CN106803250B - 结合全局和局部区域信息的医学超声图像分割方法 - Google Patents

结合全局和局部区域信息的医学超声图像分割方法 Download PDF

Info

Publication number
CN106803250B
CN106803250B CN201611237024.4A CN201611237024A CN106803250B CN 106803250 B CN106803250 B CN 106803250B CN 201611237024 A CN201611237024 A CN 201611237024A CN 106803250 B CN106803250 B CN 106803250B
Authority
CN
China
Prior art keywords
image
global
level set
medical ultrasonic
segmentation
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.)
Expired - Fee Related
Application number
CN201611237024.4A
Other languages
English (en)
Other versions
CN106803250A (zh
Inventor
方玲玲
王相海
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.)
Liaoning Normal University
Original Assignee
Liaoning Normal 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 Liaoning Normal University filed Critical Liaoning Normal University
Priority to CN201611237024.4A priority Critical patent/CN106803250B/zh
Publication of CN106803250A publication Critical patent/CN106803250A/zh
Application granted granted Critical
Publication of CN106803250B publication Critical patent/CN106803250B/zh
Expired - Fee Related 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
    • G06T2207/10132—Ultrasound image

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)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本发明公开了一种分割精度高的结合全局和局部区域信息的医学超声图像分割方法，结合了图像全局信息和局部信息，全局信息使得模型对于图像具有较强的抗噪性，对图像边缘具有较强的捕捉能力；局部信息使得在异质区域分割更加精确，上述二者结合能够处理背景及其内部结构复杂的图像，可应用于医学超声图像的分割。实验结果证明了本发明可以在短时间内分割对比度低、结构复杂的医学超声图像，而且对于弱质图像和含有噪声的图像也能获得很好的分割效果。

Description

结合全局和局部区域信息的医学超声图像分割方法
技术领域
本发明涉及医学图像处理领域，尤其是一种分割精度高的结合全局和局部区域信息的医学超声图像分割方法。
背景技术
由于受到医学成像设备、不均匀关照以及射线能量散射等外界因素的影响，医学超声图像一般具有以下结构特征：（1）分割区域的灰度异质性；（2）图像常常只包含白色、灰色和深灰色的目标区域，而黑色区域则为背景区域；（3）由于人体内部结构的复杂性和软骨组织的不规则性，导致超声图像的边缘模糊、内部结构复杂。然而，在临床医疗的检测中，医生需要精确的勾画出超声图像中病灶的位置及其形状，这就给医疗工作带来了巨大的工作量。
近年来，基于活动轮廓模型的图像分割方法被广泛的应用到医学超声图像的处理中。主要包含：基于全局区域信息的活动轮廓模型和基于局部信息的活动轮廓模型。基于全局区域信息的活动轮廓模型对细节信息的捕捉能力较差，对异质对象通常不能很好地进行处理，同时模型的演化速度较慢；基于局部信息的模型可以很好地处理上述问题，但该模型对噪声和杂波比较敏感，容易发生边界泄露并且对于初始位置要求严格。
发明内容
本发明是为了解决现有技术所存在的上述技术问题，提供一种分割精度高的结合全局和局部区域信息的医学超声图像分割方法。
本发明的技术解决方案是：一种结合全局和局部区域信息的医学超声图像分割方法，按照如下步骤进行：
步骤1：建立超声图像对应的数学模型如下：
（1）
其中， 和分别描述超声图像的噪声、弱边缘区域及异质区域，这里，和表示全局和局部区域的内外部平均灰度值，相应的表达式为：
和
（2）
其中，为超声图像所在区域；为水平集函数的函数；
步骤2：为了找到 的最优值，建立模型：
（3）
其中
（4）
为接近于0的无穷小正数；
步骤3. 进一步由Euler-Lagrange方程，可得到模型（4）的水平集演化方程：
（5）
其中，为水平集函数的Dirac函数，为水平集的梯度算子；
步骤4. 设置时间步长；初始化水平集函数；；
步骤5. 利用式（2）计算全局和局部轮廓内外部的平均灰度值；
步骤6. 利用有限差分法以及式（5），更新水平集函数；
步骤7. 检查演化曲线是否稳定收敛，若稳定收敛，则停止迭代；否则，转入步骤5。
本发明结合了图像全局信息和局部信息，全局信息使得模型对于图像具有较强的抗噪性，对图像边缘具有较强的捕捉能力；局部信息使得在异质区域分割更加精确，上述二者结合能够处理背景及其内部结构复杂的图像，可应用于医学超声图像的分割。实验结果证明了本发明可以在短时间内分割对比度低、结构复杂的医学超声图像，而且对于弱质图像和含有噪声的图像也能获得很好的分割效果。
附图说明
图1为本发明实施例与其它方法对合成、自然和细胞图像分割结果比较图。
图2为本发明实施例与其它方法对合成和血管图像分割结果比较图。
图3为本发明实施例使用不同的局部区域对合成和超声图像分割结果比较图。
图4为本发明实施例与其它方法进行图像分割结果比较图。
具体实施方式
本发明的结合全局和局部区域信息的医学超声图像分割方法，按照如下步骤进行：
步骤1：建立超声图像对应的数学模型如下：
（1）
其中， 和分别描述超声图像的噪声、弱边缘区域以及异质区域，这里，和表示全局和局部区域的内外部平均灰度值，相应的表达式为：
和
（2）
其中，为超声图像所在区域；为水平集函数的函数；
步骤2：为了找到 的最优值，建立模型：
（3）
其中
（4）
为接近于0的无穷小正数；
步骤3. 进一步由Euler-Lagrange方程，可得到模型（4）的水平集演化方程：
（5）
其中，为水平集函数的Dirac函数，为水平集的梯度算子；
步骤4. 设置时间步长；初始化水平集函数；；
步骤5. 利用式（2）计算全局和局部轮廓内外部的平均灰度值；
步骤6. 利用有限差分法以及式（5），更新水平集函数；
步骤7. 检查演化曲线是否稳定收敛，若稳定收敛，则停止迭代；否则，转入步骤5。
本发明实施例与其它方法对合成、自然和细胞图像分割结果比较如图1所示：从上至下依次为合成图像、自然图像及细胞图像；从左至右分别为（a）初始化位置；（b）CV模型分割结果；（c）GCV模型分割结果；（d）本发明实施例分割结果。
本发明实施例与其它方法对合成和血管图像分割结果比较如图2所示：从上至下依次为合成图像1、合成图像2、自然图像1、自然图像2；从左至右分别为（a）初始化位置；（b）LBF模型分割结果；（c） LRB模型分割结果；（d） 本发明实施例分割结果。
本发明实施例使用不同的局部区域对合成和超声图像分割结果比较如图3所示：从左至右依次为（a）大局部区域对应的分割结果；（b）小局部区域对应的分割结果；（c）适当局部区域对应的分割结果。
本发明实施例与其它方法进行图像分割结果比较如图4所示：从上至下每一行分别对应为：源图像；GCV模型分割结果；LRB模型分割结果；针对超声图像的分割方法一；针对超声图像的分割方法二；本方法分割方法；医院提供的金标准。
对比结果表明：本发明可以在短时间内分割对比度低、结构复杂的医学超声图像，而且对于弱质图像和含有噪声的图像也能获得很好的分割效果。

Claims (1)

1.一种结合全局和局部区域信息的医学超声图像分割方法，其特征在于按照如下步骤进行：
步骤1：建立超声图像I(x,y)对应的数学模型如下：
I(x,y)＝Ωns,wb∪Ωii (1)
其中，Ωns,wb≈{ci}i＝+,-和Ωii≈{mi}i＝+,-分别描述超声图像的噪声、弱边缘区域及异质区域，所述{ci}i＝+,-和{mi}i＝+,-表示全局和局部区域的内外部平均灰度值，相应的表达式为：
其中，Ω为超声图像I所在区域；H(φ(x,y))为水平集函数φ的Heaviside函数；
步骤2：为了找到{ci,mi}i＝+,-的最优值，建立模型：
其中
ε为接近于0的无穷小正数；
步骤3.进一步由Euler-Lagrange方程，可得到模型(4)的水平集演化方程：
其中，δ(φ)为水平集函数φ的Dirac函数，为水平集φ的梯度算子；
步骤4.设置时间步长初始化水平集函数φ(x,y)＝0；μ＝0.2；
步骤5.利用式(2)计算全局和局部轮廓内外部的平均灰度值{ci,mi}i＝+,-；
步骤6.利用有限差分法以及式(5)，更新水平集函数φ；
步骤7.检查演化曲线是否稳定收敛，若稳定收敛，则停止迭代；否则，转入步骤5。
CN201611237024.4A 2016-12-28 2016-12-28 结合全局和局部区域信息的医学超声图像分割方法 Expired - Fee Related CN106803250B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611237024.4A CN106803250B (zh) 2016-12-28 2016-12-28 结合全局和局部区域信息的医学超声图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611237024.4A CN106803250B (zh) 2016-12-28 2016-12-28 结合全局和局部区域信息的医学超声图像分割方法

Publications (2)

Publication Number Publication Date
CN106803250A CN106803250A (zh) 2017-06-06
CN106803250B true CN106803250B (zh) 2019-08-09

Family

ID=58985525

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611237024.4A Expired - Fee Related CN106803250B (zh) 2016-12-28 2016-12-28 结合全局和局部区域信息的医学超声图像分割方法

Country Status (1)

Country Link
CN (1) CN106803250B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108109143B (zh) * 2017-12-22 2019-12-03 辽宁师范大学 基于混合活动轮廓模型的医学图像分割方法
CN113034508B (zh) * 2019-12-25 2024-02-13 飞依诺科技股份有限公司 超声图像病灶的分割方法、装置和计算机设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102426700A (zh) * 2011-11-04 2012-04-25 西安电子科技大学 基于局部和全局区域信息的水平集sar图像分割方法
CN103065309A (zh) * 2012-12-26 2013-04-24 辽宁师范大学 基于简化的lbf模型的图像分割方法
CN105551054A (zh) * 2016-01-14 2016-05-04 辽宁师范大学 全局和局部信息自适应调整的图像分割活动轮廓方法
CN105631856A (zh) * 2015-12-16 2016-06-01 辽宁师范大学 自适应调整的红外船舶图像活动轮廓分割方法
CN105701818A (zh) * 2016-01-14 2016-06-22 辽宁师范大学 基于区域划分和梯度引导的图像多目标分割c-v方法
CN105761274A (zh) * 2016-03-21 2016-07-13 辽宁师范大学 结合边缘和区域信息的医学图像分割方法
CN105825513A (zh) * 2016-03-21 2016-08-03 辽宁师范大学 基于全局信息和局部信息自适应拟合的图像分割方法
CN106056611A (zh) * 2016-06-03 2016-10-26 上海交通大学 基于区域信息和边缘信息的水平集图像分割方法及其系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102426700A (zh) * 2011-11-04 2012-04-25 西安电子科技大学 基于局部和全局区域信息的水平集sar图像分割方法
CN103065309A (zh) * 2012-12-26 2013-04-24 辽宁师范大学 基于简化的lbf模型的图像分割方法
CN105631856A (zh) * 2015-12-16 2016-06-01 辽宁师范大学 自适应调整的红外船舶图像活动轮廓分割方法
CN105551054A (zh) * 2016-01-14 2016-05-04 辽宁师范大学 全局和局部信息自适应调整的图像分割活动轮廓方法
CN105701818A (zh) * 2016-01-14 2016-06-22 辽宁师范大学 基于区域划分和梯度引导的图像多目标分割c-v方法
CN105761274A (zh) * 2016-03-21 2016-07-13 辽宁师范大学 结合边缘和区域信息的医学图像分割方法
CN105825513A (zh) * 2016-03-21 2016-08-03 辽宁师范大学 基于全局信息和局部信息自适应拟合的图像分割方法
CN106056611A (zh) * 2016-06-03 2016-10-26 上海交通大学 基于区域信息和边缘信息的水平集图像分割方法及其系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
图像分割的活动轮廓模型研究;方玲玲;《中国博士学位论文全文数据库 信息科技辑》;20130815(第8期);正文第1-95页 *

Also Published As

Publication number Publication date
CN106803250A (zh) 2017-06-06

Similar Documents

Publication Publication Date Title
Giannini et al. A fully automatic algorithm for segmentation of the breasts in DCE-MR images
Jia et al. Automatic bone segmentation in ultrasound images using local phase features and dynamic programming
Smistad et al. Real-time automatic artery segmentation, reconstruction and registration for ultrasound-guided regional anaesthesia of the femoral nerve
Roy et al. Lumen segmentation in intravascular optical coherence tomography using backscattering tracked and initialized random walks
CN103606152A (zh) 基于sift特征点聚类及布尔差运算的dsa血管图像分割方法
Jarosik et al. Breast lesion classification based on ultrasonic radio-frequency signals using convolutional neural networks
US20220383500A1 (en) System and method for analyzing medical images based on spatio-temporal data
WO2022105813A1 (en) Systems and methods for subject positioning
CN106803250B (zh) 结合全局和局部区域信息的医学超声图像分割方法
Li et al. Atrous residual interconnected encoder to attention decoder framework for vertebrae segmentation via 3D volumetric CT images
Sebastian et al. Segmentation of carpal bones from 3D CT images using skeletally coupled deformable models
CN108109143B (zh) 基于混合活动轮廓模型的医学图像分割方法
Yan et al. A novel segmentation approach for intravascular ultrasound images
CN104809425B (zh) 手部兴趣区域的提取方法及装置
WO2023103609A1 (zh) 用于眼前节octa的眼动追踪方法、装置、设备和存储介质
Santhoshini et al. Automatic segmentation of femur bone features and analysis of osteoporosis
Manikandan et al. Glaucoma Detection in Retinal Images using Automatic Thresholding and Marker-Controlled Watershed Transformation
CN106934785B (zh) 一种用于机器人虚拟训练系统中肝脏模型的医学图像分割方法
CN105512629B (zh) 一种人体手指静脉图像骨关节定位方法
Hötte et al. Visualization of sliding and deformation of orbital fat during eye rotation
Mokri et al. Lung segmentation in CT for thoracic PET-CT registration through visual study
Cardinal et al. Automatic 3D segmentation of intravascular ultrasound images using region and contour information
Lay-Ekuakille et al. Thermal image processing for accurate realtime decision making in surgery
Lee et al. Segmentation of wounds using gradient vector flow
Qi et al. 3d regnet: Deep learning model for covid-19 diagnosis on chest ct image

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190809

Termination date: 20191228

CF01 Termination of patent right due to non-payment of annual fee