CN107341812A - 一种基于超像素和密度聚类的序列肺结节图像分割方法 - Google Patents
一种基于超像素和密度聚类的序列肺结节图像分割方法 Download PDFInfo
- Publication number
- CN107341812A CN107341812A CN201710536082.5A CN201710536082A CN107341812A CN 107341812 A CN107341812 A CN 107341812A CN 201710536082 A CN201710536082 A CN 201710536082A CN 107341812 A CN107341812 A CN 107341812A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- super
- pixel
- sequence
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/174—Segmentation; Edge detection involving the use of two or more images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于超像素和密度聚类的序列肺结节图像分割方法,包括以下步骤:利用CT图像三维特征平均投影密度(AIP)结合多尺度圆点增强进行预处理;利用六边形聚簇和形态学优化的超像素序列图像分割算法(HMSLIC)对图像进行过分割;在超像素块间的距离计算中构造自适应权重系数,实现肺结节的精准定位,得到后续的聚类起始块,同时,通过对距离进行拟合并检测斜率的变化,得到后续准确的聚类阈值;采用只对肺结节进行聚类的策略和自适应阈值两方面优化的快速DBSCAN超像素序列图像聚类算法,得到序列肺结节掩膜,最终得到肺部CT的序列肺结节图像;能更快速、完整、准确地分割出各种类型的序列肺结节图像,为后续的处理和诊断分析奠定基础。
Description
技术领域
本发明涉及肺结节序列图像分割,具体涉及一种基于超像素和密度聚类的序列肺结节图像分割方法。
背景技术
肺结节序列图像的快速精准分割是后续处理和诊断分析的基础。以往序列肺结节图像分割算法研究中,对实性结节的分割都是很有效的,但是会出现以下问题:在不降低分割准确率的前提下,无法高效的分割出序列肺结节图像;空洞型结节内部的空洞和周围区域灰度值差异较大,很容易把空洞部分当做肺实质的一部分,导致分割得到的结节区域不完整;血管粘连型结节的灰度值和血管的灰度值非常接近,很容易把血管当做结节的一部分保留下来,不能有效的把血管和结节分离开;噪声较多,导致分割出肺结节的同时也将噪声和各种组织结构分割出来,出现过分割的现象;从而一种既能对序列肺结节图像实现精准分割,又能在速度上达到临床要求的方法对辅助医师做出可靠的诊断决策具有重要的参考价值。
发明内容
本发明针对现有技术的不足提供一种序列肺结节图像分割方法,既能对孤立性肺结节、空洞型结节以及血管粘连型结节等序列图像实现精准分割,又能在速度上达到临床要求,为医师对病灶的诊断提供决策支持,从客观方面起到辅助诊断的作用。
本发明采用的技术方案为:
一种基于超像素和密度聚类的序列肺结节图像分割方法,包括以下步骤:
步骤A,利用CT图像三维特征平均投影密度(AIP)结合多尺度圆点增强进行预处理;
步骤B,根据肺部图像中肺结节的类圆形特征和面积特征,采用一种改进的适用于肺部图像的超像素分割算法,即基于六边形聚簇和形态学优化的序列线性迭代聚类算法(HMSLIC),来进行肺部CT序列图像的过分割;
步骤C,设计超像素块间的距离计算公式,并在其距离计算中构造自适应权重系数,实现肺结节的快速精准定位,得到后续的聚类起始块;同时,通过对距离进行拟合并检测斜率的变化,得到后续准确的聚类阈值,实现聚类阈值能根据具体CT图像和结节类型特征进行自动调整,达到自适应阈值的效果;
步骤D,采用只对肺结节进行聚类的策略和快速准确自适应阈值两方面优化的DBSCAN超像素序列图像聚类算法,对超像素样本进行聚类,得到序列肺结节掩膜,最终得到肺部CT的序列肺结节图像。
所述的方法,所述步骤A中预处理过程如下:
A1、运用平均投影密度(AIP)对原始CT序列图像进行稀疏采样;
通过计算连续多张CT图像每条射线上所遇点的灰度平均值,并应用到肺部CT图像中能有效起到弱化血管和血管形状恢复的作用,一定程度上消除长条形、斑点状的高亮血管对后续肺结节分割的影响;
A2、通过不断的迭代尺度因子,选取各个尺度上响应最大的点进行输出,来得到圆点增强后的CT图像;
针对肺结节的类圆形特征,设计对圆点增强的圆点相似性函数
参数α,β用来设置RA和RB的权重;当为线性结构时,RA=0,do(λ)=0,因此可以用RA来区分圆形结构和线性结构;当为噪声点时,特征值λ1和λ2都特别小,此时RB=0,同理得到do(λ)=0,因此可以用RB来区分圆形结构和噪声点;并将Hessian矩阵运算与高斯函数相结合来实现多尺度的融合;
所述的方法,所述步骤B详细步骤如下:
第1步,初始化六边形网格中的聚类中心Ck=[Lk,ak,bk,xk,yk]T、像素标签矩阵l、像素到聚类中心的距离矩阵D、六边形网格间距S和圆形结构元素半径r;
第2步,当残差E>=阈值T时,执行:
得到聚类中心所在的子图像,以[xk,yk]为中心,2*S为边长;计算子图像中的每个像素到聚类中心的距离,如果距离小于之前的值,则更新它的标签矩阵l和距离矩阵D;并通过计算每个超像素块L、a、b、x、y的平均值来更新聚类中心;重新计算残差E,直到残差E<=阈值T,则转到第3步;
第3步,求取CT图像的每个不连通区域,分别执行圆形结构元素半径为r的开运算,并与原CT图像相减,得到的结果记为mask;
第4步,对~mask进行距离变换,~是取反操作,把每个小区域归属到距离最近的超像素块中;计算超像素块邻接矩阵,用于后续操作;直到肺部CT序列图像分割完毕,执行连接操作,序列输出;
所述的方法,所述步骤C中快速精确定位肺结节位置的方法的具体设计如下:
d(si,sj)=dLab(si,sj)+c*dxy(si,sj)
c=mean(Nodule(λ)i)
其中Li表示超像素样本i中L分量的平均值,其余同理;dLab(si,sj)表示i、j超像素样本间的的颜色相似度距离;dxy(si,sj)表示超像素样本i、j的空间位置相似度距离;d(si,sj)表示加入自适应权重系数后超像素样本间的相似度;c表示自适应权重系数;mean(Nodule(λ)i)表示第i个超像素样本中所有像素点的结节相似度均值;
自适应权重系数w的取值范围为[0,1];当超像素块处在血管区域时,w取值特别小;相反的,当处在结节区域时,w取值比较大;因此,利用该方法对分割得到的每个超像素块求距离和,具有将血管和结节的距离和差异拉大的作用,从而更好的区分血管和结节。
所述的方法,所述步骤C中快速准确的确定DBSCAN聚类阈值的方法的具体步骤如下:
第1步,计算距离之和最大的超像素块与其他超像素块间的距离,并进行曲线拟合;
第2步,在距离[0,20]之间检测斜率变化的点;
第3步,如果没有检测到斜率变化的点,则设置设置聚类阈值E=20;否则,检测到斜率变化最大的点max,得到max点对应的距离dist,并设置E=dist;
所述的方法,所述步骤D的基本步骤如下:
第1步,距离和矩阵计算;得到距离和最大的超像素所在的标签号index,作为聚类起始点;
第2步,从距离和矩阵中抽出index这列数据,排序后进行斜率变化检测,得到聚类的阈值T;
第3步,如果index未访问,则设置为已访问;并在index的邻接矩阵中搜寻相似度距离d(bindex,bj)(j为与index邻接的超像素块的标签号)小于阈值T的邻接块的标签数组neighbors;
第4步,取出数组neighbors中的一个标签号,记作i;和步骤6同理,在i的邻接矩阵中搜寻相似度距离d(bi,bj)(j为与i邻接的超像素块的标签号)小于阈值T的邻接块的标签数组n,并把n合并到neighbors中;直到neighbors中数据全部执行,则转到第5步;
第5步,对标记为已访问的超像素块进行合并,得到肺结节图像掩膜;
所述方法,所述方法整体的详细步骤如下:
第1步,输入原始CT序列图像,初始化AIP重建区域层数Sr、AIP重建序列图像的总数Nr;
第2步,对原始CT序列图像进行序列肺实质分割;
第3步,获得AIP序列图像AIPi,i∈[1,Nr],对序列肺实质图像标记为i∈[1,Nr],j∈[1,Sr],j代表重建序号对应关系;
第4步,对标记为{CTi1},i∈[1,Nr],的肺实质图像,执行下列操作:
4-1、分别与经过多尺度圆点增强后的AIPi序列图像进行比较,保留圆形区域;
4-2、超像素序列图像分割HMSLIC;
4-3、超像素块间的距离计算和斜率检测,确定聚类起始点、聚类起始块和聚类阈值,记为[xi,yi]、{Si1}和{Ei1};
第5步,对标记为i∈[1,Nr],j∈[2,Sr],的肺实质图像,以[xi,yi]为中心,边长为30mm,提取ROI感兴趣区域,执行下列操作:
5-1、把聚类起始点坐标[xi,yi]对应转换到ROI区域中,记为[Xi,Yi];
5-2、超像素序列图像分割HMSLIC;
5-3、找到像素点[Xi,Yi]所属的超像素标签,记为聚类的起始块
5-4、超像素块间的距离计算和斜率检测,确定聚类阈值,记为
第6步,根据聚类起始块和聚类阈值执行自适应阈值的DBSCAN超像素序列图像聚类,得到序列肺结节掩膜
第7步,根据将肺结节从原始CT序列图像中分割出来,并按顺序输出,就得到了序列肺结节图像。
与现有技术相比,本发明的有益效果为:
1、本发明的序列肺结节图像分割方法是后期诊断处理的重要保证,其早期CT影像的病变区域被快速准确的分割,起到辅助诊断的作用;
2、通过使用本发明的技术,在不降低分割准确率的前提下,可以高效的分割出序列肺结节图像;
3、通过本发明分割得到的序列肺结节图像,可以有效的把空洞作为结节的一部分完整分割出来,保证了空洞结节分割的完整性;
4、通过本发明分割得到的序列肺结节图像,可以有效的把血管和结节分割开,保证了血管粘连结节分割的准确性;
5、通过本发明中改进的密度聚类算法,有效的消除了噪声对序列肺结节图像分割的影响;
附图说明
图1是本发明对肺结节图像进行序列分割的流程图。
图2是本发明超像素样本间的距离和关系图(包含0项)。
图3是本发明超像素样本间的距离和关系图(不包含0项)。
图4是孤立性肺结节图像超像素分割结果中距离和最大的超像素块index与其他超像素块间的距离关系(不包含0)。
图5是图4升序排序后的拟合结果图。
图6是图5升序排序后的前8个数据的拟合结果图。
图7是空洞型结节图像超像素分割结果中距离和最大的超像素块index与其他超像素块间的距离关系(不包含0)。
图8是图7升序排序后的拟合结果图。
图9是图8升序排序后的前8个数据的拟合结果图。
图10是血管粘连型结节图像超像素分割结果中距离和最大的超像素块index与其他超像素块间的距离关系(不包含0)。
图11是图10升序排序后的拟合结果图。
图12是图11升序排序后的前8个数据的拟合结果图。
图13是本发明对孤立性肺结节图像的序列分割结果。
图14是本发明对空洞型结节图像的序列分割结果。
图15是本发明对血管粘连型结节图像的序列分割结果。图13-15中,(a)列是原始CT序列图像,(b)是对(a)局部放大的结果,(c)是HMSLIC分割(第1张)和提取的ROIs区域(其他)的结果,(d)是对(c)分割结果的局部放大(第1张)和HMSLIC对ROIs区域分割(其他)的结果,(e)是改进的超像素序列密度聚类得到的肺结节图像掩膜序列,(f)和(g)分别是本发明方法和医师手动分割的结果。
图16是本发明方法与其他3种不同分割方法对孤立性结节、空洞型结节及血管粘连型结节分割结果的对比图;(a)列是原始CT图像,(b)是对(a)局部放大的结果,(c)-(f)分别是k均值、模糊c均值聚类、区域生长以及本发明方法分割的肺结节图像掩膜,(g)是医师手动分割的结果。
具体实施方式
以下结合具体实例,对本发明进行详细说明。
本发明方法的实现流程如下:
一种序列肺结节图像分割方法,包括以下步骤:
参照图1,步骤A,利用CT图像三维特征平均投影密度(AIP)结合多尺度圆点增强进行预处理;
参照图13、图14、图15中的(c)列和(d)列,步骤B,根据肺部图像中肺结节的类圆形特征和面积特征,采用一种改进的适用于肺部图像的超像素分割算法,即基于六边形聚簇和形态学优化的序列线性迭代聚类算法(HMSLIC),来进行肺部CT序列图像的过分割;
参照图2、图3、图4、图5、图6、图7、图8、图9、图10、图11、图12,步骤C,在超像素块间的距离计算中构造自适应权重系数,实现肺结节的精准定位,得到后续的聚类起始块。同时,通过对距离进行拟合并检测斜率的变化,得到后续准确的聚类阈值,实现聚类阈值能根据具体CT图像和结节类型特征进行自动调整,达到自适应阈值的效果。
参照图13、图14、图15中的(e)列,以及图16中的(f)列,步骤D,采用只对肺结节进行聚类的策略和自适应阈值两方面优化的快速DBSCAN超像素序列图像聚类算法,对超像素样本进行聚类,得到序列肺结节掩膜,最终得到肺部CT的序列肺结节图像;优选的,所述步骤A中预处理过程如下:
A1、运用平均投影密度(AIP)对原始CT序列图像进行稀疏采样;
通过计算连续多张CT图像每条射线上所遇点的灰度平均值,并应用到肺部CT图像中能有效起到弱化血管和血管形状恢复的作用,一定程度上消除长条形、斑点状的高亮血管对后续肺结节分割的影响;
A2、通过不断的迭代尺度因子,选取各个尺度上响应最大的点进行输出,来得到圆点增强后的CT图像;
针对肺结节的类圆形特征,设计对圆点增强的圆点相似性函数
参数α,β用来设置RA和RB的权重。当为线性结构时,RA=0,do(λ)=0,因此可以用RA来区分圆形结构和线性结构;当为噪声点时,特征值λ1和λ2都特别小,此时RB=0,同理得到do(λ)=0,因此可以用RB来区分圆形结构和噪声点;并将Hessian矩阵运算与高斯函数相结合来实现多尺度的融合;
优选的,所述步骤B详细步骤如下:
第1步,初始化六边形网格中的聚类中心Ck=[Lk,ak,bk,xk,yk]T、像素标签矩阵l、像素到聚类中心的距离矩阵D、六边形网格间距S和圆形结构元素半径r;
第2步,当残差E>=阈值T时,执行:
得到聚类中心所在的子图像,以[xk,yk]为中心,2*S为边长;计算子图像中的每个像素到聚类中心的距离,如果距离小于之前的值,则更新它的标签矩阵l和距离矩阵D;并通过计算每个超像素块L、a、b、x、y的平均值来更新聚类中心;重新计算残差E,直到残差E<=阈值T,则转到第3步;
第3步,求取CT图像的每个不连通区域,分别执行圆形结构元素半径为r的开运算,并与原CT图像相减,得到的结果记为mask;
第4步,对~mask进行距离变换,~是取反操作,把每个小区域归属到距离最近的超像素块中;计算超像素块邻接矩阵,用于后续操作;直到肺部CT序列图像分割完毕,执行连接操作,序列输出。
优选的,所述步骤C中快速定位肺结节位置的方法的具体设计如下:
d(si,sj)=dLab(si,sj)+c*dxy(si,sj)
c=mean(Nodule(λ)i)
其中Li表示超像素样本i中L分量的平均值,其余同理;dLab(si,sj)表示i、j超像素样本间的的颜色相似度距离;dxy(si,sj)表示超像素样本i、j的空间位置相似度距离;d(si,sj)表示加入自适应权重系数后超像素样本间的相似度;c表示自适应权重系数;mean(Nodule(λ)i)表示第i个超像素样本中所有像素点的结节相似度均值;
自适应权重系数w的取值范围为[0,1]。当超像素块处在血管区域时,w取值特别小;相反的,当处在结节区域时,w取值比较大;因此,利用该方法对分割得到的每个超像素块求距离和,具有将血管和结节的距离和差异拉大的作用,从而更好的区分血管和结节。
优选的,所述步骤C中快速准确的确定DBSCAN聚类阈值的方法的具体步骤如下:
第1步,计算距离之和最大的超像素块与其他超像素块的距离,并进行曲线拟合;
第2步,在距离[0,20]之间检测斜率变化的点;
第3步,如果没有检测到斜率变化的点,则设置设置聚类阈值E=20;否则,检测到斜率变化最大的点max,得到max点对应的距离dist,并设置E=dist;
优选的,所述步骤D的基本步骤如下:
第1步,距离和矩阵计算。得到距离和最大的超像素所在的标签号index,作为聚类起始点;
第2步,从距离和矩阵中抽出index这列数据,排序后进行斜率变化检测,得到聚类的阈值T;
第3步,如果index未访问,则设置为已访问;并在index的邻接矩阵中搜寻相似度距离d(bindex,bj)(j为与index邻接的超像素块的标签号)小于阈值T的邻接块的标签数组neighbors;
第4步,取出数组neighbors中的一个标签号,记作i;和步骤6同理,在i的邻接矩阵中搜寻相似度距离d(bi,bj)(j为与i邻接的超像素块的标签号)小于阈值T的邻接块的标签数组n,并把n合并到neighbors中;直到neighbors中数据全部执行,则转到第5步;
第5步,对标记为已访问的超像素块进行合并,得到肺结节图像掩膜;
优选的,所述方法整体的详细具体步骤如下:
第1步,输入原始CT序列图像,初始化AIP重建区域层数Sr、AIP重建序列图像的总数Nr;
第2步,对原始CT序列图像进行序列肺实质分割;
第3步,获得AIP序列图像AIPi,i∈[1,Nr],对序列肺实质图像标记为i∈[1,Nr],j∈[1,Sr],j代表重建序号对应关系;
第4步,对标记为{CTi1},i∈[1,Nr],的肺实质图像,执行下列操作:
1、分别与经过多尺度圆点增强后的AIPi序列图像进行比较,保留圆形区域;
2、超像素序列图像分割HMSLIC;
3、超像素块间的距离计算和斜率检测,确定聚类起始点、聚类起始块和聚类阈值,记为[xi,yi]、{Si1}和{Ei1};
第5步,对标记为i∈[1,Nr],j∈[2,Sr],的肺实质图像,以[xi,yi]为中心,边长为30mm,提取ROI感兴趣区域,执行下列操作:
1、把聚类起始点坐标[xi,yi]对应转换到ROI区域中,记为[Xi,Yi];
2、超像素序列图像分割HMSLIC;
3、找到像素点[Xi,Yi]所属的超像素标签,记为聚类的起始块
4、超像素块间的距离计算和斜率检测,确定聚类阈值,记为
第6步,根据聚类起始块和聚类阈值执行自适应阈值的DBSCAN超像素序列图像聚类,得到序列肺结节掩膜
第7步,根据将肺结节从原始CT序列图像中分割出来,并按顺序输出,就得到了序列肺结节图像;
图4-图6是孤立性结节图像的结果。图7-图9是空洞型结节图像的结果。图10-图12是血管粘连型结节图像的结果。记录距离和最大的超像素块标签为index,从距离和矩阵中取出index这列数据,去掉0项,结果如图4、图7和图10所示。对同一幅CT图像,可以发现图3中的极大值对应图图4、图7和图10的极小值,结果大致重合。图5、图8和图11分别对应图4、图7和图10升序排列后的结果。图6、图9和图12分别对应图5、图8、图11升序排序后的前8个数据,该图更能体现出斜率变化的趋势。
图13-15中,(a)列是原始CT序列图像,(b)是对(a)局部放大的结果,(c)是HMSLIC分割(第1张)和提取的ROIs区域(其他)的结果,(d)是对(c)分割结果的局部放大(第1张)和HMSLIC对ROIs区域分割(其他)的结果,(e)是改进的超像素序列密度聚类得到的肺结节图像掩膜序列,(f)和(g)分别是本发明方法和医师手动分割的结果。
图16中行1-2是孤立性肺结节的分割结果;行3-5是空洞型结节的分割结果;行6-8是血管粘连型结节的分割结果;(a)列是原始CT图像,(b)是对(a)局部放大的结果,(c)-(f)分别是k均值、模糊c均值聚类、区域生长以及本发明方法分割的肺结节图像掩膜,(g)是医师手动分割的结果。
图16可以观察到对孤立性肺结节的CT序列图像,本发明的方法与其他4种分割算法的分割结果都比较准确;但对空洞型结节和血管粘连型结节的CT图像进行分割时,本发明方法的优势特别明显,分割结果不仅能完整的包含空洞,而且能有效的将血管和结节分离开,保证了空洞型肺结节的分割完整性和血管粘连型结节的分割准确性。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (7)
1.一种基于超像素和密度聚类的序列肺结节图像分割方法,其特征在于,包括以下步骤:
步骤A,利用CT图像三维特征平均投影密度(AIP)结合多尺度圆点增强进行预处理;
步骤B,根据肺部图像中肺结节的类圆形特征和面积特征,采用一种改进的适用于肺部图像的超像素分割算法,即基于六边形聚簇和形态学优化的序列线性迭代聚类算法(HMSLIC),来进行肺部CT序列图像的过分割;
步骤C,设计超像素块间的距离计算公式,并在其距离计算中构造自适应权重系数,实现肺结节的快速精准定位,得到后续的聚类起始块;同时,通过对距离进行拟合并检测斜率的变化,得到后续准确的聚类阈值,实现聚类阈值能根据具体CT图像和结节类型特征进行自动调整,达到自适应阈值的效果;
步骤D,采用只对肺结节进行聚类的策略和快速准确自适应阈值两方面优化的DBSCAN超像素序列图像聚类算法,对超像素样本进行聚类,得到序列肺结节掩膜,最终得到肺部CT的序列肺结节图像。
2.根据权利要求1所述的方法,其特征在于,所述步骤A中预处理过程如下:
A1、运用平均投影密度(AIP)对原始CT序列图像进行稀疏采样;
通过计算连续多张CT图像每条射线上所遇点的灰度平均值,并应用到肺部CT图像中能有效起到弱化血管和血管形状恢复的作用,一定程度上消除长条形、斑点状的高亮血管对后续肺结节分割的影响;
A2、通过不断的迭代尺度因子,选取各个尺度上响应最大的点进行输出,来得到圆点增强后的CT图像;
针对肺结节的类圆形特征,设计对圆点增强的圆点相似性函数
<mrow>
<msub>
<mi>d</mi>
<mi>o</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&lambda;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mn>0</mn>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>></mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>exp</mi>
<mo>(</mo>
<mrow>
<mo>-</mo>
<mfrac>
<msubsup>
<mi>R</mi>
<mi>A</mi>
<mn>2</mn>
</msubsup>
<mrow>
<mn>2</mn>
<msup>
<mi>&alpha;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
<mo>)</mo>
<mo>)</mo>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>exp</mi>
<mo>(</mo>
<mrow>
<mo>-</mo>
<mfrac>
<msubsup>
<mi>R</mi>
<mi>B</mi>
<mn>2</mn>
</msubsup>
<mrow>
<mn>2</mn>
<msup>
<mi>&beta;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>O</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
<mrow>
<msub>
<mi>R</mi>
<mi>A</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>|</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>|</mo>
</mrow>
<mrow>
<mo>|</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>|</mo>
</mrow>
</mfrac>
<mo>,</mo>
<msub>
<mi>R</mi>
<mi>B</mi>
</msub>
<mo>=</mo>
<msqrt>
<mrow>
<msubsup>
<mi>&lambda;</mi>
<mn>1</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>&lambda;</mi>
<mn>2</mn>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
</mrow>
参数α,β用来设置RA和RB的权重;当为线性结构时,RA=0,do(λ)=0,因此可以用RA来区分圆形结构和线性结构;当为噪声点时,特征值λ1和λ2都特别小,此时RB=0,同理得到do(λ)=0,因此可以用RB来区分圆形结构和噪声点;并将Hessian矩阵运算与高斯函数相结合来实现多尺度的融合。
3.根据权利要求1所述的方法,其特征在于,所述步骤B详细步骤如下:
第1步,初始化六边形网格中的聚类中心Ck=[Lk,ak,bk,xk,yk]T、像素标签矩阵l、像素到聚类中心的距离矩阵D、六边形网格间距S和圆形结构元素半径r;
第2步,当残差E>=阈值T时,执行:
得到聚类中心所在的子图像,以[xk,yk]为中心,2*S为边长;计算子图像中的每个像素到聚类中心的距离,如果距离小于之前的值,则更新它的标签矩阵l和距离矩阵D;并通过计算每个超像素块L、a、b、x、y的平均值来更新聚类中心;重新计算残差E,直到残差E<=阈值T,则转到第3步;
第3步,求取CT图像的每个不连通区域,分别执行圆形结构元素半径为r的开运算,并与原CT图像相减,得到的结果记为mask;
第4步,对~mask进行距离变换,~是取反操作,把每个小区域归属到距离最近的超像素块中;计算超像素块邻接矩阵,用于后续操作;直到肺部CT序列图像分割完毕,执行连接操作,序列输出。
4.根据权利要求1所述的方法,其特征在于,所述步骤C中快速精确定位肺结节位置的方法的具体设计如下:
<mrow>
<msub>
<mi>d</mi>
<mrow>
<mi>L</mi>
<mi>a</mi>
<mi>b</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>s</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>L</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>L</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>b</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
<mrow>
<msub>
<mi>d</mi>
<mrow>
<mi>x</mi>
<mi>y</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>s</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
d(si,sj)=dLab(si,sj)+c*dxy(si,sj)
c=mean(Nodule(λ)i)
其中Li表示超像素样本i中L分量的平均值,其余同理;dLab(si,sj)表示i、j超像素样本间的的颜色相似度距离;dxy(si,sj)表示超像素样本i、j的空间位置相似度距离;d(si,sj)表示加入自适应权重系数后超像素样本间的相似度;c表示自适应权重系数;mean(Nodule(λ)i)表示第i个超像素样本中所有像素点的结节相似度均值;
自适应权重系数w的取值范围为[0,1];当超像素块处在血管区域时,w取值特别小;相反的,当处在结节区域时,w取值比较大;因此,利用该方法对分割得到的每个超像素块求距离和,具有将血管和结节的距离和差异拉大的作用,从而更好的区分血管和结节。
5.根据权利要求1所述的方法,其特征在于,所述步骤C中快速准确的确定DBSCAN聚类阈值的方法的具体步骤如下:
第1步,计算距离之和最大的超像素块与其他超像素块间的距离,并进行曲线拟合;
第2步,在距离[0,20]之间检测斜率变化的点;
第3步,如果没有检测到斜率变化的点,则设置设置聚类阈值E=20;否则,检测到斜率变化最大的点max,得到max点对应的距离dist,并设置E=dist。
6.根据权利要求1所述的方法,其特征在于,所述步骤D的基本步骤如下:
第1步,距离和矩阵计算;得到距离和最大的超像素所在的标签号index,作为聚类起始点;
第2步,从距离和矩阵中抽出index这列数据,排序后进行斜率变化检测,得到聚类的阈值T;
第3步,如果index未访问,则设置为已访问;并在index的邻接矩阵中搜寻相似度距离d(bindex,bj)(j为与index邻接的超像素块的标签号)小于阈值T的邻接块的标签数组neighbors;
第4步,取出数组neighbors中的一个标签号,记作i;和步骤6同理,在i的邻接矩阵中搜寻相似度距离d(bi,bj)(j为与i邻接的超像素块的标签号)小于阈值T的邻接块的标签数组n,并把n合并到neighbors中;直到neighbors中数据全部执行,则转到第5步;
第5步,对标记为已访问的超像素块进行合并,得到肺结节图像掩膜。
7.根据权利要求1所述方法,其特征在于,所述方法整体的详细步骤如下:
第1步,输入原始CT序列图像,初始化AIP重建区域层数Sr、AIP重建序列图像的总数Nr;
第2步,对原始CT序列图像进行序列肺实质分割;
第3步,获得AIP序列图像AIPi,i∈[1,Nr],对序列肺实质图像标记为i∈[1,Nr],j∈[1,Sr],j代表重建序号对应关系;
第4步,对标记为{CTi1},i∈[1,Nr],的肺实质图像,执行下列操作:
4-1、分别与经过多尺度圆点增强后的AIPi序列图像进行比较,保留圆形区域;
4-2、超像素序列图像分割HMSLIC;
4-3、超像素块间的距离计算和斜率检测,确定聚类起始点、聚类起始块和聚类阈值,记为[xi,yi]、{Si1}和{Ei1};
第5步,对标记为i∈[1,Nr],j∈[2,Sr],的肺实质图像,以[xi,yi]为中心,边长为30mm,提取ROI感兴趣区域,执行下列操作:
5-1、把聚类起始点坐标[xi,yi]对应转换到ROI区域中,记为[Xi,Yi];
5-2、超像素序列图像分割HMSLIC;
5-3、找到像素点[Xi,Yi]所属的超像素标签,记为聚类的起始块
5-4、超像素块间的距离计算和斜率检测,确定聚类阈值,记为
第6步,根据聚类起始块和聚类阈值执行自适应阈值的DBSCAN超像素序列图像聚类,得到序列肺结节掩膜
第7步,根据将肺结节从原始CT序列图像中分割出来,并按顺序输出,就得到了序列肺结节图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710536082.5A CN107341812B (zh) | 2017-07-04 | 2017-07-04 | 一种基于超像素和密度聚类的序列肺结节图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710536082.5A CN107341812B (zh) | 2017-07-04 | 2017-07-04 | 一种基于超像素和密度聚类的序列肺结节图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107341812A true CN107341812A (zh) | 2017-11-10 |
CN107341812B CN107341812B (zh) | 2019-11-08 |
Family
ID=60218231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710536082.5A Active CN107341812B (zh) | 2017-07-04 | 2017-07-04 | 一种基于超像素和密度聚类的序列肺结节图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107341812B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876789A (zh) * | 2018-06-15 | 2018-11-23 | 南方医科大学 | 一种基于超像素和邻域块特征结合的连续图割方法 |
CN109145964A (zh) * | 2018-08-01 | 2019-01-04 | 武汉大学 | 一种实现图像颜色聚类的方法和系统 |
CN109583444A (zh) * | 2018-11-22 | 2019-04-05 | 博志生物科技有限公司 | 空洞区域定位方法、装置及计算机可读存储介质 |
CN110246144A (zh) * | 2019-06-17 | 2019-09-17 | 吉林大学第一医院 | 一种肺部ct图像的血管增强方法及系统 |
CN110263804A (zh) * | 2019-05-06 | 2019-09-20 | 杭州电子科技大学 | 一种基于安全半监督聚类的医学影像分割方法 |
CN110428437A (zh) * | 2019-08-14 | 2019-11-08 | 大连海事大学 | 基于边缘敏感的slic和二次密度聚类的ggo分割方法 |
CN110647939A (zh) * | 2019-09-24 | 2020-01-03 | 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 |
CN110807754A (zh) * | 2018-08-01 | 2020-02-18 | 华中科技大学 | 基于深度语义分割的真菌显微图像分割检测方法及系统 |
CN111630562A (zh) * | 2017-12-20 | 2020-09-04 | 皇家飞利浦有限公司 | 用于评估肺部图像的系统 |
WO2021082168A1 (zh) * | 2019-11-01 | 2021-05-06 | 南京原觉信息科技有限公司 | 一种场景图像中特定目标对象的匹配方法 |
CN113128511A (zh) * | 2021-03-31 | 2021-07-16 | 武汉钢铁有限公司 | 一种焦炭组织识别方法及装置 |
CN115272353A (zh) * | 2022-10-07 | 2022-11-01 | 山东盛世恒机械制造有限公司 | 适用于裂纹检测的图像处理方法 |
WO2023087300A1 (zh) * | 2021-11-22 | 2023-05-25 | 中国科学院深圳先进技术研究院 | 一种医学图像分割方法、系统、终端以及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616289A (zh) * | 2014-12-19 | 2015-05-13 | 西安华海盈泰医疗信息技术有限公司 | 一种3d ct图像中骨组织的移除方法及系统 |
CN104933709A (zh) * | 2015-06-04 | 2015-09-23 | 西安理工大学 | 基于先验信息的随机游走ct肺组织图像自动分割方法 |
-
2017
- 2017-07-04 CN CN201710536082.5A patent/CN107341812B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616289A (zh) * | 2014-12-19 | 2015-05-13 | 西安华海盈泰医疗信息技术有限公司 | 一种3d ct图像中骨组织的移除方法及系统 |
CN104933709A (zh) * | 2015-06-04 | 2015-09-23 | 西安理工大学 | 基于先验信息的随机游走ct肺组织图像自动分割方法 |
Non-Patent Citations (1)
Title |
---|
曲彦等: "肺实质CT图像细化分割", 《中国图象图形学报》 * |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111630562A (zh) * | 2017-12-20 | 2020-09-04 | 皇家飞利浦有限公司 | 用于评估肺部图像的系统 |
CN108876789A (zh) * | 2018-06-15 | 2018-11-23 | 南方医科大学 | 一种基于超像素和邻域块特征结合的连续图割方法 |
CN108876789B (zh) * | 2018-06-15 | 2022-03-25 | 南方医科大学 | 一种基于超像素和邻域块特征结合的连续图割方法 |
CN109145964A (zh) * | 2018-08-01 | 2019-01-04 | 武汉大学 | 一种实现图像颜色聚类的方法和系统 |
CN110807754B (zh) * | 2018-08-01 | 2022-05-31 | 华中科技大学 | 基于深度语义分割的真菌显微图像分割检测方法及系统 |
CN109145964B (zh) * | 2018-08-01 | 2020-09-08 | 武汉大学 | 一种实现图像颜色聚类的方法和系统 |
CN110807754A (zh) * | 2018-08-01 | 2020-02-18 | 华中科技大学 | 基于深度语义分割的真菌显微图像分割检测方法及系统 |
CN109583444A (zh) * | 2018-11-22 | 2019-04-05 | 博志生物科技有限公司 | 空洞区域定位方法、装置及计算机可读存储介质 |
CN110263804A (zh) * | 2019-05-06 | 2019-09-20 | 杭州电子科技大学 | 一种基于安全半监督聚类的医学影像分割方法 |
CN110263804B (zh) * | 2019-05-06 | 2021-08-03 | 杭州电子科技大学 | 一种基于安全半监督聚类的医学影像分割方法 |
CN110246144A (zh) * | 2019-06-17 | 2019-09-17 | 吉林大学第一医院 | 一种肺部ct图像的血管增强方法及系统 |
CN110428437A (zh) * | 2019-08-14 | 2019-11-08 | 大连海事大学 | 基于边缘敏感的slic和二次密度聚类的ggo分割方法 |
CN110428437B (zh) * | 2019-08-14 | 2022-11-29 | 大连海事大学 | 基于边缘敏感的slic和二次密度聚类的ggo分割方法 |
CN110647939A (zh) * | 2019-09-24 | 2020-01-03 | 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 |
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 |
WO2021082168A1 (zh) * | 2019-11-01 | 2021-05-06 | 南京原觉信息科技有限公司 | 一种场景图像中特定目标对象的匹配方法 |
CN113128511A (zh) * | 2021-03-31 | 2021-07-16 | 武汉钢铁有限公司 | 一种焦炭组织识别方法及装置 |
WO2023087300A1 (zh) * | 2021-11-22 | 2023-05-25 | 中国科学院深圳先进技术研究院 | 一种医学图像分割方法、系统、终端以及存储介质 |
CN115272353A (zh) * | 2022-10-07 | 2022-11-01 | 山东盛世恒机械制造有限公司 | 适用于裂纹检测的图像处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107341812B (zh) | 2019-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107341812A (zh) | 一种基于超像素和密度聚类的序列肺结节图像分割方法 | |
CN111402268B (zh) | 一种医学图像中肝脏及其病灶分割的方法 | |
CN107506761B (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 | |
Li et al. | Multitask semantic boundary awareness network for remote sensing image segmentation | |
CN106682633B (zh) | 基于机器视觉的粪便镜检图像有形成分的分类识别方法 | |
CN110853051B (zh) | 基于多注意密集连接生成对抗网络的脑血管影像分割方法 | |
Wan et al. | Accurate segmentation of overlapping cells in cervical cytology with deep convolutional neural networks | |
Yan et al. | Deeplesion: Automated deep mining, categorization and detection of significant radiology image findings using large-scale clinical lesion annotations | |
Guo et al. | Deepcenterline: A multi-task fully convolutional network for centerline extraction | |
CN104933709A (zh) | 基于先验信息的随机游走ct肺组织图像自动分割方法 | |
Pan et al. | Cell detection in pathology and microscopy images with multi-scale fully convolutional neural networks | |
CN104751469B (zh) | 基于核模糊c均值聚类的图像分割方法 | |
CN106815824B (zh) | 一种提高大规模三维重建效率的图像近邻优化方法 | |
CN106056596A (zh) | 基于局部先验信息和凸优化的全自动三维肝脏分割方法 | |
CN108765374B (zh) | 一种宫颈涂片图像中异常核区域筛查的方法 | |
Li et al. | Natural tongue physique identification using hybrid deep learning methods | |
Du et al. | Real-time lesion detection of cardiac coronary artery using deep neural networks | |
Guan et al. | An Object Detection Framework Based on Deep Features and High-Quality Object Locations. | |
He et al. | Segmentation ability map: Interpret deep features for medical image segmentation | |
CN114998362A (zh) | 基于双分割模型的医学图像分割方法 | |
Kaya | Feature fusion-based ensemble CNN learning optimization for automated detection of pediatric pneumonia | |
CN116311387B (zh) | 一种基于特征交集的跨模态行人重识别方法 | |
Lyu et al. | HRED-net: high-resolution encoder-decoder network for fine-grained image segmentation | |
CN113096080A (zh) | 图像分析方法及系统 | |
CN110717916B (zh) | 一种基于卷积神经网络的肺栓塞检测系统 |
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 |