般技术人员根据本发明公开的内容，可以采用其他多种具体实施方式实施本发明的，或者凡是采用本发明的设计结构和思路，做简单变化或更改的，都落入本发明的保护范围。

Claims (1)

1.一种基于多模态MRI数据的脑瘤术后空间域分割方法，其特征在于，包括以下步骤：(1)获得脑瘤手术后的MRI数据，对数据进行预处理，(2)将步骤(1)的数据映射到空间域上进行分割处理，所述空间域分割处理包括以下步骤：①构建正常人脑不同组织对称性模板，②提取Haar结构特征，③将结构随机森林方法结合AdaBoost框架，以图像中的像素点为样本，结构随机森林方法输入时以块为单位输入标签，经步骤③获得初步的概率结果后，④利用相似性区域增长算法增长标签，获得空间域分割结果；
所述相似性区域增长算法如下所示，
同时
其中，g是体素的相似性度量值，l是标签，t为迭代点，x是体素的亮度特征，
两个体素间的不同如下所示，
其中，β是一个调整参数；ρ(xi，xj)表示xi，xj两点之间特征的欧式距离；
mean(ρ(xi，Ni))是xi和其每一个邻接结点特征的欧式距离的平均，μ是经验值。
CN201611122976.1A 2016-12-08 2016-12-08 基于多模态mri数据的脑瘤术后空间域分割方法 Active CN106651874B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611122976.1A CN106651874B (zh) 2016-12-08 2016-12-08 基于多模态mri数据的脑瘤术后空间域分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611122976.1A CN106651874B (zh) 2016-12-08 2016-12-08 基于多模态mri数据的脑瘤术后空间域分割方法

Publications (2)

Publication Number Publication Date
CN106651874A CN106651874A (zh) 2017-05-10
CN106651874B true CN106651874B (zh) 2019-06-28

Family

ID=58819359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611122976.1A Active CN106651874B (zh) 2016-12-08 2016-12-08 基于多模态mri数据的脑瘤术后空间域分割方法

Country Status (1)

Country Link
CN (1) CN106651874B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107316292A (zh) * 2017-06-22 2017-11-03 电子科技大学 一种基于结构协变计算大脑形态学对称性的方法
CN107464250B (zh) * 2017-07-03 2020-12-04 深圳市第二人民医院 基于三维mri图像的乳腺肿瘤自动分割方法
CN108447063B (zh) * 2017-12-15 2020-06-19 浙江中医药大学 脑胶质母细胞瘤的多模态核磁共振图像分割方法
TWI697686B (zh) 2019-06-20 2020-07-01 臺北榮民總醫院 基於磁振造影分析腦組織成分的系統與方法
CN110428426A (zh) * 2019-07-02 2019-11-08 温州医科大学 一种基于改进随机森林算法的mri图像自动分割方法
CN111402259B (zh) * 2020-03-23 2022-07-15 杭州健培科技有限公司 一种基于多层次结构关系学习网络的脑肿瘤分割方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101421745A (zh) * 2004-04-15 2009-04-29 美国医软科技公司 空间-时间肿瘤检测，分割和诊断信息提取系统及方法
CN103236062A (zh) * 2013-05-03 2013-08-07 北京国铁华晨通信信息技术有限公司 基于人脑肿瘤核磁库的磁共振图像血管分割方法和系统
CN103714536A (zh) * 2013-12-17 2014-04-09 深圳先进技术研究院 基于稀疏表示的多模态磁共振图像的分割方法及装置
CN104077791A (zh) * 2014-05-22 2014-10-01 南京信息工程大学 一种多幅动态对比度增强核磁共振图像联合重建方法
US8903185B2 (en) * 2012-03-20 2014-12-02 Hong Fu Jin Precision Industry (Shenzhen) Co., Ltd. Device and method for embedding watermark into image

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101421745A (zh) * 2004-04-15 2009-04-29 美国医软科技公司 空间-时间肿瘤检测，分割和诊断信息提取系统及方法
US8903185B2 (en) * 2012-03-20 2014-12-02 Hong Fu Jin Precision Industry (Shenzhen) Co., Ltd. Device and method for embedding watermark into image
CN103236062A (zh) * 2013-05-03 2013-08-07 北京国铁华晨通信信息技术有限公司 基于人脑肿瘤核磁库的磁共振图像血管分割方法和系统
CN103714536A (zh) * 2013-12-17 2014-04-09 深圳先进技术研究院 基于稀疏表示的多模态磁共振图像的分割方法及装置
CN104077791A (zh) * 2014-05-22 2014-10-01 南京信息工程大学 一种多幅动态对比度增强核磁共振图像联合重建方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Automated diagnosis of alzheimer’s disease with degenerate SVM-based Adaboost;Zhifang Pan;《2013 fifth international conference on intelligent human-machine systems and cybernetics》;20150110;全文
基于空频结合的图像增强的脑肿瘤分割;黄靖;《光子学报》;20120518;第41卷(第7期);全文
多模态肿瘤图像联合分割方法研究;蒋君;《中国博士学位论文全文数据库 医药卫生科技辑》;20141115(第11期);全文

Also Published As

Publication number Publication date
CN106651874A (zh) 2017-05-10

Similar Documents

Publication Publication Date Title
CN106651874B (zh) 基于多模态mri数据的脑瘤术后空间域分割方法
Su et al. Lung nodule detection based on faster R-CNN framework
EP3432784B1 (en) Deep-learning-based cancer classification using a hierarchical classification framework
Huang et al. A deep multi-task learning framework for brain tumor segmentation
CN106846317B (zh) 一种基于特征提取和相似匹配的医学影像检索方法
Zhang et al. Review of breast cancer pathologigcal image processing
Shanthakumar et al. Performance analysis of classifier for brain tumor detection and diagnosis
CN106447645A (zh) 增强ct图像中冠脉钙化检测及量化装置和方法
CN106651875B (zh) 基于多模态mri纵向数据的脑瘤时空协同分割方法
CN103942799B (zh) 一种乳腺超声图像分割方法及系统
CN106504245A (zh) 一种多模态脑影像损伤性病变组织图像分割方法
CN104299242A (zh) 基于ngc-acm的荧光造影眼底图像提取方法
Wu et al. Automatical segmentation of pelvic organs after hysterectomy by using dilated convolution u-net++
Micallef et al. A nested U-net approach for brain tumour segmentation
Qian et al. ProCDet: A new method for prostate cancer detection based on mr images
Fang et al. Multi-input Unet model based on the integrated block and the aggregation connection for MRI brain tumor segmentation
Honghan et al. Rms-se-unet: A segmentation method for tumors in breast ultrasound images
Kabir Early stage brain tumor detection on MRI image using a hybrid technique
Li et al. Clinical study of diffusion-weighted imaging in the diagnosis of liver focal lesion
Jalab et al. Fractional Renyi entropy image enhancement for deep segmentation of kidney MRI
CN110533667A (zh) 基于图像金字塔融合的肺部肿瘤ct影像3d分割方法
Affane et al. Robust deep 3-d architectures based on vascular patterns for liver vessel segmentation
CN107705308A (zh) 基于多模态磁共振的脑肿瘤图像分割方法
Srilatha et al. Automated ultrasound ovarian tumour segmentation and classification based on deep learning techniques
Chen et al. Research related to the diagnosis of prostate cancer based on machine learning medical images: A review

Legal Events

Date Code Title Description
PB01 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