CN107358614A - 从k边缘特性x射线图像中分离图像信息的方法 - Google Patents
从k边缘特性x射线图像中分离图像信息的方法 Download PDFInfo
- Publication number
- CN107358614A CN107358614A CN201710447275.3A CN201710447275A CN107358614A CN 107358614 A CN107358614 A CN 107358614A CN 201710447275 A CN201710447275 A CN 201710447275A CN 107358614 A CN107358614 A CN 107358614A
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- picture information
- separate picture
- edge characteristic
- 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
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10116—X-ray image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于支持向量机(Support Vector Machine,SVM)从K边缘特性X射线图像中分离图像信息的方法。针对K边缘图像中感兴趣区域在不同能量下像素不同的特点,本发明利用SVM对单张K边缘图像进行处理,分别对感兴趣区域和背景进行采样,从而得到分离后的感兴趣区域。该发明通过人工选取感兴趣区域,避免了由于感兴趣区域像素与背景接近时算法的错误识别,是一种与K边缘图像相适应的图像分割方法。
Description
技术领域
本发明属于X射线图像生物医学工程领域中图像信号分离和数字图像处理研究领域,具体特指对K边缘特性X射线图像用改进的支持向量机(Support Vector Machine,SVM)算法进行图像分割。
背景技术
自从1895年伦琴发现了X射线,X射线被广泛应用于医学领域。通过对X射线能谱特性的利用,CT消除物体重叠对检测带来的影响,重建出体内组织器官的一个切面(断层)图像,以图像的形式,直观、清晰展现患者体内某个组织的内部结构状况及病变情况。
K边缘成像是X射线能谱CT技术的一个重要应用。不同物质其组成材质不同,相应的K边缘特性也不同,因此,可以通过识别物质的K边缘特性来鉴别其材质状况。在物质K边缘特性前后,X射线衰减系数差异很大,因此,可以利用衰减系数跳变这一物理特性,选择不同X射线能量段进行成像以提高已知材料成像对比度,这种成像方式称为K边缘成像。
SVM是在结构风险最小化和统计学习理论的基础上的学习方法。在结构风险最小化的基础上,SVM可以有效的用于线性情况下的两类分类情形。而对于非线性情况下的分类情形,它引入了核函数,通过核函数将输入的样本点空间映射到高维样本空间,然后在高维的样本空间上进行分类。
发明内容
技术问题:本发明的目的在于针对K边缘特性X射线图像像素随电压变化的特点,提供了一种基于SVM算法的图像分割方法。该方法不需要额外图像,仅依据人为添加的采样点,通过SVM算法对图像进行分割,实现了感兴趣区域与背景的分离。
技术方案:本发明是一种从K边缘特性X射线图像中分离图像信息的方法,该方法具体步骤如下:通过能谱CT采集三组图像,每组图像包含在K边缘特性电压前后重建出的图像,首先在原图像中,分别选取所需要的n个背景点和n个前景点,得到大小为3n的背景训练集和前景训练集,并在标签中将背景点和前景点分别设为0和1,然后使用支持向量机SVM训练得到模型,最后对经过缩放后的图像进行预测,得到系统判定的前景点,将背景点取零,得到分割后的适用于K边缘特性分析的图像。
其中:
所述通过能谱CT采集三组图像,在不同下电压下对模型拍摄的一组K边缘图像,图像中模型形状不变,而像素由于衰减系数的变化而不同,并且在K边缘特性电压前后发生跳变。
所述图像中模型形状不变,像素由于衰减系数的变化而不同,用像素表示衰减系数的方程如式1所示:
IR=IE(1-e-μ(E)) (1)
式(1),中IR、IE分别是在该能量范围内物质存留光子数和入射光子数,μ(E)为待测材料在该能量段的吸收系数;所述吸收系数其中E为能量段起始能量,w为该能量段宽度,α(E)即为材料在该能量段的衰减系数。
所述分离图像信息的方法是使用支持向量机SVM算法进行图像分离:首先对图像采样得到训练样本集{xi,yi};{xi,yi}是从图像中采样得到的点的坐标,i代表第i个采样点,i∈{1,2n},然后利用拉格朗日优化方法将寻找最优超平面转化为其对偶问题;选择合适的核函数;然后得到最优判决函数;最后将背景取0,得到只含有待测区域的图像。
所述分别选取所需要的n个背景点和n个前景点,其采样数目应当相同,采样数目过少会导致图像分离不完全或误分离,采样数目过多会导致运算时间增加,以待测区域个数的1~2倍进行采样,达到分离完全,运算时间短的效果。
所述核函数是一种常用的降维方法,影响图像分割效果和运算复杂度,选取多项式核函数并对其进行改进是基于图像待分类向量位数低、运算复杂度低而考虑的。
所述SVM算法基于台湾大学林智仁教授开发的LibSVM3.21并对其进行改进,基于运算时间和分割效果2个指标,选择核函数类型为多项式,其他参数均为默认值。
有益效果:本发明提出的将SVM算法与K边缘特性X射线图像结合实现图像分割是可行的,解决了传统图像分割算法对于K边缘图像感兴趣区域像素随电压变化导致分割失败或不完全的问题,通过手动选择样本点的方法,使图像得到完全分割的同时冲锋保留了图像信息,较好的满足了对当前K边缘特性X射线图像的图像处理需求。
附图说明
图1是本发明的流程图。
图2是三种常用CT造影剂分别在各自溶液的衰减系数跳变电压前、后拍摄的图像,字母ROI标注的区域为感兴趣区域,是造影剂存放区域,白色区域为钙溶液,黑色区域为空气。(a)ROI区域为碘溶液,(b)ROI区域为钡溶液,(c)ROI区域为钆溶液,上图和下图分别是在三种造影剂的衰减系数跳变电压前、后拍摄的图像。
图3是对图2采样后的图像,圆圈为前景采样点,星号为背景采样点。(a)ROI区域为碘溶液,(b)ROI区域为钡溶液,(c)ROI区域为钆溶液,上图和下图分别是在三种造影剂的衰减系数跳变电压前、后拍摄的图像。
图4是经本发明提出的方法分离后的图像。(a)ROI区域为碘溶液,(b)ROI区域为钡溶液,(c)ROI区域为钆溶液,上图和下图分别是在三种造影剂的衰减系数跳变电压前、后拍摄的图像。
具体实施方式
本发明提出的一种从K边缘特性X射线图像中分离图像信息的方法,具体步骤如下:为了能使用SVM算法进行图像分离,首先对K边缘图像进行采样,确定训练集;然后建立基于LibSVM的支持向量机;最后对K边缘图像进行预测,完成图像分割。
所述物质的K边缘特性,主要表现为在某个特定能量下,X射线衰减系数发生跳变。在物质K边缘特性前后,X射线衰减系数差异很大,因此,可以利用衰减系数跳变这一物理特性,选择不同X射线能量段进行成像以提高已知材料成像对比度,并以像素方式在图中表示。
所述用像素表示衰减系数方程如下:
IR=IE(1-e-μ(E)) (I)
式(1)中,IR、IE分别是在该能量范围内物质存留光子数和入射光子数,μ(E)为待测材料在该能量段的吸收系数。吸收系数其中α(E)即为材料在该能量段的衰减系数。
即在K边缘图像中,区域的像素与该材料在该能量段的衰减系数成正相关,当在材料K边缘特性点前后拍摄X射线图像,能观察到感兴趣区域的像素跳变现象。通过SVM算法将感兴趣区域分离出来,以便对其观测和进一步处理。
在SVM算法中,首先选取n个背景点和所需要的前景点作为样本;再通过两类样本对支持向量机进行训练,支持向量机的主要思想是寻找一个分类超平面使得两类样本能被正确分开,并且使得两类样本的分类间隙最大,即存在分类超平面:
wTx+b=0 (2)
其中w=(w1;w2;...;wd)为法向量,决定了超平面的方向,wT是w的转置;b为位移项,决定了超平面与远点之间的距离。
寻找最优分类超平面的步骤为:
1)对式(2)进行归一化,两类样本的大小为n的训练样本集{xi,yi},其中xi是特征向量集,yi∈{1,-1},满足如下约束条件:
yi(MTxi+b)-1≥0,i=1,…,n (3)
2)利用拉格朗日优化方法可以把上述求最有分类面的问题转化为其对偶问题,即求下式的最大值:
3)在求解过程中,涉及到训练样本之间的内积运算,为了避免复杂的高维运算,可以将样本之间的内积运算转化为原始空间的内积运算。在最优分类面中采用适当的内积函数K(Xi,Xj)就可以实现非线性变换后的线性分类,目标函数变为:
4)设为最优解,sv为对应最优解时的支持向量,则权重向量w*和参数b*分别为:
式(7)中,w*x*(1)和w*x*(-1)分别代表从A、B两类样本中选取的支持向量。
5)最后求解得到最优分类判决函数如下:
其中,sgn为符号函数,根据式(8)即可实现最优判决下的图像分离。
下面结合附图和实施例,对本发明的具体实施方式作进一步详细阐述。这些实施例应理解为仅用于说明本发明,而不用于限制本发明的保护范围。以下结合附图,具体说明本发明的构思,以及在此构思下的工作过程。
本发明实施例的一种基于SVM从K边缘特性X射线图像中分离图像信息的方法,根据图1所示,具体步骤如下:(1)通过能谱CT采集三组图像,每组图像包含在K边缘特性点两侧重建出的图像;(2)在原图像中,分别选取所需要的n个背景点和n个前景点,得到大小为n×3的背景训练集和前景训练集,并在标签中将背景点和前景点分别设为0和1;(3)使用SVM训练得到模型,是一个结构体;(4)对经过缩放后的图像进行预测,得到系统判定的前景点,将背景点取零,得到分割后的图像。
其中步骤(3)是基于改进的LibSVM算法,具体步骤如下:
Step1:对图像采样得到训练样本集{xi,yi}(i=1,2,3,4,5,6),其中xi是特征向量集,yi∈{1,-1},分别代表前景采样点和背景采样点;
Step2:利用拉格朗日优化方法将式子转化为其对偶问题,即求下式的最大值:
Step3:本发明处理图像为K边缘模型图,所需分割图形较简单,选择速度较快的多项式核函数:
K(x,xi)=[(x·xi)+1]d (5)
Step4:设为最优解,sv为对应最优解时的支持向量,得到权重向量w*和参数b*:
Step5:最后求解得到最优分类判决函数:
Step6:通过最优分类判决函数对图像进行分割,得到仅包含前景的处理后图像,如图(4)。
已知材料的K边缘特性点,用X射线对模型在材料衰减系数跳变电压前后进行图像采集,图(2)a,b,c分别是浓度为0.9%碘溶液,1.5%钡溶液和0.5%钆溶液在各自K边缘特性电压(分别为:33.0keV、37.4keV、50.2keV)前后拍摄的X射线图像。观测图像存在ROI与模型难以区分的特点,因此对图2(a)进行图像分割。
对图(2)图像进行采样,由于所拍摄图像包含3个材料区域和模型,分别为待测材料、钙溶液、空气和软组织类似物,选择大小为3的样本集分别对模型和3个材料区域进行背景采样与前景采样,如图(3)。
采样完成后得到如图(4)的分离图像,标有ROI的待测材料区域与钙溶液区域得到良好分离,空气区域由于像素较低,不易与背景区分。图像点的分割准确率均保持在90%以上;包含人工采样在内,算法运行速度保持在8秒以内,满足K边缘特性图像研究条件。
Claims (6)
1.一种从K边缘特性X射线图像中分离图像信息的方法,其特征在于,该方法具体步骤如下:通过能谱CT采集三组图像,每组图像包含在K边缘特性电压前后重建出的图像,首先在原图像中,分别选取所需要的n个背景点和n个前景点,得到大小为3n的背景训练集和前景训练集,并在标签中将背景点和前景点分别设为0和1,然后使用支持向量机SVM训练得到模型,最后对经过缩放后的图像进行预测,得到系统判定的前景点,将背景点取零,得到分割后的适用于K边缘特性分析的图像。
2.根据权利要求1所述从K边缘特性X射线图像中分离图像信息的方法,其特征在于,所述通过能谱CT采集三组图像,在不同下电压下对模型拍摄的一组K边缘图像,图像中模型形状不变,而像素由于衰减系数的变化而不同,并且在K边缘特性电压前后发生跳变。
3.根据权利要求2所述从K边缘特性X射线图像中分离图像信息的方法,其特征在于,所述图像中模型形状不变,像素值由于衰减系数的变化而不同,用像素值表示衰减系数的方程如式1所示:
IR=IE(1-e-μ(E)) (1)
式(1)中,IR、IE分别是在该能量范围内物质存留光子数和入射光子数,μ(E)为待测材料在该能量段的吸收系数;所述吸收系数其中E为能量段起始能量,w为该能量段宽度,α(E)即为材料在该能量段的衰减系数。
4.根据权利要求1所述从K边缘特性X射线图像中分离图像信息的方法,其特征在于,所述分离图像信息的方法是使用支持向量机SVM算法进行图像分离:首先对图像采样得到训练样本集{xi,yi};{xi,yi}是从图像中采样得到的点的坐标,i代表第i个采样点,i∈{1,2n},然后利用拉格朗日优化方法将寻找最优超平面转化为其对偶问题;选择合适的核函数;然后得到最优判决函数;最后将背景取0,得到只含有待测区域的图像。
5.根据权利要求1所述从K边缘特性X射线图像中分离图像信息的方法,其特征在于,所述分别选取所需要的n个背景点和n个前景点,其采样数目应当相同,采样数目过少会导致图像分离不完全或误分离,采样数目过多会导致运算时间增加,以待测区域个数的1~2倍进行采样,达到分离完全,运算时间短的效果。
6.根据权利要求4所述从K边缘特性X射线图像中分离图像信息的方法,其特征在于,所述核函数是一种常用的降维方法,影响图像分割效果和运算复杂度,选取多项式核函数并对其进行改进是基于图像待分类向量位数低、运算复杂度低而考虑的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710447275.3A CN107358614B (zh) | 2017-06-14 | 2017-06-14 | 从k边缘特性x射线图像中分离图像信息的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710447275.3A CN107358614B (zh) | 2017-06-14 | 2017-06-14 | 从k边缘特性x射线图像中分离图像信息的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107358614A true CN107358614A (zh) | 2017-11-17 |
CN107358614B CN107358614B (zh) | 2020-07-28 |
Family
ID=60272738
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710447275.3A Active CN107358614B (zh) | 2017-06-14 | 2017-06-14 | 从k边缘特性x射线图像中分离图像信息的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107358614B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197486A (zh) * | 2019-07-02 | 2019-09-03 | 清华大学 | X射线光栅综合成像信息提取方法、系统及存储介质 |
CN111413357A (zh) * | 2020-04-20 | 2020-07-14 | 中国科学院高能物理研究所 | X射线吸收边探测信号增强方法、装置、设备及存储介质 |
WO2022118948A1 (ja) * | 2020-12-03 | 2022-06-09 | 国立研究開発法人海洋研究開発機構 | 試料の空隙を可視化する方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1922476A (zh) * | 2004-02-20 | 2007-02-28 | 皇家飞利浦电子股份有限公司 | 用于映射x-射线荧光标记物分布的装置和方法 |
CN102177444A (zh) * | 2008-10-10 | 2011-09-07 | 皇家飞利浦电子股份有限公司 | 用于对具有高能量贡献的核素进行量化的实用 spect 校准方法 |
US20130251207A1 (en) * | 2010-12-06 | 2013-09-26 | Indian Institute Of Technology, Kharagpur | Method and System to Detect the Microcalcifications in X-Ray Images Using Nonlinear Energy Operator |
CN103530849A (zh) * | 2013-09-30 | 2014-01-22 | 重庆大学 | 一种优化的K-edge成像方法 |
US20160300358A1 (en) * | 2013-03-29 | 2016-10-13 | Omron Corporation | Method for partitioning area, and inspection device |
-
2017
- 2017-06-14 CN CN201710447275.3A patent/CN107358614B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1922476A (zh) * | 2004-02-20 | 2007-02-28 | 皇家飞利浦电子股份有限公司 | 用于映射x-射线荧光标记物分布的装置和方法 |
CN102177444A (zh) * | 2008-10-10 | 2011-09-07 | 皇家飞利浦电子股份有限公司 | 用于对具有高能量贡献的核素进行量化的实用 spect 校准方法 |
US20130251207A1 (en) * | 2010-12-06 | 2013-09-26 | Indian Institute Of Technology, Kharagpur | Method and System to Detect the Microcalcifications in X-Ray Images Using Nonlinear Energy Operator |
US20160300358A1 (en) * | 2013-03-29 | 2016-10-13 | Omron Corporation | Method for partitioning area, and inspection device |
CN103530849A (zh) * | 2013-09-30 | 2014-01-22 | 重庆大学 | 一种优化的K-edge成像方法 |
Non-Patent Citations (3)
Title |
---|
KYUWON KIM ET AL.: "Non-parametric human segmentation using support vector machine", 《IEEE TRANSACTIONS ON CONSUMER ELECTRONICS》 * |
庞剑飞 等: "基于边缘检测与支持向量机的关节软骨自动分割算法研究", 《第三军医大学学报》 * |
韩萍 等: "一种改进的基于SVM的SAR目标及阴影图像分割方法", 《系统工程与电子技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197486A (zh) * | 2019-07-02 | 2019-09-03 | 清华大学 | X射线光栅综合成像信息提取方法、系统及存储介质 |
CN111413357A (zh) * | 2020-04-20 | 2020-07-14 | 中国科学院高能物理研究所 | X射线吸收边探测信号增强方法、装置、设备及存储介质 |
WO2022118948A1 (ja) * | 2020-12-03 | 2022-06-09 | 国立研究開発法人海洋研究開発機構 | 試料の空隙を可視化する方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107358614B (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Weakly supervised deep learning for covid-19 infection detection and classification from ct images | |
Horry et al. | X-ray image based COVID-19 detection using pre-trained deep learning models | |
Roth et al. | A new 2.5 D representation for lymph node detection using random sets of deep convolutional neural network observations | |
Jin et al. | 3D convolutional neural networks with graph refinement for airway segmentation using incomplete data labels | |
US11275976B2 (en) | Medical image assessment with classification uncertainty | |
Sridar et al. | Decision fusion-based fetal ultrasound image plane classification using convolutional neural networks | |
US9743824B2 (en) | Accurate and efficient polyp detection in wireless capsule endoscopy images | |
Guo et al. | Deep learning for assessing image focus for automated cervical cancer screening | |
CN105559813A (zh) | 医用图像诊断装置以及医用图像处理装置 | |
Sainju et al. | Bleeding detection in wireless capsule endoscopy based on color features from histogram probability | |
Lisowska et al. | Thrombus detection in CT brain scans using a convolutional neural network | |
Frid-Adar et al. | Modeling the intra-class variability for liver lesion detection using a multi-class patch-based CNN | |
Mahapatra et al. | Crohn's disease tissue segmentation from abdominal MRI using semantic information and graph cuts | |
Karargyris et al. | Segmenting anatomy in chest x-rays for tuberculosis screening | |
CN107358614A (zh) | 从k边缘特性x射线图像中分离图像信息的方法 | |
EP4118617A1 (en) | Automated detection of tumors based on image processing | |
Yao et al. | Holistic segmentation of intermuscular adipose tissues on thigh MRI | |
Watanabe et al. | Bone metastatic tumor detection based on AnoGAN using CT images | |
Wang et al. | Head and neck multi-organ segmentation on dual-energy CT using dual pyramid convolutional neural networks | |
Xiao et al. | A cascade and heterogeneous neural network for CT pulmonary nodule detection and its evaluation on both phantom and patient data | |
Ghosh et al. | Block based histogram feature extraction method for bleeding detection in wireless capsule endoscopy | |
Kavitha et al. | Image Acquisition and Pre-processing for Detection of Lung Cancer using Neural Network | |
Yue et al. | Benchmarking polyp segmentation methods in narrow-band imaging colonoscopy images | |
Mackiewicz et al. | Colour and texture based gastrointestinal tissue discrimination | |
US11164315B2 (en) | Image processing method and corresponding system |
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 |