CN107392928A - 基于MRF‑Snake分割的乳腺癌诊断系统及方法 - Google Patents
基于MRF‑Snake分割的乳腺癌诊断系统及方法 Download PDFInfo
- Publication number
- CN107392928A CN107392928A CN201710595460.7A CN201710595460A CN107392928A CN 107392928 A CN107392928 A CN 107392928A CN 201710595460 A CN201710595460 A CN 201710595460A CN 107392928 A CN107392928 A CN 107392928A
- Authority
- CN
- China
- Prior art keywords
- image
- image sequence
- segmentation
- snake
- 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.)
- Withdrawn
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 102
- 238000003745 diagnosis Methods 0.000 title claims abstract description 55
- 206010006187 Breast cancer Diseases 0.000 title claims abstract description 37
- 208000026310 Breast neoplasm Diseases 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 36
- 241000270295 Serpentes Species 0.000 title claims abstract description 12
- 238000000605 extraction Methods 0.000 claims abstract description 38
- 210000000481 breast Anatomy 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000006835 compression Effects 0.000 claims abstract description 24
- 238000007906 compression Methods 0.000 claims abstract description 24
- 230000000505 pernicious effect Effects 0.000 claims abstract description 13
- 238000012800 visualization Methods 0.000 claims abstract description 13
- 230000005856 abnormality Effects 0.000 claims abstract description 11
- 238000003709 image segmentation Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 239000000284 extract Substances 0.000 claims abstract description 6
- 239000002872 contrast media Substances 0.000 claims description 21
- 238000010276 construction Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012804 iterative process Methods 0.000 claims description 6
- 238000002203 pretreatment Methods 0.000 claims description 6
- 238000005728 strengthening Methods 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 2
- 230000003902 lesion Effects 0.000 abstract description 16
- 201000010099 disease Diseases 0.000 abstract description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 9
- 210000005075 mammary gland Anatomy 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 24
- 210000001519 tissue Anatomy 0.000 description 4
- UCTWMZQNUQWSLP-VIFPVBQESA-N (R)-adrenaline Chemical compound CNC[C@H](O)C1=CC=C(O)C(O)=C1 UCTWMZQNUQWSLP-VIFPVBQESA-N 0.000 description 3
- 238000004195 computer-aided diagnosis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30068—Mammography; Breast
Abstract
本发明的基于MRF‑Snake分割的乳腺癌诊断系统包括：图像预处理单元，用于对原始乳腺MRI图像序列进行预处理；图像分割单元，用于将预处理后的图像序列中的每张图像的疑似病灶分割出来；分割结果可视化单元，用于对分割图像序列中的每张图像进行可视化显示并提取可视化后的图像中病灶的边缘；特征提取单元，用于将分割图像序列中的每张图像的灰度级进行压缩，获得压缩图像序列并提取经压缩后的每张图像的特征值；分类诊断单元，用于将提取的特征值输入到分类器中进行数据训练，并进行病灶良恶性的评估。本发明的乳腺癌诊断方法采用基于MRF与Snake相结合分割的方法，进行乳腺病灶的准确分割，能有效辅助乳腺疾病的准确诊断。
Description
技术领域
本发明属于医学图像后处理技术领域，具体涉及一种基于MRF-Snak分割的乳腺癌诊断系统及方法。
背景技术
目前，乳腺癌筛查是实现乳腺癌早诊早治的重要手段，可以降低30％的死亡率。乳腺MRI图像是乳腺癌早期检测、诊断的重要依据，乳腺图像中病灶的不同表现，成为早期诊断乳腺癌的唯一标准，但其的诊断具有较大的难度，计算机辅助诊断技术能够对具有乳腺癌特性的疑似肿块进行分割、检测和分类。发展至今，计算机辅助诊断技术已经有了较为成熟的发展，却仍然在诊断性能方面存在缺陷，主要表现在诊断性能较低上，其主要原因在于疑似肿块的分割，即所提取出病灶图像有用信息的含量。因此，如何改善诊断系统的性能，仍需要进一步讨论和研究。
发明内容
本发明提供一种基于MRF-Snake分割的乳腺癌诊断系统及方法，采用基于MRF与主动轮廓模型相结合分割的方法，进行乳腺病灶的准确分割，能有效辅助乳腺疾病的准确诊断。
本发明提供一种基于MRF-Snake分割的乳腺癌诊断系统，包括：
图像预处理单元，用于对原始乳腺MRI图像序列进行预处理，获得预处理后的图像序列；
图像分割单元，采用MRF-Snake方法将预处理后的图像序列中的每张图像的疑似病灶分割出来，获得分割图像序列；
分割结果可视化单元，用于对分割图像序列中的每张图像进行可视化显示并提取可视化后的图像中病灶的边缘，以便清晰的看到病灶所处位置；
特征提取单元，用于将分割图像序列中的每张图像的灰度级进行压缩，获得压缩图像序列并提取经压缩后的每张图像的特征值；
分类诊断单元，用于将提取的特征值输入到SVM分类器中进行数据训练，并进行病灶良恶性的评估。
在本发明的基于MRF-Snake分割的乳腺癌诊断系统中，所述图像预处理单元包括：
感兴趣区域提取器，用于提取乳腺MRI图像序列中每张乳腺MRI图像的病灶所在的区域，作为感兴趣区域，获得只包含感兴趣区域的图像序列；
图像去噪器，用于去除感兴趣区域的图像序列中的每张图像的噪声干扰，对每张图像进行平滑滤波，得到去噪后的图像序列；
图像增强器，用于强调去噪后的图像序列中每张图像的整体或局部特性，扩大图像中不同部位间的差异、增大疑似肿块与周围组织的对比度，得到增强图像序列。
在本发明的基于MRF-Snake分割的乳腺癌诊断系统中，所述图像分割单元包括：
初始曲线设置器，用于设置初始曲线，并将初始曲线放置在预处理后的图像序列的第一张图像的待分割病灶附近，作为演化轮廓的基础；
图像分割器，通过Snake算法最小化能量函数，使初始曲线在图像中发生变形并不断逼近目标轮廓，将疑似病灶从预处理后的图像中分割出来，得到第一张分割图像，并经过多次图像分割迭代过程获得分割图像序列；
初始位置迭代设置器，采用马尔科夫随机场，在预处理后的图像序列中，将上一张图像的分割结果为初始轮廓，依次对相邻的下一张图像的初始曲线进行设置。
在本发明的基于MRF-Snake分割的乳腺癌诊断系统中，所述特征提取单元包括：
图形灰度级变化器，用于将分割图像序列中的每张图像的灰度级进行压缩，获得压缩图像序列；
病灶区域特征提取器，用于提取压缩图像序列中每张图像的灰度比参数特征、对比剂吸收率、对比剂廓清率、基于灰度共生矩阵的能量、熵值、逆差矩特征、相关性特征以及对比度特征。
在本发明的基于MRF-Snake分割的乳腺癌诊断系统中，所述分类诊断单元包括：
数据训练器，用于选取压缩图像序列中的部分图像构成训练集，将训练集中图像的特征值输入到SVM分类器进行数据训练；
数据诊断器，用于将压缩图像序列中剩余的图像构成测试集，进行病灶良恶性诊断评估。
本发明还提供一种基于MRF-Snake分割的乳腺癌诊断方法，包括如下步骤：
步骤1：对原始乳腺MRI图像序列进行预处理，获得预处理后的图像序列；
步骤2：采用MRF-Snake方法将预处理后的图像序列中的每张图像的疑似病灶分割出来，获得分割图像序列；
步骤3：对分割图像序列中的每张图像进行可视化显示并提取可视化后的图像中病灶的边缘，以便清晰的看到病灶所处位置；
步骤4：将分割图像序列中的每张图像的灰度级进行压缩，获得压缩图像序列并提取经压缩后的每张图像的特征值；
步骤5：将提取的特征值输入到SVM分类器中进行数据训练，进行病灶良恶性的评估。
在本发明的基于MRF-Snake分割的乳腺癌诊断方法中，所述步骤1包括：
步骤1.1：提取乳腺MRI图像序列中每张乳腺MRI图像的病灶所在的区域，作为感兴趣区域，获得只包含感兴趣区域的图像序列；
步骤1.2：去除感兴趣区域的图像序列中的每张图像的噪声干扰，对每张图像进行平滑滤波，得到去噪后的图像序列；
步骤1.3：强调去噪后的图像序列中每张图像的整体或局部特性，扩大图像中不同部位间的差异、增大疑似肿块与周围组织的对比度，得到增强图像序列。
在本发明的基于MRF-Snake分割的乳腺癌诊断方法中，所述步骤2包括：
步骤2.1：设置初始曲线，并将初始曲线放置在预处理后的图像序列的第一张图像的待分割病灶附近，作为演化轮廓的基础；
步骤2.2：通过Snake算法最小化能量函数，使初始曲线在图像中发生变形并不断逼近目标轮廓，将疑似病灶从预处理后的图像中分割出来，得到第一张分割图像，并经过多次图像分割迭代过程获得分割图像序列；
步骤2.3：采用马尔科夫随机场，在预处理后的图像序列中，将上一张图像的分割结果为初始轮廓，依次对相邻的下一张图像的初始曲线进行设置。
在本发明的基于MRF-Snake分割的乳腺癌诊断方法中，所述步骤4包括：
步骤4.1：将分割图像序列中的每张图像的灰度级进行压缩，获得压缩图像序列；
步骤4.2：提取压缩图像序列中每张图像的灰度比参数特征、对比剂吸收率、对比剂廓清率、基于灰度共生矩阵的能量、熵值、逆差矩特征、相关性特征以及对比度特征。
在本发明的基于MRF-Snake分割的乳腺癌诊断方法中，所述步骤5包括：
步骤5.1：选取压缩图像序列中的部分图像构成训练集，将训练集中图像的特征值输入到SVM分类器进行数据训练；
步骤5.2：压缩图像序列中剩余的图像构成测试集，进行病灶良恶性诊断评估。
本发明提供的基于MRF-Snake分割的乳腺癌诊断系统及方法，对乳腺MRI图像进行前期图像预处理后，采用基于MRF与主动轮廓模型相结合分割的方法，进行乳腺病灶的准确分割，并将分割后病灶位置清晰的显示出来，能有效辅助乳腺疾病的准确诊断。
附图说明
图1为本发明的待处理的乳腺MRI图像序列示意图；
图2为本发明的基于MRF-Snake分割的乳腺癌诊断系统的结构框图；
图3为本发明的基于MRF-Snake分割的乳腺癌诊断方法的流程图；
图4a为图像序列中第一张图像的示意图；
图4b为图像序列中第一张图像的初始曲线设置示意图；
图4c为图像序列中第一张图像的初始曲线经过250次演化后的示意图；
图4d为图像序列中第一张图像的分割的示意图；
图4e为图像序列中第一张图像的分割结果的示意图；
图5a为图像序列中下一张图像的示意图；
图5b为图像序列中下一张图像的初始曲线设置示意图；
图5c为图像序列中下一张图像的初始曲线经过250次演化后的示意图；
图5d为图像序列中下一张图像的分割的示意图；
图5e为图像序列中下一张图像的分割结果的示意图。
具体实施方式
马尔科夫随机场(Markov Random Field，MRF)，具有如下特性：第N+1时刻的分布特性，与N时刻以前的随机变量的取值无关，只与N时刻有关。主动轮廓模型(ActiveContour Model，Snake)，是一条可变形的参数曲线及相应的能量函数，以最小化能量目标函数为目标，控制参数曲线变形，具有最小能量的闭合曲线就是目标轮廓，是目前主流的图像分割方法之一。本发明采用将马尔科夫随机场和主动轮廓模型相结合分割的方法，进行乳腺病灶的准确分割，并将分割后病灶位置清晰的显示出来，能有效辅助乳腺疾病的准确诊断。
下面结合附图对本发明的基于MRF-Snake分割的乳腺癌诊断系统及方法进行说明。本实施例中，选取乳腺MRI图像序列如图1所示，该原始乳腺MRI图像序列表示为(P1,P2,…,PN)。
如图2所示基于MRF-Snake分割的乳腺癌诊断系统，包括：图像预处理单元1、图像分割单元2、分割结果可视化单元3、特征提取单元4以及分类诊断单元5。图像预处理单元1用于对原始乳腺MRI图像序列进行预处理，获得预处理后的图像序列。图像分割单元2采用MRF-Snake方法将预处理后的图像序列中的每张图像的疑似病灶分割出来，获得分割图像序列。分割结果可视化单元3用于对分割图像序列中的每张图像进行可视化显示并提取可视化后的图像中病灶的边缘，以便清晰的看到病灶所处位置。特征提取单元4用于将分割图像序列中的每张图像的灰度级进行压缩，获得压缩图像序列并提取经压缩后的每张图像的特征值。分类诊断单元5用于将提取的特征值输入到SVM分类器中进行数据训练，并进行病灶良恶性的评估。
图像预处理单元1包括：感兴趣区域提取器11、图像去噪器12和图像增强器13。感兴趣区域提取器11用于提取原始乳腺MRI图像序列(P1,P2,…,PN)中每张乳腺MRI图像的病灶所在的区域，作为感兴趣区域，获得只包含感兴趣区域的图像序列(I1,I2,…,IN)。图像去噪器12用于去除感兴趣区域的图像序列(I1,I2,…,IN)中的每张图像的噪声干扰，对每张图像进行平滑滤波，得到去噪后的图像序列(U1,U2,…,UN)。图像增强器13用于强调去噪后的图像序列(U1,U2,…,UN)中每张图像的整体或局部特性，扩大图像中不同部位间的差异、增大疑似肿块与周围组织的对比度，得到增强图像序列(T1,T2,…,TN)。
图像分割单元2包括：初始曲线设置器21、图像分割器22和初始位置迭代设置器23。初始曲线设置器21用于设置初始曲线，并将初始曲线放置在预处理后的图像序列，即增强图像序列(T1,T2,…,TN)的第一张图像的待分割病灶附近，作为演化轮廓的基础。图像分割器22通过Snake算法最小化能量函数，使初始曲线在图像中发生变形并不断逼近目标轮廓，将疑似病灶从预处理后的图像中分割出来，得到第一张分割图像S1，并经过多次图像分割迭代过程获得分割图像序列(S1,S2,…,SN)。初始位置迭代设置器23用于设置第一张图像的相邻下一张图像的初始曲线，将分割后的第一张图像作为下一张图像的初始曲线，即采用马尔科夫随机场，在预处理后的图像序列中，将上一张图像的分割结果为初始轮廓，依次对相邻的下一张图像的初始曲线进行设置。
分割结果可视化单元3包括：病灶分割结果显示器31和病灶定位生成器32。病灶分割结果显示器31用于将分割结果可视化的显示出来，以便可以清晰的看到病灶形态。病灶定位生成器32用于提取可视化后的图像中病灶的边缘，以便可以清晰的看到病灶所处位置，并便于测试准确率，并为乳腺癌辅助诊断提供基础。
特征提取单元4包括：图形灰度级变化器41和病灶区域特征提取器42。图形灰度级变化器41用于将分割图像序列中的每张图像的灰度级进行压缩，灰度级压缩为16位，获得压缩图像序列(G1,G2,…,GN)。病灶区域特征提取器42用于提取压缩图像序列中每张图像的灰度比参数特征、对比剂吸收率、对比剂廓清率、基于灰度共生矩阵的能量、熵值、逆差矩特征、相关性特征以及对比度特征。
病灶区域特征提取器42进一步包括：灰度比参数特征提模块、对比剂吸收率提取模块、对比剂廓清率提取模块、基于灰度共生矩阵的能量提取模块、熵值提取模块、逆差矩特征提取模块、相关性特征提取模块以及对比度特征提取模块。具体实施时，病灶区域特征提取分期进行，原始每例患者乳腺MRI图像序列包括9期图像序列，每期图像序列包括多张图像。
灰度比参数特征提模块，用来计算每一时相的增强影像与蒙片的关于可疑病灶区的灰度比，此特征直接反映了可疑病灶区内对比剂随时间的浓度变化。灰度比参数特征计算公式为：
其中，S0为蒙片影像上的灰度值，Sn为图像序列中的1到9期增强影像的灰度值。
对比剂吸收率提模块，用于提取对比剂吸收率，该特征直接反映了对比剂在病灶增强早期的上升速率。对比剂吸收率计算公式为：
对比剂廓清率提取模块，用于提取对比剂廓清率，该特征反应了对比剂在病灶增强中后期的吸收情况。对比剂廓清率计算公式为：
基于灰度共生矩阵的能量提取模块，用于提取是灰度共生矩阵各元素值的平方和，是对图像纹理的灰度变化稳定程度的度量，该特征反应了图像灰度分布均匀程度和纹理粗细度。能量计算公式为：
其中，P(i,j)为归一化的灰度共生矩阵，灰度共生矩阵中的每一个元素(i,j)代表灰度i与灰度j在图像中水平相邻的次数
熵值提取模块，用于提取图像的熵值，该特征反应图像灰度分布的复杂程度，当复杂程度高时，熵值较大，反之则较小。熵的计算公式为：
逆差矩特征提取模块，用于提取图像的逆差矩特征，该特征反映图像纹理的同质性，度量图像纹理局部变化的多少。逆差矩计算公式为：
相关性特征提取模块，用于提取图像的相关性特征，该特征反映行或列元素之间的相似程度，它反映某灰度值沿某方向的延伸长度，若延伸越长则相关性越大。反映纹理的走向。相关性计算公式为：
其中，
对比度特征提取模块，用于提取图像的对比度特征，该特征反映了图像清晰度和纹理沟纹的深浅。对比度计算公式为：
分类诊断单元5包括：数据训练器51和数据诊断器52。数据训练器51用于选取压缩图像序列中的部分图像构成训练集，将训练集中图像的特征值输入到SVM分类器进行数据训练。数据诊断器52用于将压缩图像序列中剩余的图像构成测试集，进行病灶良恶性诊断评估。
如图3所示为本发明的基于MRF-Snake分割的乳腺癌诊断方法的流程图，具体包括如下步骤：
步骤1：图像预处理，对原始乳腺MRI图像序列(P1,P2,…,PN)进行预处理，获得预处理后的图像序列；
步骤2：图像分割，采用MRF-Snake方法将预处理后的图像序列中的每张图像的疑似病灶分割出来，获得分割图像序列(S1,S2,…,SN)；
步骤3：分割结果可视化，对分割图像序列(S1,S2,…,SN)中的每张图像进行可视化显示并提取可视化后的图像中病灶的边缘，以便清晰的看到病灶所处位置；
步骤4：特征提取，将的分割图像序列中的每张图像的灰度级进行压缩，获得压缩图像序列(G1,G2,…,GN)并提取经压缩后的每张图像的特征值；
步骤5：分类诊断，将提取的特征值输入到SVM分类器中进行数据训练，进行病灶良恶性的评估。
步骤1具体包括：
步骤1.1：感兴趣区域提取，提取乳腺MRI图像序列(P1,P2,…,PN)中每张乳腺MRI图像的病灶所在的区域，作为感兴趣区域，获得只包含感兴趣区域的图像序列(I1,I2,…,IN)；
步骤1.2：图像去噪，去除感兴趣区域的图像序列(I1,I2,…,IN)中的每张图像的噪声干扰，对每张图像进行平滑滤波，得到去噪后的图像序列(U1,U2,…,UN)；
步骤1.3：图像增强，强调去噪后的图像序列(U1,U2,…,UN)中每张图像的整体或局部特性，扩大图像中不同部位间的差异、增大疑似肿块与周围组织的对比度，得到增强图像序列(T1,T2,…,TN)。
步骤2具体包括：
步骤2.1：设置初始曲线，生成一个s*s的正方形C(s)作为初始曲线，并将初始曲线放置在预处理后的图像序列，即增强图像序列(T1,T2,…,TN)的第一张图像的待分割病灶附近，作为演化轮廓的基础；
步骤2.2：图像分割，通过Snake算法最小化能量函数，使初始曲线在图像中发生变形并不断逼近目标轮廓，将疑似病灶从预处理后的图像中分割出来，得到第一张分割图像S1，并经过多次图像分割迭代过程获得分割图像序列(S1,S2,…,SN)；
图4a至图4e为第一张初始曲线选择及分割过程示意图，图4a为图像序列中第一张图像的示意图；图4b为图像序列中第一张图像的初始曲线设置示意图；图4c为图像序列中第一张图像的初始曲线经过250次演化后的示意图；图4d为图像序列中第一张图像的分割的示意图；图4e为图像序列中第一张图像的分割结果的示意图。
图5a至图5e为下一张初始曲线选择及分割过程示意图，图5a为图像序列中下一张图像的示意图；图5b为图像序列中下一张图像的初始曲线设置示意图；图5c为图像序列中下一张图像的初始曲线经过250次演化后的示意图；图5d为图像序列中下一张图像的分割的示意图；图5e为图像序列中下一张图像的分割结果的示意图。
步骤2.3：初始位置迭代设置，采用马尔科夫随机场，在预处理后的图像序列中，将上一张图像的分割结果为初始轮廓，依次对相邻的下一张图像的初始曲线进行设置。
步骤2.2具体包括如下过程：
对于图像I(x,y),设置C(S)＝C(x(s),y(s))为图像内的演化曲线，定义Snake模型的能量函数为：
J＝Jint+Jext+Jcons
Jint是与轮廓曲线内部的信息相关的内部能量项，使轮廓曲线在演化过程中保持连续性和光滑性；Jext是与图像信息相关的外部能量项，也叫图像力，在外部能量项作用下，轮廓曲线向目标的边缘逼近。Jcons是约束项，为曲线的演化提供约束，使分割结果更加准确。
内部能量Jint定义为:
Jcoutin为能量连续项；α(s)为弹性系数，控制着轮廓曲线向目标延伸，并保持连续性；Jsmooth为光滑能量项；β(s)为刚性系数，控制着轮廓曲线随着目标的形状发生的凹凸程度，并且保持轮廓曲线的光滑性。
外部能量项Jext由图像的信息决定，可以选择表征图像全局特征的标量表示。考虑到目标边缘处的梯度跳变，通常以图像的梯度来定义外部能量项：
外部能量驱动着轮廓曲线向目标收敛，系数γ(s)用以调整收敛的步长，为图像的梯度信息。
约束项可以根据图像的特点人为的设定，用以排除非目标区域，提高模型对图像的适应能力，使分割更加准确。依靠内部能量项和外部能量项的作用驱动轮廓曲线向目标收敛，最终分割出目标。
综上所述，Snake模型的能量函数为的具体表达式为:
通过求解上式的最小值，使初始轮廓曲线收敛在图像的最大梯度点，而图像的最大梯度一般在目标的边缘处取得，也即检测出了目标的边缘，达到分割目标的效果。
步骤3具体包括：
步骤3.1：病灶分割结果显示，对分割图像序列中的每张图像进行可视化显示；
步骤3.2：病灶定位生成，提取可视化后的图像中病灶的边缘，以便清晰的看到病灶所处位置。
步骤4具体包括：
步骤4.1：图像灰度级变化，将分割图像序列中的每张图像的灰度级进行压缩，灰度级压缩为16位，获得压缩图像序列(G1,G2,…,GN)，以便接下来的特征提取使用；
步骤4.2：病灶区域特征提取，提取压缩图像序列(G1,G2,…,GN)中每张图像的灰度比参数特征α1,α2,…an、对比剂吸收率F1、对比剂廓清率F2、基于灰度共生矩阵的能量特征E1,E2,…,En、熵值β0,β1,β2,…,βn、逆差矩特征γ0,γ1,γ2,…,γn、相关性特征R1,R2,…,Rn以及对比度特征D1,D2,…,Dn。各种特征值的计算过程这里不再赘述。
步骤5具体包括：
步骤5.1：数据训练，选取压缩图像序列中的部分图像构成训练集，具体实施时，可选取2/3的图像构成训练集，将训练集中图像的特征值输入到SVM分类器进行数据训练；
步骤5.2：数据诊断，压缩图像序列中剩余1/3的图像构成测试集，进行病灶良恶性诊断评估。
本实施例中，诊断平均正确率达94％。
本发明提供的基于MRF-Snake分割的乳腺癌诊断系统，对乳腺MRI图像进行前期图像预处理后，采用基于MRF-Snake分割的方法，进行乳腺病灶的准确分割，并将分割后肿块位置清晰的显示出来，能有效辅助乳腺疾病的准确诊断。
以上所述是本发明的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于MRF-Snake分割的乳腺癌诊断系统，其特征在于，包括：
图像预处理单元，用于对原始乳腺MRI图像序列进行预处理，获得预处理后的图像序列；
图像分割单元，采用MRF-Snake方法将预处理后的图像序列中的每张图像的疑似病灶分割出来，获得分割图像序列；
分割结果可视化单元，用于对分割图像序列中的每张图像进行可视化显示并提取可视化后的图像中病灶的边缘，以便清晰的看到病灶所处位置；
特征提取单元，用于将分割图像序列中的每张图像的灰度级进行压缩，获得压缩图像序列并提取经压缩后的每张图像的特征值；
分类诊断单元，用于将提取的特征值输入到SVM分类器中进行数据训练，并进行病灶良恶性的评估。
2.如权利要求1所述的基于MRF-Snake分割的乳腺癌诊断系统，其特征在于，所述图像预处理单元包括：
感兴趣区域提取器，用于提取乳腺MRI图像序列中每张乳腺MRI图像的病灶所在的区域，作为感兴趣区域，获得只包含感兴趣区域的图像序列；
图像去噪器，用于去除感兴趣区域的图像序列中的每张图像的噪声干扰，对每张图像进行平滑滤波，得到去噪后的图像序列；
图像增强器，用于强调去噪后的图像序列中每张图像的整体或局部特性，扩大图像中不同部位间的差异、增大疑似肿块与周围组织的对比度，得到增强图像序列。
3.如权利要求1所述的基于MRF-Snake分割的乳腺癌诊断系统，其特征在于，所述图像分割单元包括：
初始曲线设置器，用于设置初始曲线，并将初始曲线放置在预处理后的图像序列的第一张图像的待分割病灶附近，作为演化轮廓的基础；
图像分割器，通过Snake算法最小化能量函数，使初始曲线在图像中发生变形并不断逼近目标轮廓，将疑似病灶从预处理后的图像中分割出来，得到第一张分割图像，并经过多次图像分割迭代过程获得分割图像序列；
初始位置迭代设置器，采用马尔科夫随机场，在预处理后的图像序列中，将上一张图像的分割结果为初始轮廓，依次对相邻的下一张图像的初始曲线进行设置。
4.如权利要求1所述的基于MRF-Snake分割的乳腺癌诊断系统，其特征在于，所述特征提取单元包括：
图形灰度级变化器，用于将分割图像序列中的每张图像的灰度级进行压缩，获得压缩图像序列；
病灶区域特征提取器，用于提取压缩图像序列中每张图像的灰度比参数特征、对比剂吸收率、对比剂廓清率、基于灰度共生矩阵的能量、熵值、逆差矩特征、相关性特征以及对比度特征。
5.如权利要求1所述的基于MRF-Snake分割的乳腺癌诊断系统，其特征在于，所述分类诊断单元包括：
数据训练器，用于选取压缩图像序列中的部分图像构成训练集，将训练集中图像的特征值输入到SVM分类器进行数据训练；
数据诊断器，用于将压缩图像序列中剩余的图像构成测试集，进行病灶良恶性诊断评估。
6.一种基于MRF-Snake分割的乳腺癌诊断方法，其特征在于，包括如下步骤：
步骤1：对原始乳腺MRI图像序列进行预处理，获得预处理后的图像序列；
步骤2：采用MRF-Snake方法将预处理后的图像序列中的每张图像的疑似病灶分割出来，获得分割图像序列；
步骤3：对分割图像序列中的每张图像进行可视化显示并提取可视化后的图像中病灶的边缘，以便清晰的看到病灶所处位置；
步骤4：将分割图像序列中的每张图像的灰度级进行压缩，获得压缩图像序列并提取经压缩后的每张图像的特征值；
步骤5：将提取的特征值输入到SVM分类器中进行数据训练，进行病灶良恶性的评估。
7.如权利要求6所述的基于MRF-Snake分割的乳腺癌诊断方法，其特征在于，所述步骤1包括：
步骤1.1：提取乳腺MRI图像序列中每张乳腺MRI图像的病灶所在的区域，作为感兴趣区域，获得只包含感兴趣区域的图像序列；
步骤1.2：去除感兴趣区域的图像序列中的每张图像的噪声干扰，对每张图像进行平滑滤波，得到去噪后的图像序列；
步骤1.3：强调去噪后的图像序列中每张图像的整体或局部特性，扩大图像中不同部位间的差异、增大疑似肿块与周围组织的对比度，得到增强图像序列。
8.如权利要求6所述的基于MRF-Snake分割的乳腺癌诊断方法，其特征在于，所述步骤2包括：
步骤2.1：设置初始曲线，并将初始曲线放置在预处理后的图像序列的第一张图像的待分割病灶附近，作为演化轮廓的基础；
步骤2.2：通过Snake算法最小化能量函数，使初始曲线在图像中发生变形并不断逼近目标轮廓，将疑似病灶从预处理后的图像中分割出来，得到第一张分割图像，并经过多次图像分割迭代过程获得分割图像序列；
步骤2.3：采用马尔科夫随机场，在预处理后的图像序列中，将上一张图像的分割结果为初始轮廓，依次对相邻的下一张图像的初始曲线进行设置。
9.如权利要求6所述的基于MRF-Snake分割的乳腺癌诊断方法，其特征在于，所述步骤4包括：
步骤4.1：将分割图像序列中的每张图像的灰度级进行压缩，获得压缩图像序列；
步骤4.2：提取压缩图像序列中每张图像的灰度比参数特征、对比剂吸收率、对比剂廓清率、基于灰度共生矩阵的能量、熵值、逆差矩特征、相关性特征以及对比度特征。
10.如权利要求6所述的基于MRF-Snake分割的乳腺癌诊断方法，其特征在于，所述步骤5包括：
步骤5.1：选取压缩图像序列中的部分图像构成训练集，将训练集中图像的特征值输入到SVM分类器进行数据训练；
步骤5.2：压缩图像序列中剩余的图像构成测试集，进行病灶良恶性诊断评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710595460.7A CN107392928A (zh) | 2017-07-20 | 2017-07-20 | 基于MRF‑Snake分割的乳腺癌诊断系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710595460.7A CN107392928A (zh) | 2017-07-20 | 2017-07-20 | 基于MRF‑Snake分割的乳腺癌诊断系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107392928A true CN107392928A (zh) | 2017-11-24 |
Family
ID=60336294
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710595460.7A Withdrawn CN107392928A (zh) | 2017-07-20 | 2017-07-20 | 基于MRF‑Snake分割的乳腺癌诊断系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107392928A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108460748A (zh) * | 2018-04-28 | 2018-08-28 | 东北大学 | 乳腺肿瘤分析用特征训练参数获取方法、系统及诊断系统 |
| CN109009110A (zh) * | 2018-06-26 | 2018-12-18 | 东北大学 | 基于mri影像的腋窝淋巴结转移预测系统 |
| CN109598702A (zh) * | 2018-10-30 | 2019-04-09 | 南方医科大学南方医院 | 对比增强能谱乳腺x线摄影的病灶特征量化方法及系统 |
| CN109859199A (zh) * | 2019-02-14 | 2019-06-07 | 浙江科技学院 | 一种sd-oct图像的淡水无核珍珠质量检测的方法 |
| CN110363096A (zh) * | 2019-06-20 | 2019-10-22 | 西安交通大学 | 一种基于隐马尔可夫模型的大脑时间信号处理方法 |
| CN110390667A (zh) * | 2019-06-18 | 2019-10-29 | 平安科技（深圳）有限公司 | 基于眼底oct影像的病灶提取方法、装置、设备及存储介质 |
| CN113706563A (zh) * | 2021-09-02 | 2021-11-26 | 华侨大学 | 一种自动初始化Snake模型的X光胸片肺野分割方法 |
| CN108510446B (zh) * | 2018-04-10 | 2023-03-14 | 四川和生视界医药技术开发有限公司 | 视网膜图像的叠加方法及视网膜图像的叠加装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120189176A1 (en) * | 2010-11-26 | 2012-07-26 | Giger Maryellen L | Method, system, software and medium for advanced intelligent image analysis and display of medical images and information |
| CN106023239A (zh) * | 2016-07-05 | 2016-10-12 | 东北大学 | 基于乳腺子区域密度聚类的乳腺肿块分割系统及方法 |
-
2017
- 2017-07-20 CN CN201710595460.7A patent/CN107392928A/zh not_active Withdrawn
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120189176A1 (en) * | 2010-11-26 | 2012-07-26 | Giger Maryellen L | Method, system, software and medium for advanced intelligent image analysis and display of medical images and information |
| CN106023239A (zh) * | 2016-07-05 | 2016-10-12 | 东北大学 | 基于乳腺子区域密度聚类的乳腺肿块分割系统及方法 |
Non-Patent Citations (8)
| Title |
|---|
| ALEXANDER RUKLETSOV,REINHARD MANNER: ""A hybird segmentation method using MRF and GVF snakes"", 《PROCEEDINGS OF SPIE》 * |
| HONGWEI YU, WEIDONG XU, WEI LIU, ET AL.: ""Gaussian Pyramid Based Multi-Scale GVF for Mass Segmentation"", 《GAUSSIAN PYRAMID BASED MULTI-SCALE GVF FOR MASS SEGMENTATION》 * |
| KASS M, WITKIN A, TERZOPOULOS D.: ""Snakes: active contour models"", 《INTERNATIONAL JOURNAL OF COMPUTER》 * |
| RAJA S ALMARI,ET AL.: ""Segmetation of the liver from Abdominal CT using Markov Random Field Model and GVF Snakes"", 《2008 INTERNATIONAL CONFERENCE ON COMPLEX, INTELLIGENT AND SOFTWARE INTENSIVE SYSTEMS》 * |
| RUKLETSOV， ALEXANDER，MÄNNER， REINHARD: ""A hybrid segmentation method using MRF and GVF snakes"", 《PROC. SPIE, FOURTH INTERNATIONAL CONFERENCE ON DIGITAL IMAGE PROCESSING (ICDIP 2012)》 * |
| 张承杰: ""MRI乳腺病灶分割研究"", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 * |
| 曹建农等: "《图像分割方法研究》", 31 August 2006, 西安地图出版社 * |
| 陈侃: ""基于活动轮廓模型的肺结节分割方法研究"", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108510446B (zh) * | 2018-04-10 | 2023-03-14 | 四川和生视界医药技术开发有限公司 | 视网膜图像的叠加方法及视网膜图像的叠加装置 |
| CN108460748B (zh) * | 2018-04-28 | 2020-04-14 | 东北大学 | 乳腺肿瘤分析用特征训练参数获取方法、系统及诊断系统 |
| CN108460748A (zh) * | 2018-04-28 | 2018-08-28 | 东北大学 | 乳腺肿瘤分析用特征训练参数获取方法、系统及诊断系统 |
| CN109009110A (zh) * | 2018-06-26 | 2018-12-18 | 东北大学 | 基于mri影像的腋窝淋巴结转移预测系统 |
| CN109598702A (zh) * | 2018-10-30 | 2019-04-09 | 南方医科大学南方医院 | 对比增强能谱乳腺x线摄影的病灶特征量化方法及系统 |
| CN109598702B (zh) * | 2018-10-30 | 2023-04-07 | 南方医科大学南方医院 | 对比增强能谱乳腺x线摄影的病灶特征量化方法及系统 |
| CN109859199A (zh) * | 2019-02-14 | 2019-06-07 | 浙江科技学院 | 一种sd-oct图像的淡水无核珍珠质量检测的方法 |
| CN109859199B (zh) * | 2019-02-14 | 2020-10-16 | 浙江科技学院 | 一种sd-oct图像的淡水无核珍珠质量检测的方法 |
| CN110390667A (zh) * | 2019-06-18 | 2019-10-29 | 平安科技（深圳）有限公司 | 基于眼底oct影像的病灶提取方法、装置、设备及存储介质 |
| CN110390667B (zh) * | 2019-06-18 | 2023-10-20 | 平安科技（深圳）有限公司 | 基于眼底oct影像的病灶提取方法、装置、设备及存储介质 |
| CN110363096B (zh) * | 2019-06-20 | 2022-02-22 | 西安交通大学 | 一种基于隐马尔可夫模型的大脑时间信号处理方法 |
| CN110363096A (zh) * | 2019-06-20 | 2019-10-22 | 西安交通大学 | 一种基于隐马尔可夫模型的大脑时间信号处理方法 |
| CN113706563A (zh) * | 2021-09-02 | 2021-11-26 | 华侨大学 | 一种自动初始化Snake模型的X光胸片肺野分割方法 |
| CN113706563B (zh) * | 2021-09-02 | 2023-05-30 | 华侨大学 | 一种自动初始化Snake模型的X光胸片肺野分割方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107392928A (zh) | 基于MRF‑Snake分割的乳腺癌诊断系统及方法 | |
| CN109493308B (zh) | 基于条件多判别生成对抗网络的医疗图像合成与分类方法 | |
| CN108257135A (zh) | 基于深度学习方法解读医学图像特征的辅助诊断系统 | |
| Zhang et al. | Photoacoustic image classification and segmentation of breast cancer: a feasibility study | |
| CN112270660B (zh) | 基于深度神经网络的鼻咽癌放疗靶区自动分割方法 | |
| CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断系统 | |
| CN108416360B (zh) | 基于乳腺钼靶钙化特征的癌症诊断系统及方法 | |
| CN109858540B (zh) | 一种基于多模态融合的医学图像识别系统及方法 | |
| CN109754007A (zh) | 前列腺手术中外包膜智能检测和预警方法及系统 | |
| CN113781439B (zh) | 超声视频病灶分割方法及装置 | |
| CN105913432A (zh) | 基于ct序列图像的主动脉提取方法及装置 | |
| CN102289811A (zh) | 一种半自动序列图像分割方法及系统 | |
| JP2017510406A (ja) | 画像内における血管構造の抑制 | |
| CN110660480B (zh) | 脊骨脱位辅助诊断方法及系统 | |
| Arjmand et al. | Deep learning in liver biopsies using convolutional neural networks | |
| CN107169975A (zh) | 超声图像的分析方法及装置 | |
| CN109919216B (zh) | 一种用于计算机辅助诊断前列腺癌的对抗学习方法 | |
| CN113066054B (zh) | 一种用于计算机辅助诊断的宫颈oct图像特征可视化方法 | |
| Karthikeyan et al. | Lungs segmentation using multi-level thresholding in CT images | |
| CN114445328A (zh) | 基于改进Faster R-CNN的医学影像脑肿瘤检测方法与系统 | |
| CN104331864B (zh) | 基于非下采样轮廓波和视觉显著模型的乳腺影像处理 | |
| Yang et al. | Efficient catheter segmentation in 3D cardiac ultrasound using slice-based FCN with deep supervision and f-score loss | |
| CN107463964A (zh) | 一种基于超声图像特征相关性的乳腺肿瘤分类方法、装置 | |
| Hao et al. | Personalized cardiovascular intervention simulation system | |
| Ogiela et al. | Computer analysis of gallbladder ultrasonic images towards recognition of pathological lesions |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20171124 |
|
| WW01 | Invention patent application withdrawn after publication |