CN106780515B - 一种脑部核磁共振图像中脑胶质瘤区域提取方法 - Google Patents

一种脑部核磁共振图像中脑胶质瘤区域提取方法 Download PDF

Info

Publication number
CN106780515B
CN106780515B CN201710004443.1A CN201710004443A CN106780515B CN 106780515 B CN106780515 B CN 106780515B CN 201710004443 A CN201710004443 A CN 201710004443A CN 106780515 B CN106780515 B CN 106780515B
Authority
CN
China
Prior art keywords
brain
magnetic resonance
resonance image
target
pixel
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
CN201710004443.1A
Other languages
English (en)
Other versions
CN106780515A (zh
Inventor
杨章静
詹天明
万鸣华
张辉
杨国为
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.)
NANJING AUDIT UNIVERSITY
Original Assignee
NANJING AUDIT 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 NANJING AUDIT UNIVERSITY filed Critical NANJING AUDIT UNIVERSITY
Priority to CN201710004443.1A priority Critical patent/CN106780515B/zh
Publication of CN106780515A publication Critical patent/CN106780515A/zh
Application granted granted Critical
Publication of CN106780515B publication Critical patent/CN106780515B/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
    • G06T7/0012—Biomedical image inspection
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (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

本发明涉及一种脑部核磁共振图像中脑胶质瘤区域提取方法，能够实现脑胶质瘤区域的准确分割，与以往的解决方案相比，本发明方法通过联合分层FCM方法和全变差正则化方法建立脑胶质瘤提取总模型，不但充分考虑到每个像素对应的MRI序列图像的特征，而且还引入了像素的空间信息，两者有机结合共同作用于脑胶质瘤区域的分割，提高了脑胶质瘤提取精度。

Description

一种脑部核磁共振图像中脑胶质瘤区域提取方法
技术领域
本发明涉及一种脑部核磁共振图像中脑胶质瘤区域提取方法，属于医学图像技术领域。
背景技术
肿瘤是癌细胞在体内肆意生长的产物，其形态、呈现方式各异，具体治疗方式也不同。目前，在世界各地脑肿瘤已成为一种常见病，2015年美国新增近2300个脑癌患者。脑肿瘤有很多类型，其中脑胶质瘤是一种常见且恶性程度较高的脑肿瘤，其死亡率和致残率较高。根据临床知识，脑胶质瘤根据其恶性程度可以分为高级别胶质瘤和低级别胶质瘤。为了准确诊断脑胶质瘤，多模态核磁共振图像常被用于临床检测脑胶质瘤。目前常用的模态包括T1增强序列，T2权重序列，液体衰减翻转回复序列(FLAIR)和T1权重序列。放射科医生常根据这四类图像来判断当前肿瘤的类型以及恶性程度。
为实现脑胶质瘤的准确定性以及精准治疗，需要对胶质瘤图像区域进行准确提取。但由于其准确程度与图像的层面数息息相关。一般一个病例各个模态核磁共振数据至少有近百层的2D图像。放射医生从大量的2D图像中勾画出胶质瘤区域是一项无法完成的任务。因此利用数字图像处理技术自动提取脑胶质瘤区域是目前模式识别与医学影像交叉学科的研究热点。要实现准确提取脑胶质瘤的目的，首先需要融合多模态核磁共振图像信息，且提出的方法需要克服病理个体的差异性、图像中存在的噪声、偏场等降质问题的影像，还需充分利用图像中像素点的空间先验信息以及脑胶质瘤在临床上的特点。
综上，目前需要解决多模态核磁共振图像融合、空间信息以及临床表现联合驱动脑胶质瘤区域提取的问题，即在提取中充分考虑各个体素在不同模态核磁共振图像中的表现，其邻域信息以及脑胶质瘤的临床表现。通过它们的有效串联，达到自动准确提取脑胶质瘤区域的目的。
发明内容
本发明所要解决的技术问题是提供一种针对噪声、偏场等降质问题，能够有效提高脑胶质瘤区域提取精度的脑部核磁共振图像中脑胶质瘤区域提取方法。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种脑部核磁共振图像中脑胶质瘤区域提取方法，包括如下步骤：
步骤A.针对各张目标多模态脑部核磁共振图像进行预处理操作和融合操作，获得目标脑部多模态融合核磁共振图像；
步骤B.分别针对目标脑部多模态融合核磁共振图像中的各个像素点，通过预设聚类方法，获得像素点分别属于预设各个脑部组织状态类别的隶属度；
步骤C.针对目标脑部多模态融合核磁共振图像，根据各个像素点分别属于预设各个脑部组织状态类别的隶属度，分别针对各个像素点，获得像素点分别属于脑部胶质瘤区域的概率值、脑部水肿区域的概率值和脑组织区域的概率值；
步骤D.针对目标脑部多模态融合核磁共振图像，根据各个像素点分别属于脑部胶质瘤区域的概率值、脑部水肿区域的概率值、脑组织区域的概率值，以及各个像素点的空间分布，获得目标脑部多模态融合核磁共振图像中脑胶质瘤区域；
上述步骤D包括如下步骤：
步骤D1.针对目标脑部多模态融合核磁共振图像，根据各个像素点分别属于脑部胶质瘤区域的概率值、脑部水肿区域的概率值、脑组织区域的概率值，获得目标脑部多模态融合核磁共振图像概率图p；
步骤D2.结合目标脑部多模态融合核磁共振图像中各个像素点的空间分布，建立正则化模型：
s.t.q≥0，1Tqi＝1，1≤i≤N，1≤j'≤N，i≠j'
其中，q表示目标脑部多模态融合核磁共振图像所对应空间先验约束的概率图；q*是目标函数达到最优时所对应的q值；F表示F范数，μ是调节参数，应用中μ＝2，qi表示第i个像素点的概率，qj'表示第j'个像素点的概率；
步骤D3.根据正则化模型，利用交替迭代算法，求得目标脑部多模态融合核磁共振图像中每个像素点在空间约束下分别属于脑部胶质瘤区域的概率值、脑部水肿区域的概率值、脑组织区域的概率值；
步骤D4.根据目标脑部多模态融合核磁共振图像中各个像素点分别所对应的最高概率，确定像素点所属区域，获得目标脑部多模态融合核磁共振图像中脑胶质瘤区域。
作为本发明的一种优选技术方案，还包括位于所述步骤D之后的步骤E如下：
步骤E.根据脑部临床先验知识，针对所获目标脑部多模态融合核磁共振图像中的脑胶质瘤区域进行优化，获得目标脑部多模态融合核磁共振图像中的高精度脑胶质瘤区域。
作为本发明的一种优选技术方案，所述步骤E包括如下步骤：
步骤E1.针对所获目标脑部多模态融合核磁共振图像中的脑胶质瘤区域进行填孔操作，更新目标脑部多模态融合核磁共振图像中的脑胶质瘤区域；
步骤E2.删除目标脑部多模态融合核磁共振图像中，位于脑部水肿区域以及脑组织区域中误判的脑胶质瘤区域，更新目标脑部多模态融合核磁共振图像中的脑胶质瘤区域；
步骤E3.针对所获目标脑部多模态融合核磁共振图像，删除其中体积小于阈值的脑胶质瘤区域，即获得目标脑部多模态融合核磁共振图像中的高精度脑胶质瘤区域。
作为本发明的一种优选技术方案，所述步骤A包括如下步骤：
步骤A1.分别针对各张目标多模态脑部核磁共振图像进行去偏场操作，更新各张目标多模态脑部核磁共振图像；
步骤A2.根据参考脑部标准权重图像，分别针对各张目标多模态脑部核磁共振图像进行配准，更新各张目标多模态脑部核磁共振图像；
步骤A3.获得参考脑部标准权重图像进行去脑壳操作的结果图像，并根据该结果图像，分别针对各张目标多模态脑部核磁共振图像进行去脑壳操作，更新各张目标多模态脑部核磁共振图像；
步骤A4.分别针对各张目标多模态脑部核磁共振图像进行灰度归一化操作，更新各张目标多模态脑部核磁共振图像；
步骤A5.针对各张目标多模态脑部核磁共振图像进行融合，获得目标脑部多模态融合核磁共振图像。
作为本发明的一种优选技术方案，所述步骤B包括如下步骤：
步骤B1.针对目标脑部多模态融合核磁共振图像，建立目标脑部多模态融合核磁共振图像所对应的分层模糊C均值聚类模型：
其中，U表示目标脑部多模态融合核磁共振图像中各像素点分别属于预设各个脑部组织状态类别的隶属度集合，V表示目标脑部多模态融合核磁共振图像中各像素点分别属于预设各个脑部组织状态类别的各子类别的隶属度集合，C表示目标脑部多模态融合核磁共振图像对应预设各个脑部组织状态类别的各子类别的灰度均值；N表示目标脑部多模态融合核磁共振图像中像素点的个数，J表示预设脑部组织状态类别的个数，K表示预设脑部组织状态类别中子类别的个数；uij表示目标脑部多模态融合核磁共振图像中第i个像素点属于预设第j个脑部组织状态类别的隶属度，vijk表示目标脑部多模态融合核磁共振图像中第i个像素点属于预设第j个脑部组织状态类别的第k个子类别的隶属度，yi表示目标脑部多模态融合核磁共振图像中第i个像素点的灰度向量，cjk表示目标脑部多模态融合核磁共振图像中对应预设第j个脑部组织状态类别的第k个子类的灰度均值；m,n分别表示预设常数；
步骤B2.采用拉格朗日乘子法针对目标脑部多模态融合核磁共振图像所对应的分层模糊C均值聚类模型进行求解，获得像素点分别属于预设各个脑部组织状态类别的隶属度。
作为本发明的一种优选技术方案：所述预设各个脑部组织状态类别包括胶质瘤活跃区域类别、胶质瘤坏死区域类别、水肿区域类别、脑白质区域类别、脑灰质区域类别、脑脊液区域类别、脑脂肪区域类别。
作为本发明的一种优选技术方案，所述步骤C包括如下具体操作：
针对目标脑部多模态融合核磁共振图像，根据各个像素点分别属于预设各个脑部组织状态类别的隶属度，分别针对各个像素点，将像素点属于脑白质区域类别的隶属度、属于脑灰质区域类别的隶属度、属于脑脊液区域类别的隶属度、属于脑脂肪区域类别的隶属度相加计算获得该像素点属于脑组织区域的概率值；将像素点属于胶质瘤活跃区域类别的隶属度与属于胶质瘤坏死区域类别的隶属度相加计算获得该像素点属于脑部胶质瘤区域的概率值；像素点属于水肿区域类别的隶属度即为该像素点属于脑部水肿区域的概率值。
本发明所述一种脑部核磁共振图像中脑胶质瘤区域提取方法采用以上技术方案与现有技术相比，具有以下技术效果：
(1)本发明设计的脑部核磁共振图像中脑胶质瘤区域提取方法，能够实现脑胶质瘤区域的准确分割，与以往的解决方案相比，本发明方法通过联合分层FCM方法和全变差正则化方法建立脑胶质瘤提取总模型，不但充分考虑到每个像素对应的MRI序列图像的特征，而且还引入了像素的空间信息，两者有机结合共同作用于脑胶质瘤区域的分割，提高了脑胶质瘤提取精度；
(2)本发明设计的脑部核磁共振图像中脑胶质瘤区域提取方法中，在模型求解时利用拉格朗日乘子法将有约束问题转化为无约束问题，并用算子分裂法对无约束问题进行极小化，与传统的优化算法相比有更高的稳定性和更快的收敛性；本发明方法可用于临床上对脑胶质区域的自动化提取中，并对提取结果进行可视化，为临床治疗提供现实依据，具有非常广泛的应用价值和前景，同时也为基于MRI多模态图像的其他疾病的诊断和治疗提供了新思路。
附图说明
图1是本发明所设计脑部核磁共振图像中脑胶质瘤区域提取方法的流程示意图；
图2-1至图2-16是本发明设计方法步骤A中针对目标多模态脑部核磁共振图像进行预处理操作的结果示意图；
其中，图2-1是T1目标多模态脑部核磁共振图像；
图2-2是T1目标多模态脑部核磁共振图像的直方图；
图2-3是T1目标多模态脑部核磁共振图像的预处理结果；
图2-4是T1目标多模态脑部核磁共振图像预处理后的直方图；
图2-5是T1增强目标多模态脑部核磁共振图像；
图2-6是T1增强目标多模态脑部核磁共振图像的直方图；
图2-7是T1增强目标多模态脑部核磁共振图像的预处理结果；
图2-8是T1增强目标多模态脑部核磁共振图像预处理后的直方图；
图2-9是FLARI目标多模态脑部核磁共振图像；
图2-10是FLAIR目标多模态脑部核磁共振图像的直方图；
图2-11是FLARI目标多模态脑部核磁共振图像的预处理结果；
图2-12是FLAIR目标多模态脑部核磁共振图像预处理后的直方图；
图2-13是T2目标多模态脑部核磁共振图像；
图2-14是T2目标多模态脑部核磁共振图像的直方图；
图2-15是T2目标多模态脑部核磁共振图像的预处理结果；
图2-16是T2目标多模态脑部核磁共振图像预处理后的直方图；
图3-1是本发明设计方法中步骤B所获结果示意图；
图3-2是本发明设计方法中步骤C所获结果示意图；
图3-3是本发明设计方法中步骤D所获结果示意图；
图3-4是本发明设计方法中步骤E所获结果示意图；
图4-1、图4-2、图4-3、图4-4分别显示增强目标多模态脑部核磁共振图像中的第78帧、第87帧、第95帧和第100帧的原始图像；
图4-5、图4-6、图4-7、图4-8中的白色区域分别显示本发明在对应各帧上取得的脑胶质瘤的最终提取结果；
图4-9、图4-10、图4-11、图4-12中的白色区域分别显示对应各帧的手动分割结果；
图5是本发明方法在10组数据中每个分割步骤的Jaccard指标。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
如图1所示，本发明设计了一种脑部核磁共振图像中脑胶质瘤区域提取方法，实际应用中，具体包括如下步骤：
步骤A.针对各张目标多模态脑部核磁共振图像进行预处理操作和融合操作，获得目标脑部多模态融合核磁共振图像。
其中，步骤A包括如下步骤：
步骤A1.采用N4ITK方法，分别针对各张目标多模态脑部核磁共振图像进行去偏场操作，更新各张目标多模态脑部核磁共振图像。
步骤A2.利用基于Non-rigid的图像配准方法，根据参考脑部标准权重图像，分别针对各张目标多模态脑部核磁共振图像进行配准，更新各张目标多模态脑部核磁共振图像。
步骤A3.获得参考脑部标准权重图像进行去脑壳操作的结果图像，并根据该结果图像，分别针对各张目标多模态脑部核磁共振图像进行去脑壳操作，更新各张目标多模态脑部核磁共振图像。
步骤A4.分别针对各张目标多模态脑部核磁共振图像进行灰度归一化操作，更新各张目标多模态脑部核磁共振图像；其中，如图2-1至图2-16所示，灰度归一化操作包括如下操作：
对T1目标多模态脑部核磁共振图像，求出其灰度最大值maxT1和最小值minT1，对T1目标多模态脑部核磁共振图像中每个像素点的灰度值进行对比度拉伸：
对T1增强目标多模态脑部核磁共振图像，求出其灰度最大值maxT1c和最小值minT1c，对T1增强目标多模态脑部核磁共振图像中每个像素点的灰度值进行对比度拉伸：
对FLAIR目标多模态脑部核磁共振图像，求出其灰度最大值maxFL和最小值minFL，对FLAIR目标多模态脑部核磁共振图像中每个像素点的灰度值进行对比度拉伸：
对T2目标多模态脑部核磁共振图像，求出其灰度最大值maxT2和最小值minT2，对T2目标多模态脑部核磁共振图像中每个像素点的灰度值进行对比度拉伸：
其中，I表示原始图像，IC表示对比度拉伸后的图像，x表示图像中位于脑区域的像素点的位置。如图2-1至图2-16所示，为本发明设计方法步骤A中针对目标多模态脑部核磁共振图像进行预处理操作的结果示意图；
步骤A5.针对各张目标多模态脑部核磁共振图像进行融合，获得目标脑部多模态融合核磁共振图像。
步骤B.分别针对目标脑部多模态融合核磁共振图像中的各个像素点，通过预设聚类方法，获得像素点分别属于预设各个脑部组织状态类别的隶属度；预设各个脑部组织状态类别包括胶质瘤活跃区域类别、胶质瘤坏死区域类别、水肿区域类别、脑白质区域类别、脑灰质区域类别、脑脊液区域类别、脑脂肪区域类别。
其中，步骤B包括如下步骤：
步骤B1.针对目标脑部多模态融合核磁共振图像，建立目标脑部多模态融合核磁共振图像所对应的分层模糊C均值聚类模型：
其中，U表示目标脑部多模态融合核磁共振图像中各像素点分别属于预设各个脑部组织状态类别的隶属度集合，V表示目标脑部多模态融合核磁共振图像中各像素点分别属于预设各个脑部组织状态类别的各子类别的隶属度集合，C表示目标脑部多模态融合核磁共振图像对应预设各个脑部组织状态类别的各子类别的灰度均值；N表示目标脑部多模态融合核磁共振图像中像素点的个数，J表示预设脑部组织状态类别的个数，K表示预设脑部组织状态类别中子类别的个数；uij表示目标脑部多模态融合核磁共振图像中第i个像素点属于预设第j个脑部组织状态类别的隶属度，vijk表示目标脑部多模态融合核磁共振图像中第i个像素点属于预设第j个脑部组织状态类别的第k个子类别的隶属度，yi表示目标脑部多模态融合核磁共振图像中第i个像素点的灰度向量，cjk表示目标脑部多模态融合核磁共振图像中对应预设第j个脑部组织状态类别的第k个子类的灰度均值；m,n分别表示预设常数。
步骤B2.采用拉格朗日乘子法针对目标脑部多模态融合核磁共振图像所对应的分层模糊C均值聚类模型进行求解，获得像素点分别属于预设各个脑部组织状态类别的隶属度，如图3-1所示为本发明设计方法中步骤B所获结果示意图。具体步骤如下：
Step1：设定初始参数m＝2，n＝0.5，总体类别个数J＝8，子类个数K＝2；
Step2：更新隶属度函数：
Step3：更新子类别的隶属度
Step4：更新每个子类别的聚类中心
Step5：判断迭代是否停止，若停止则给出隶属度值否则转Step2。
步骤C.针对目标脑部多模态融合核磁共振图像，根据各个像素点分别属于预设各个脑部组织状态类别的隶属度，分别针对各个像素点，将像素点属于脑白质区域类别的隶属度、属于脑灰质区域类别的隶属度、属于脑脊液区域类别的隶属度、属于脑脂肪区域类别的隶属度相加计算获得该像素点属于脑组织区域的概率值；将像素点属于胶质瘤活跃区域类别的隶属度与属于胶质瘤坏死区域类别的隶属度相加计算获得该像素点属于脑部胶质瘤区域的概率值；像素点属于水肿区域类别的隶属度即为该像素点属于脑部水肿区域的概率值，如图3-2所示为本发明设计方法中步骤C所获结果示意图。
步骤D.针对目标脑部多模态融合核磁共振图像，根据各个像素点分别属于脑部胶质瘤区域的概率值、脑部水肿区域的概率值、脑组织区域的概率值，以及各个像素点的空间分布，获得目标脑部多模态融合核磁共振图像中脑胶质瘤区域。
上述步骤D包括如下步骤：
步骤D1.针对目标脑部多模态融合核磁共振图像，根据各个像素点分别属于脑部胶质瘤区域的概率值、脑部水肿区域的概率值、脑组织区域的概率值，获得目标脑部多模态融合核磁共振图像概率图p。
步骤D2.结合目标脑部多模态融合核磁共振图像中各个像素点的空间分布，建立正则化模型：
s.t.q≥0，1Tqi＝1，i＝1、…、N，j＝1、…、N，i≠j
其中，q表示目标脑部多模态融合核磁共振图像所对应空间先验约束的概率图；q*是目标函数达到最优时所对应的q值；F表示F范数，μ是调节参数，应用中μ＝2，qi表示第i个像素点的概率，qj表示第j个像素点的概率。
步骤D3.根据正则化模型，利用交替迭代算法，求得目标脑部多模态融合核磁共振图像中每个像素点在空间约束下分别属于脑部胶质瘤区域的概率值、脑部水肿区域的概率值、脑组织区域的概率值，具体做法如下：
首先引入变量V1,V2，将上述目标函数转化为求解如下极小化问题：
s.t.V1＝q，V2＝HV1
引入拉格朗日乘子，将有约束优化问题转为无约束优化问题：
上式的极小化可通过迭代求解的方法求得：
Step 1：初始化k＝0,μ＞0,
Step 2:更新q：
Step 3:更新V1：
Step 4:更新V2：其中soft表示软阈值
Step 5：更新D1：
Step 6：更新D2：
Step 7：若k达到最大迭代次数则终止迭代，输出q，否则转Step 2。
步骤D4.根据目标脑部多模态融合核磁共振图像中各个像素点分别所对应的最高概率，确定像素点所属区域，获得目标脑部多模态融合核磁共振图像中脑胶质瘤区域，如图3-3所示为本发明设计方法中步骤D所获结果示意图。
步骤E.根据脑部临床先验知识，针对所获目标脑部多模态融合核磁共振图像中的脑胶质瘤区域进行优化，获得目标脑部多模态融合核磁共振图像中的高精度脑胶质瘤区域。
其中，步骤E包括如下步骤：
步骤E1.针对所获目标脑部多模态融合核磁共振图像中的脑胶质瘤区域进行填孔操作，更新目标脑部多模态融合核磁共振图像中的脑胶质瘤区域。
步骤E2.删除目标脑部多模态融合核磁共振图像中，位于脑部水肿区域以及脑组织区域中误判的脑胶质瘤区域，更新目标脑部多模态融合核磁共振图像中的脑胶质瘤区域。
步骤E3.针对所获目标脑部多模态融合核磁共振图像，删除其中体积小于阈值的脑胶质瘤区域，即获得目标脑部多模态融合核磁共振图像中的高精度脑胶质瘤区域，如图3-4所示为本发明设计方法中步骤E所获结果示意图。
为显示本方法的有效性和准确性，增强目标多模态脑部核磁共振图像中的第78帧如图4-1所示、第87帧如图4-2所示、第95帧如图4-3所示、第100帧如图4-4所示的待分割图像。图4-5、图4-6、图4-7、图4-8中的白色区域分别显示本发明在对应各帧上取得的脑胶质瘤区域的最终分割结果。而图4-9、图4-10、图4-11、图4-12中的白色区域分别显示对应各帧的医生手动分割结果。
从图4-5至4-8中可以看出本方法得到的结果与专家手动分割结果非常接近。为定量分析结果，以专家手动分割结果为标准结果，对11组临床数据进行分割得到的JaccardScore(JS)指标，JS指标越高说明分割越精确，从图5中可知本方法的分层模糊C均值聚类、空间约束正则化和临床先验知识改进这三个步骤所得结果的JS指标在逐渐增加，这说明本方法构造三个步骤对脑胶质瘤区域进行分割的合理性，且最终结果的JS指标都在0.75以上，属于临床可接受范围，这充分说明了本方法的有效性。如下表1所示：
表1
表1显示了本专利方法、卷积神经网络方法、Zhao et al.方法所得结果的Dice指标，Dice指标越高说明提取结果越准确，从表中可以看出本专利方法所得脑胶质瘤提取结果的Dice指标都高于其他方法得到的脑胶质瘤提取结果。
不同于目前常用的脑肿瘤分割方法，本发明利用分层FCM聚类方法并结合空间约束的正则化方法提取脑肿瘤区域，其特色和创新主要在于：(1)无需提前对数据进行训练；(2)分层FCM聚类方法允许每个类别中的数据存在一定的差异，分类结果更加准确；(3)空间约束的正则化模型将图像中像素特征和其空间分布信息相结合，克服噪声和异常点对脑肿瘤提取结果的影响；(4)使用拉格朗日乘子法和交替迭代算法有效地提高了能量极小化的效率；(5)根据临床先验对结果进行修正，进一步提高了脑肿瘤提取的准确性。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披露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (7)

1.一种脑部核磁共振图像中脑胶质瘤区域提取方法，其特征在于，包括如下步骤：
步骤A.针对各张目标多模态脑部核磁共振图像进行预处理操作和融合操作，获得目标脑部多模态融合核磁共振图像；
步骤B.分别针对目标脑部多模态融合核磁共振图像中的各个像素点，通过预设聚类方法，获得像素点分别属于预设各个脑部组织状态类别的隶属度；
步骤C.针对目标脑部多模态融合核磁共振图像，根据各个像素点分别属于预设各个脑部组织状态类别的隶属度，分别针对各个像素点，获得像素点分别属于脑部胶质瘤区域的概率值、脑部水肿区域的概率值和脑组织区域的概率值；
步骤D.针对目标脑部多模态融合核磁共振图像，根据各个像素点分别属于脑部胶质瘤区域的概率值、脑部水肿区域的概率值、脑组织区域的概率值，以及各个像素点的空间分布，获得目标脑部多模态融合核磁共振图像中脑胶质瘤区域；
上述步骤D包括如下步骤：
步骤D1.针对目标脑部多模态融合核磁共振图像，根据各个像素点分别属于脑部胶质瘤区域的概率值、脑部水肿区域的概率值、脑组织区域的概率值，获得目标脑部多模态融合核磁共振图像概率图p；
步骤D2.结合目标脑部多模态融合核磁共振图像中各个像素点的空间分布，建立正则化模型：
s.t.q≥0，1Tqi＝1，1≤i≤N，1≤j'≤N，i≠j'
其中，q表示目标脑部多模态融合核磁共振图像所对应空间先验约束的概率图；q*是目标函数达到最优时所对应的q值；F表示F范数，μ是调节参数，应用中μ＝2，qi表示第i个像素点的概率，qj'表示第j'个像素点的概率；
步骤D3.根据正则化模型，利用交替迭代算法，求得目标脑部多模态融合核磁共振图像中每个像素点在空间约束下分别属于脑部胶质瘤区域的概率值、脑部水肿区域的概率值、脑组织区域的概率值；
步骤D4.根据目标脑部多模态融合核磁共振图像中各个像素点分别所对应的最高概率，确定像素点所属区域，获得目标脑部多模态融合核磁共振图像中脑胶质瘤区域。
2.根据权利要求1所述一种脑部核磁共振图像中脑胶质瘤区域提取方法，其特征在于，还包括位于所述步骤D之后的步骤E如下：
步骤E.根据脑部临床先验知识，针对所获目标脑部多模态融合核磁共振图像中的脑胶质瘤区域进行优化，获得目标脑部多模态融合核磁共振图像中的高精度脑胶质瘤区域。
3.根据权利要求2所述一种脑部核磁共振图像中脑胶质瘤区域提取方法，其特征在于，所述步骤E包括如下步骤：
步骤E1.针对所获目标脑部多模态融合核磁共振图像中的脑胶质瘤区域进行填孔操作，更新目标脑部多模态融合核磁共振图像中的脑胶质瘤区域；
步骤E2.删除目标脑部多模态融合核磁共振图像中，位于脑部水肿区域以及脑组织区域中误判的脑胶质瘤区域，更新目标脑部多模态融合核磁共振图像中的脑胶质瘤区域；
步骤E3.针对所获目标脑部多模态融合核磁共振图像，删除其中体积小于阈值的脑胶质瘤区域，即获得目标脑部多模态融合核磁共振图像中的高精度脑胶质瘤区域。
4.根据权利要求1或2所述一种脑部核磁共振图像中脑胶质瘤区域提取方法，其特征在于，所述步骤A包括如下步骤：
步骤A1.分别针对各张目标多模态脑部核磁共振图像进行去偏场操作，更新各张目标多模态脑部核磁共振图像；
步骤A2.根据参考脑部标准权重图像，分别针对各张目标多模态脑部核磁共振图像进行配准，更新各张目标多模态脑部核磁共振图像；
步骤A3.获得参考脑部标准权重图像进行去脑壳操作的结果图像，并根据该结果图像，分别针对各张目标多模态脑部核磁共振图像进行去脑壳操作，更新各张目标多模态脑部核磁共振图像；
步骤A4.分别针对各张目标多模态脑部核磁共振图像进行灰度归一化操作，更新各张目标多模态脑部核磁共振图像；
步骤A5.针对各张目标多模态脑部核磁共振图像进行融合，获得目标脑部多模态融合核磁共振图像。
5.根据权利要求4所述一种脑部核磁共振图像中脑胶质瘤区域提取方法，其特征在于，所述步骤B包括如下步骤：
步骤B1.针对目标脑部多模态融合核磁共振图像，建立目标脑部多模态融合核磁共振图像所对应的分层模糊C均值聚类模型：
其中，U表示目标脑部多模态融合核磁共振图像中各像素点分别属于预设各个脑部组织状态类别的隶属度集合，V表示目标脑部多模态融合核磁共振图像中各像素点分别属于预设各个脑部组织状态类别的各子类别的隶属度集合，C表示目标脑部多模态融合核磁共振图像对应预设各个脑部组织状态类别的各子类别的灰度均值；N表示目标脑部多模态融合核磁共振图像中像素点的个数，J表示预设脑部组织状态类别的个数，K表示预设脑部组织状态类别中子类别的个数；uij表示目标脑部多模态融合核磁共振图像中第i个像素点属于预设第j个脑部组织状态类别的隶属度，vijk表示目标脑部多模态融合核磁共振图像中第i个像素点属于预设第j个脑部组织状态类别的第k个子类别的隶属度，yi表示目标脑部多模态融合核磁共振图像中第i个像素点的灰度向量，cjk表示目标脑部多模态融合核磁共振图像中对应预设第j个脑部组织状态类别的第k个子类的灰度均值；m,n分别表示预设常数；
步骤B2.采用拉格朗日乘子法针对目标脑部多模态融合核磁共振图像所对应的分层模糊C均值聚类模型进行求解，获得像素点分别属于预设各个脑部组织状态类别的隶属度。
6.根据权利要求5所述一种脑部核磁共振图像中脑胶质瘤区域提取方法，其特征在于：所述预设各个脑部组织状态类别包括胶质瘤活跃区域类别、胶质瘤坏死区域类别、水肿区域类别、脑白质区域类别、脑灰质区域类别、脑脊液区域类别、脑脂肪区域类别。
7.根据权利要求6所述一种脑部核磁共振图像中脑胶质瘤区域提取方法，其特征在于，所述步骤C包括如下具体操作：
针对目标脑部多模态融合核磁共振图像，根据各个像素点分别属于预设各个脑部组织状态类别的隶属度，分别针对各个像素点，将像素点属于脑白质区域类别的隶属度、属于脑灰质区域类别的隶属度、属于脑脊液区域类别的隶属度、属于脑脂肪区域类别的隶属度相加计算获得该像素点属于脑组织区域的概率值；将像素点属于胶质瘤活跃区域类别的隶属度与属于胶质瘤坏死区域类别的隶属度相加计算获得该像素点属于脑部胶质瘤区域的概率值；像素点属于水肿区域类别的隶属度即为该像素点属于脑部水肿区域的概率值。
CN201710004443.1A 2017-01-04 2017-01-04 一种脑部核磁共振图像中脑胶质瘤区域提取方法 Active CN106780515B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710004443.1A CN106780515B (zh) 2017-01-04 2017-01-04 一种脑部核磁共振图像中脑胶质瘤区域提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710004443.1A CN106780515B (zh) 2017-01-04 2017-01-04 一种脑部核磁共振图像中脑胶质瘤区域提取方法

Publications (2)

Publication Number Publication Date
CN106780515A CN106780515A (zh) 2017-05-31
CN106780515B true CN106780515B (zh) 2019-09-27

Family

ID=58950667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710004443.1A Active CN106780515B (zh) 2017-01-04 2017-01-04 一种脑部核磁共振图像中脑胶质瘤区域提取方法

Country Status (1)

Country Link
CN (1) CN106780515B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108961259B (zh) * 2017-05-25 2022-03-18 复旦大学 基于静息态功能磁共振的大脑功能区对侧定位方法
CN109242816B (zh) * 2017-07-07 2022-01-18 复旦大学 基于静息态脑功能对侧定位的脑胶质瘤病理级别影像学辅助判定方法
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
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
CN108460783B (zh) * 2018-05-09 2019-03-12 电子科技大学 一种脑部核磁共振图像组织分割方法
CN109242860B (zh) * 2018-08-21 2021-10-08 电子科技大学 基于深度学习及权重空间集成的脑肿瘤图像分割方法
CN109410214B (zh) * 2018-10-19 2019-08-27 山东大学 一种具有抗噪性和偏场校正的医学图像分割方法
CN111462078A (zh) * 2020-03-31 2020-07-28 脑玺(苏州)智能科技有限公司 基于脑血管多模态核磁共振影像的图像处理方法
CN112287985A (zh) * 2020-10-16 2021-01-29 贵州大学 一种基于不变特征的脑胶质瘤组织学分类及其可视化方法
CN113239895A (zh) * 2021-06-15 2021-08-10 天津工业大学 基于注意力机制的胶囊网络的sar图像变化检测方法
CN115568944B (zh) * 2022-11-21 2023-02-24 吉林省英华恒瑞生物科技有限公司 一种肿瘤治疗仪的模拟消融方法及系统
CN116385438B (zh) * 2023-06-05 2023-08-11 济南科汛智能科技有限公司 一种核磁共振肿瘤区域提取方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103098090A (zh) * 2011-12-21 2013-05-08 中国科学院自动化研究所 多参数三维磁共振图像脑肿瘤分割方法
CN103971363A (zh) * 2014-03-31 2014-08-06 南京信息工程大学 基于分层模糊c均值的图像分割方法
CN104463885A (zh) * 2014-12-18 2015-03-25 江苏大学 一种多发性硬化损伤区域分割方法
CN105816192A (zh) * 2016-03-03 2016-08-03 王雪原 个体化人脑多模态医学影像的三维配准及提取脑组织方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8280133B2 (en) * 2008-08-01 2012-10-02 Siemens Aktiengesellschaft Method and system for brain tumor segmentation in 3D magnetic resonance images

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103098090A (zh) * 2011-12-21 2013-05-08 中国科学院自动化研究所 多参数三维磁共振图像脑肿瘤分割方法
CN103971363A (zh) * 2014-03-31 2014-08-06 南京信息工程大学 基于分层模糊c均值的图像分割方法
CN104463885A (zh) * 2014-12-18 2015-03-25 江苏大学 一种多发性硬化损伤区域分割方法
CN105816192A (zh) * 2016-03-03 2016-08-03 王雪原 个体化人脑多模态医学影像的三维配准及提取脑组织方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张建伟 等.结合非局部信息的脑MR图像分割与偏移场恢复耦合模型.《计算机辅助设计与图形学学报》.2013,第25卷(第4期),第526-532页. *
苏坡 等.基于超像素的多模态MRI脑胶质瘤分割.《西北工业大学学报》.2014,第32卷(第3期),第417-422页. *

Also Published As

Publication number Publication date
CN106780515A (zh) 2017-05-31

Similar Documents

Publication Publication Date Title
CN106780515B (zh) 一种脑部核磁共振图像中脑胶质瘤区域提取方法
Soomro et al. Image segmentation for MR brain tumor detection using machine learning: A Review
Chahal et al. A survey on brain tumor detection techniques for MR images
Saman et al. Survey on brain tumor segmentation and feature extraction of MR images
Liu et al. Automatic organ segmentation for CT scans based on super-pixel and convolutional neural networks
Wei et al. M3Net: A multi-model, multi-size, and multi-view deep neural network for brain magnetic resonance image segmentation
Zhang et al. Review of breast cancer pathologigcal image processing
Al-Tamimi et al. TUMOR BRAIN DETECTION THROUGH MR IMAGES: A REVIEW OF LITERATURE.
Chen et al. U-net plus: Deep semantic segmentation for esophagus and esophageal cancer in computed tomography images
CN104766340B (zh) 一种图像分割方法
Ashreetha et al. Soft optimization techniques for automatic liver cancer detection in abdominal liver images
CN108664976B (zh) 一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法
CN109934824B (zh) 颈椎脊髓高信号的检测方法及系统
CN109671054A (zh) 多模态脑肿瘤mri的无监督分割方法
CN104463885B (zh) 一种多发性硬化损伤区域分割方法
Zhang et al. Concatenated spatially-localized random forests for hippocampus labeling in adult and infant MR brain images
Bakas et al. Segmentation of gliomas in multimodal magnetic resonance imaging volumes based on a hybrid generative-discriminative framework
Kaur et al. Optimized multi threshold brain tumor image segmentation using two dimensional minimum cross entropy based on co-occurrence matrix
Ananth et al. Enhancing segmentation approaches from Gaussian mixture model and expected maximization to super pixel division algorithm
Tamoor et al. Automatic segmentation of medical images using a novel Harris Hawk optimization method and an active contour model
Banerjee et al. A CADe system for gliomas in brain MRI using convolutional neural networks
Anter et al. Deep federated machine learning-based optimization methods for liver tumor diagnosis: A review
Shao et al. Application of U-Net and Optimized Clustering in Medical Image Segmentation: A Review.
Tie et al. MRI brain tumor segmentation using 3D U-Net with dense encoder blocks and residual decoder blocks
Fang et al. Supervoxel-based brain tumor segmentation with multimodal MRI images

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