CN107633522A - 基于局部相似性活动轮廓模型的脑部图像分割方法和系统 - Google Patents
基于局部相似性活动轮廓模型的脑部图像分割方法和系统 Download PDFInfo
- Publication number
- CN107633522A CN107633522A CN201710762462.0A CN201710762462A CN107633522A CN 107633522 A CN107633522 A CN 107633522A CN 201710762462 A CN201710762462 A CN 201710762462A CN 107633522 A CN107633522 A CN 107633522A
- Authority
- CN
- China
- Prior art keywords
- pixel
- super
- local
- local similarity
- contour model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 210000004556 brain Anatomy 0.000 title claims abstract description 46
- 230000011218 segmentation Effects 0.000 claims abstract description 32
- 238000005481 NMR spectroscopy Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 238000003709 image segmentation Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 230000002490 cerebral effect Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 26
- 230000008901 benefit Effects 0.000 description 4
- 230000007812 deficiency Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 208000018152 Cerebral disease Diseases 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000004885 white matter Anatomy 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于局部相似性活动轮廓模型的脑部图像分割方法和系统,所述方法包括:获取一幅待分割核磁共振图像;对待分割核磁共振图像进行超像素分割,获取多个超像素;对超像素提取平均灰度值、基于灰度共生矩阵的纹理特征以及局部特征;将所有特征采用串联方式进行特征融合;采用词典和稀疏表示分类方法对超像素进行分类,获得初始目标区域;根据初始目标区域,利用高斯概率密度函数计算每个像素属于目标的概率,作为学习的局部相似性先验;建立基于局部相似性学习的活动轮廓模型的能量函数,通过最小化能量函数,获得图像分割结果。本发明的活动轮廓模型能够较好地处理灰度不均匀问题,提高了脑部图像分割的准确性和鲁棒性。
Description
技术领域
本发明涉及医学图像分割领域,具体地说是一种基于局部相似性活动轮廓模型的脑 部图像分割方法和系统。
背景技术
脑部疾病严重威胁着人类的生命健康。核磁共振图像(MR,magnetic resonance)由 于其对比度高、蕴含信息丰富等优点,已成为辅助诊断脑疾病的主要成像方式。医学图像分割技术能将感兴趣区域提取出来,是对病灶区进行量化分析与诊断的基础。因此, 发明一种脑部MR图像的分割方法对于提高脑疾病诊断的精度和效率具有重要的意义。
现有的脑部MR分割方法主要包括阈值法、基于学习模型的方法、基于活动轮廓模型的方法等等。然而,脑部MR图像存在灰度不同质性问题,即同一病灶的局部小区域 内的灰度差异性较大,从而使得现有的方法分割效果较差。例如,单一的阈值法对于脑 部MR图像中的噪声较为敏感,很难将灰度差异性较大的同一病灶区域较好地分割出来。 对于基于学习模型的方法来说,灰度不同质性使得目标类样本和背景类样本的分布差异 性较大,可能造成类内差异性较大,类间差异性较小,从而影响获得的学习模型的分割 性能。
在已有的分割方法中,基于活动轮廓模型的方法具有以下优点:(1)对于噪声具有较好的鲁棒性。(2)无监督方法。与基于学习模型的方法不同,该类模型属于无监督类 的方法,因此不需要训练过程,简化了整个分割过程。(3)从建模的角度来说,该类方 法更容易加入先验知识。基于以上优点,活动轮廓模型已成为一种主流的方法。近年来, 为了处理灰度不同质性问题,已有研究引入偏场的概念,即假设灰度不同质性是由偏场 引起的,并将偏场假设引入到活动轮廓模型中,改进的活动轮廓模型对于灰度不同质性 能够取得一定的效果。然而,该类方法只能处理偏场变化缓慢的图像,当偏场变化较大, 该类方法很难取得令人满意的效果。因此,如何对活动轮廓模型进行改进,提高脑部 MR图像的分割性能,是目前本领域技术人员需要解决的技术问题。
发明内容
本发明为克服上述现有技术的不足,提供一种基于局部相似性活动轮廓模型的脑部 图像分割方法和系统。该方法首先提出了局部相似性学习模型,然后在活动轮廓模型的框架下,将学到的局部相似性先验作为约束,建立新的分割模型。新建立的分割模型能 够较好地处理灰度不均匀问题,弥补了现有活动轮廓模型在处理噪声和灰度不同质性方 面的不足,提高了脑部MR图像分割的准确性和鲁棒性。
为实现上述目的,本发明采用如下技术方案:
一种基于局部相似性学习的活动轮廓模型的脑部图像分割方法,包括以下步骤:
步骤1:获取一幅待分割核磁共振图像;
步骤2:对所述待分割核磁共振图像进行超像素分割,获取多个超像素;
步骤3:对所述多个超像素提取平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征;将平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征采用串联方式进行 特征融合,得到融合之后的特征;
步骤4:采用词典和稀疏表示分类方法对所述超像素进行分类,获得初始目标区域;
步骤5:根据所述初始目标区域,利用高斯概率密度函数计算每个像素属于目标的概率,作为学习的局部相似性先验;
步骤6:建立基于局部相似性学习的活动轮廓模型的能量函数,通过最小化能量函数,获得图像分割结果。
所述步骤2中超像素分割采用SLIC超像素分割算法。
所述步骤4中词典的构造方法为:
步骤(1):获取脑部核磁共振图像作为训练图像;
步骤(2):对训练图像进行超像素分割,得到若干个训练超像素;
步骤(3):对获取的训练超像素提取平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征;将平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征采用串联方式 进行特征融合,得到融合之后的特征;
步骤(4):基于所述融合之后的特征构造训练阶段的词典。
其中,所述步骤(4)具体为:
假设在训练集中有N个病人的数据,则对每个病人的病灶区类和背景类均使用 K-means聚成K类,则N个病人的数据共聚成2KN类,获得2KN个聚类中心;所述聚 类中心组成词典D:
D=[C1,1,C1,2,...,C1K,B1,1,B1,2,...,B1,K,...,Cz,v,...,Bz,v,...,CN,1,...CN,K,BN,1,...,BN,K]
其中,
Cz,v表示第z个病人的来自病灶区区域的第v个聚类中心;
Bz,v表示第z个病人的来自背景区域的第v个聚类中心;
所述步骤4采用词典和稀疏表示分类方法对所述超像素进行分类具体为:
词典构建完成后,利用词典和基于稀疏表达的分类方法SRC对超像素进行分类,使用稀疏表达对训练阶段的超像素进行分类的过程:
arg minfc||fc||1subject toDfc=fL
其中,fc是稀疏系数,fL是融合之后的特征;通过最小化L1范数||fc||1,得到fc的值; 所述fc的值使用MATLAB的SLEP工具箱进行求解;超像素的分类结果的计算公式为:
rm(fL)=||fL-Dfc-m||2,m=1,2,…2KN
其中,fc-m表示稀疏系数向量fc中表示第m类的权重值,根据所述超像素的分类结果计算公式计算得到2KN个rm(fL),当rm(fL)的值最小时,对应类别就是超像素的类别。
所述步骤5利用高斯概率密度函数计算每个像素属于目标的概率具体为:
其中,P(l|x)表示像素点x属于脑部图像中待分割目标区域的概率,l是像素x的标记,当x属于脑部图像中待分割目标区域,l的值是1,否则是0;像素u是检测到的 脑部图像中待分割目标区域的中心点,cord(x)表示像素x的空间位置,cord(u)是像素 u的空间位置,σ近似表示脑部图像中待分割目标区域的直径,ΩC表示探测到的脑部图 像中待分割目标区域,ΩB表示探测到的背景区域,所述背景区域是指脑部图像除去待分 割目标区域以外的区域。
所述步骤6中基于局部相似性学习的活动轮廓模型的能量函数构造如下所示
Else(w,c,m)=Eg(w,c,m)+αEls(m)
其中,Eg表示全局灰度拟合能量项;Els是局部灰度拟合项;I(x)表示图像在像素点x处的灰度值,wT(x)表示像素点x对应的基函数的权重,B(x)表示像素点x对应的基函 数,ci是个常量,表示第i个联通区域的灰度值,mi(x)表示像素点x是第i个区域的概 率;使用wT(x)B(x)近似表示偏场的变化;p(li|x)是通过局部相似性先验模型计算获得 的,表示像素点x属于第i类的概率。
所述三个变量的最终值为:
Di(x)=(I(x)-wTB(x)ci)2
m2(x)=1-m1(x)
根据本发明的第二方面,本发明提供了一种计算机可读存储介质,其上存储有计算 机程序,用于脑部图像分割,该程序被处理器执行时执行以下步骤:
获取一幅待分割核磁共振图像;
对所述待分割核磁共振图像进行超像素分割,获取多个超像素;
对所述多个超像素提取平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征; 将平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征采用串联方式进行特征融合, 得到融合之后的特征;
采用词典和稀疏表示分类方法对所述超像素进行分类,获得初始目标区域;
根据所述初始目标区域,利用高斯概率密度函数计算每个像素属于目标的概率,作 为学习的局部相似性先验;
建立基于局部相似性学习的活动轮廓模型的能量函数,通过最小化能量函数,获得 图像分割结果。
根据本发明的第三方面,本发明提供了一种基于局部相似性活动轮廓模型的脑部图 像分割系统,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行以下处理:
获取一幅待分割核磁共振图像;
对所述待分割核磁共振图像进行超像素分割,获取多个超像素;
对所述多个超像素提取平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征; 将平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征采用串联方式进行特征融合, 得到融合之后的特征;
采用词典和稀疏表示分类方法对所述超像素进行分类,获得初始目标区域;
根据所述初始目标区域,利用高斯概率密度函数计算每个像素属于目标的概率,作 为学习的局部相似性先验;
建立基于局部相似性学习的活动轮廓模型的能量函数,通过最小化能量函数,获得 图像分割结果。
本发明的有益效果:
本发明首先提出了一种局部相似性学习方法,来获取MR图像中每个像素的局部关系信息。然后以活动轮廓模型为基本分割框架,加入局部相似性先验约束,建立新的分 割模型,即基于局部相似性学习的活动轮廓模型。在本发明中,局部相似性先验模型能 够获取像素的局部关系信息,该类信息是基于目标的空间位置获取的,与图像的灰度信 息无关,对于局部灰度不均匀具有一定的鲁棒性。因此,在活动轮廓模型中嵌入局部相 似性先验,能够对由于局部灰度分布不均而分割错误的区域进行校正,从而较为有效地解 决脑部MR图像中的灰度不同质性问题。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意 性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本发明基于局部相似性学习的活动轮廓的脑部图像分割方法流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据 本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/ 或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例提供了一种基于局部相似性学习的活动轮廓模型的脑部图像分割方法,包 括以下步骤:
步骤1:获取一幅待分割核磁共振图像;
步骤2:对所述待分割核磁共振图像进行超像素分割,获取多个超像素;
步骤3:对所述多个超像素提取平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征;将平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征采用串联方式进行 特征融合,得到融合之后的特征;
步骤4:采用词典和稀疏表示分类方法对所述超像素进行分类,获得初始目标区域;
步骤5:根据所述初始目标区域,利用高斯概率密度函数计算每个像素属于目标的概率,作为学习的局部相似性先验;
步骤6:建立基于局部相似性学习的活动轮廓模型的能量函数,通过最小化能量函数,获得图像分割结果。
各步骤中涉及的内容具体如下:
1、超像素分割
超像素是指图像中包含同质像素(灰度相似)的一个区域。相比较像素级操作,超像素具有计算速度快、对噪声鲁棒、能够合理利用上下文信息等优点,因此,本发明利 用超像素作为基本的处理单位。本发明利用简单线性迭代聚类方法(Simple Linear IterativeClustering,SLIC)进行超像素分割,得到T个超像素S_i{i=1,2,…,T}。该方法 联合利用局部邻近像素点的颜色信息和空间位置信息将整幅图像分成一个个形状、大小 相对均一的超像素;另外,SLIC方法只需输入预期超像素的个数便能将整幅图像过分 割为指定分割粒度的超像素。
2、超像素特征提取
为了对超像素进行分类,首先要对超像素进行特征提取。综合考虑到脑部图像灰度、 纹理以及局部特性,本发明提取的特征包括:每个超像素的平均灰度特征、基于灰度共生矩阵的纹理特征以及局部灰度特征。具体表示如表1和表2所示。表1给出了一个超 像素S的灰度特征、基于灰度共生矩阵的纹理特征以及局部特征。本发明提取的特征用 于后续的分类,来获取初始目标区域。
表1特征描述
在表1中,S(i)表示超像素S中的第i个像素。Ns表示超像素S的邻居超像素集合。Ns(i)该超像素的i个邻居的值。g(i,j)是灰度共生矩阵中第(i,j)个元素。表2列出了灰 度共生矩阵中变量的表达形式。
表2灰度共生矩阵中的变量表达形式
3、局部相似性学习
像素特征提取完成后,将超像素作为分割模型处理的基本单元。本实施例首先使用 基于词典学习和稀疏表达方法对目标区域进行检测,然后利用高斯概率密度函数计算目 标的概率图作为局部相似性先验,该先验是基于像素的空间位置信息获得的,与像素的灰度特性无关,因此对于灰度局部不均具有一定的鲁棒性。
(1)词典构造
本实施例基于步骤2提取的超像素的平均灰度特征、基于灰度共生矩阵的纹理特征 以及局部灰度特征串联的融合特征,采用K-means方法对超像素方法进行聚类,构造词典。假设在训练集中有N个病人的数据,即N幅训练数据。根据训练图像已有的groundtruth,将每个病人的图像分为病灶区和背景区两类。对所述N幅训练数据进行超像素分割,基于步骤2提取分割出的超像素的平均灰度特征、基于灰度共生矩阵的纹理特征以 及局部灰度特征进行串联融合,对每个病人的每一类(病灶区类或者背景类)使用 K-means聚成K类,则N个病人的数据共可聚成2KN类,可以获得2KN个聚类中心。 这些聚类中心组成词典D,如下式所示
D=[C1,1,C1,2…C1,K,B1,1,B1,2,..B1,K,…Cz,v,..Bz,v,….CN,1,..CN,K,BN,1,..BN,K] (1)
其中,
Cz,v表示第z个病人的来自病灶区区域的第v个聚类中心;
Bz,v表示第第z病人的来自背景区域的的第v个聚类中心。
(2)初始目标区域检测
对于当前超像素fL,使用稀疏表达对其进行分类的过程可以形式化为公式(2)所示:
arg minfc||fc||1subject to Dfc=fL (2)
公式(2)中,D是根据提取的训练超像素的平均灰度值、基于共生矩阵的纹理特 征以及局部灰度特征的串联融合特征构造的词典,fc是稀疏系数,fL是提取的训练超像 素的平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征串联的融合特征,通过最 小化带有约束Dfc=fL的L1范数||fc||1,得到fc的值。
使用MATLAB的SLEP工具箱进行求解,获得fc的解后,使用公式(3)获得超像 素的分类结果rm(fL),其中,fc-m表示稀疏系数向量fc中第m类的权重。
rm(fL)=||fL-Dfc-m||2,m=1,2,…2KN (3)
根据公式(3)计算得到2KN个rm(fL),当rm(fL)的值最小时,对应类别就是超像素的类 别。
(3)局部相似性计算
基于获得目标的初始区域,本发明利用高斯概率密度函数计算每个像素的概率。如 公式(11)所示
在上式中,P(l|x)表示像素点x属于目标的概率;l是像素x的标记,当x属于目 标,l的值是1,否则是0;像素u是检测到的目标的中心点;Cord(u)表示像素u的空 间位置;σ近似表示目标的直径;ΩC表示探测到的目标的区域,ΩB表示探测到的背景 的区域。
4、基于局部相似性学习的活动轮廓模型的分割
为了提高分割模型处理灰度不均匀问题的鲁棒性,本发明将局部相似性嵌入到活动 轮廓模型中。基于局部相似性学习的活动轮廓模型的能量函数构造如公式(4),(5),(6)所示
Else(w,c,m)=Eg(w,c,m)+αEls(m) (4)
在公式(4)中,Eg表示全局灰度拟合能量项,用于保证全局的灰度一致性。Els是 局部灰度拟合项,用于对局部灰度不均匀性进行校正。在公式(5)中,I(x)表示图像 在像素点x处的灰度值,wT(x)表示像素点x对应的基函数的权重,B(x)表示像素点x对 应的基函数,ci是个常量,表示第i个联通区域的灰度值,mi(x)表示像素点x是第i个 区域的概率。在该公式中,为了提高计算效率,使用wT(x)B(x)近似表示偏场的变化。 在公式(6)中,p(li|x)是通过局部相似性先验模型计算获得的,表示像素点x属于第i 类的概率。该概率能够对局部灰度不均匀性起到一定程度的校正作用,所以该项能够较 为有效的解决MR脑部图像中的灰度不同质性问题。
通过最小化能量函数(4),可以获得变量w,c,m的值,根据变量m的值可以获取分割结果。在本发明中,使用交替优化的方法,对三个变量进行迭代优化。主要思想是先 固定两个变量,优化剩下的一个变量。最终,求得三个变量的值如公式(7),(8),(9),(10)所 示
Di(x)=(I(x)-wTB(x)ci)2
m2(x)=1-m1(x) (10)
最终的分割结果可以根据变量m的值获得。
本发明的方法进行了初步的实验,利用本发明的方法实现了脑部MR图像中的白质分割。
实施例二
本实施例的目的是提供一种计算机可读存储介质。
为了实现上述目的,本发明采用如下一种技术方案:
一种计算机可读存储介质,其上存储有计算机程序,用于MR图像分割,该程序被处理器执行时执行以下步骤:
获取一幅待分割核磁共振图像;
对所述待分割核磁共振图像进行超像素分割,获取多个超像素;
对所述多个超像素提取平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征; 将平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征采用串联方式进行特征融合, 得到融合之后的特征;
采用词典和稀疏表示分类方法对所述超像素进行分类,获得初始目标区域;
根据所述初始目标区域,利用高斯概率密度函数计算每个像素属于目标的概率,作 为学习的局部相似性先验;
建立基于局部相似性学习的活动轮廓模型的能量函数,通过最小化能量函数,获得 图像分割结果。
实施例三
本实施例的目的是提供一种基于局部相似性活动轮廓模型的脑部图像分割系统。
为了实现上述目的,本发明采用如下一种技术方案:
一种基于局部相似性活动轮廓模型的脑部图像分割系统,包括处理器和计算机可读 存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行以下处理:
获取一幅待分割核磁共振图像;
对所述待分割核磁共振图像进行超像素分割,获取多个超像素;
对所述多个超像素提取平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征; 将平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征采用串联方式进行特征融合, 得到融合之后的特征;
采用词典和稀疏表示分类方法对所述超像素进行分类,获得初始目标区域;
根据所述初始目标区域,利用高斯概率密度函数计算每个像素属于目标的概率,作 为学习的局部相似性先验;
建立基于局部相似性学习的活动轮廓模型的能量函数,通过最小化能量函数,获得 图像分割结果。
以上实施例二和实施例三中,各步骤与方法实施例一相对应,具体实施方式可参见 实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令 集的单个介质或多个介质;还应当被理解为包括任何介质,所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本发明提出了局部相似性学习模型,在活动轮廓模型的框架下,将学到的局部相似 性先验作为约束,建立新的分割模型。新建立的分割模型能够较好地处理灰度不均匀问题,弥补了现有活动轮廓模型在处理噪声和灰度不同质性方面的不足,提高了脑部MR 图像分割的准确性和鲁棒性。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置 来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将 它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的 硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人 员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于局部相似性学习的活动轮廓模型的脑部图像分割方法,其特征在于,包括以下步骤:
步骤1:获取一幅待分割核磁共振图像;
步骤2:对所述待分割核磁共振图像进行超像素分割,获取多个超像素;
步骤3:对所述多个超像素提取平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征;将平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征采用串联方式进行特征融合,得到融合之后的特征;
步骤4:采用词典和稀疏表示分类方法对所述超像素进行分类,获得初始目标区域;
步骤5:根据所述初始目标区域,利用高斯概率密度函数计算每个像素属于目标的概率,作为学习的局部相似性先验;
步骤6:建立基于局部相似性学习的活动轮廓模型的能量函数,通过最小化能量函数,获得图像分割结果。
2.如权利要求1所述的一种基于局部相似性活动轮廓模型的脑部图像分割方法,其特征在于,所述步骤2中超像素分割采用SLIC超像素分割算法。
3.如权利要求1所述的一种基于局部相似性活动轮廓模型的脑部图像分割方法,其特征在于,所述步骤4中词典的构造方法为:
步骤(1):获取脑部核磁共振图像作为训练图像;
步骤(2):对训练图像进行超像素分割,得到若干个训练超像素;
步骤(3):对获取的训练超像素提取平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征;将平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征采用串联方式进行特征融合,得到融合之后的特征;
步骤(4):基于所述融合之后的特征构造训练阶段的词典。
4.如权利要求3所述的一种基于局部相似性活动轮廓模型的脑部图像分割方法,其特征在于,所述步骤(4)具体为:
假设在训练集中有N个病人的数据,则对每个病人的病灶区类和背景类均使用K-means聚成K类,则N个病人的数据共聚成2KN类,获得2KN个聚类中心;所述聚类中心组成词典D:
D=[C1,1,C1,2,...,C1K,B1,1,B1,2,...,B1,K,...,Cz,v,...,Bz,v,...,CN,1,...CN,K,BN,1,...,BN,K]
其中,
Cz,v表示第z个病人的来自病灶区区域的第v个聚类中心;
Bz,v表示第z个病人的来自背景区域的第v个聚类中心。
5.如权利要求4所述的一种基于局部相似性活动轮廓模型的脑部图像分割方法,其特征在于,所述步骤4采用词典和稀疏表示分类方法对所述超像素进行分类具体为:
词典构建完成后,利用词典和基于稀疏表达的分类方法SRC对超像素进行分类,使用稀疏表达对训练阶段的超像素进行分类的过程:
arg minfc||fc||1subject toDfc=fL
其中,fc是稀疏系数,fL是融合之后的特征;通过最小化L1范数||fc||1,得到fc的值;所述fc的值使用MATLAB的SLEP工具箱进行求解;超像素的分类结果的计算公式为:
rm(fL)=||fL-Dfc-m||2,m=1,2,…2KN
其中,fc-m表示稀疏系数向量fc中表示第m类的权重值,根据所述超像素的分类结果计算公式计算得到2KN个rm(fL),当rm(fL)的值最小时,对应类别就是超像素的类别。
6.如权利要求5所述的一种基于局部相似性活动轮廓模型的脑部图像分割方法,其特征在于,所述步骤5利用高斯概率密度函数计算每个像素属于目标的概率具体为:
其中,P(l|x)表示像素点x属于脑部图像中待分割目标区域的概率,l是像素x的标记,当x属于脑部图像中待分割目标区域,l的值是1,否则是0;像素u是检测到的脑部图像中待分割目标区域的中心点,cord(x)表示像素x的空间位置,cord(u)是像素u的空间位置,σ近似表示脑部图像中待分割目标区域的直径,ΩC表示探测到的脑部图像中待分割目标区域,ΩB表示探测到的背景区域,所述背景区域是指脑部图像除去带分割目标区域以外的区域。
7.如权利要求1所述的一种基于局部相似性活动轮廓模型的脑部图像分割方法,其特征在于,所述步骤6中基于局部相似性学习的活动轮廓模型的能量函数构造如下所示
Else(w,c,m)=Eg(w,c,m)+αEls(m)
其中,Eg表示全局灰度拟合能量项;Els是局部灰度拟合项;I(x)表示图像在像素点x处的灰度值,wT(x)表示像素点x对应的基函数的权重,B(x)表示像素点x对应的基函数,ci是个常量,表示第i个联通区域的灰度值,mi(x)表示像素点x是第i个区域的概率;使用wT(x)B(x)近似表示偏场的变化;p(li|x)是通过局部相似性先验模型计算获得的,表示像素点x属于第i类的概率。
8.如权利要求7所述的一种基于局部相似性活动轮廓模型的脑部图像分割方法,其特征在于,所述三个变量的最终值为:
Di(x)=(I(x)-wTB(x)ci)2
m2(x)=1-m1(x)
9.一种计算机可读存储介质,其上存储有计算机程序,用于脑部图像分割,其特征在于,该程序被处理器执行时执行以下步骤:
获取一幅待分割核磁共振图像;
对所述待分割核磁共振图像进行超像素分割,获取多个超像素;
对所述多个超像素提取平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征;将平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征采用串联方式进行特征融合,得到融合之后的特征;
采用词典和稀疏表示分类方法对所述超像素进行分类,获得初始目标区域;
根据所述初始目标区域,利用高斯概率密度函数计算每个像素属于目标的概率,作为学习的局部相似性先验;
建立基于局部相似性学习的活动轮廓模型的能量函数,通过最小化能量函数,获得图像分割结果。
10.一种基于局部相似性活动轮廓模型的脑部图像分割系统,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行以下处理:
获取一幅待分割核磁共振图像;
对所述待分割核磁共振图像进行超像素分割,获取多个超像素;
对所述多个超像素提取平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征;将平均灰度值、基于共生矩阵的纹理特征以及局部灰度特征采用串联方式进行特征融合,得到融合之后的特征;
采用词典和稀疏表示分类方法对所述超像素进行分类,获得初始目标区域;
根据所述初始目标区域,利用高斯概率密度函数计算每个像素属于目标的概率,作为学习的局部相似性先验;
建立基于局部相似性学习的活动轮廓模型的能量函数,通过最小化能量函数,获得图像分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710762462.0A CN107633522B (zh) | 2017-08-30 | 2017-08-30 | 基于局部相似性活动轮廓模型的脑部图像分割方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710762462.0A CN107633522B (zh) | 2017-08-30 | 2017-08-30 | 基于局部相似性活动轮廓模型的脑部图像分割方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107633522A true CN107633522A (zh) | 2018-01-26 |
CN107633522B CN107633522B (zh) | 2020-04-03 |
Family
ID=61101660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710762462.0A Expired - Fee Related CN107633522B (zh) | 2017-08-30 | 2017-08-30 | 基于局部相似性活动轮廓模型的脑部图像分割方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107633522B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046646A (zh) * | 2019-03-07 | 2019-07-23 | 深圳先进技术研究院 | 图像处理方法、系统、计算设备及存储介质 |
CN110717956A (zh) * | 2019-09-30 | 2020-01-21 | 重庆大学 | 一种有限角投影超像素引导的l0范数最优化重建方法 |
CN111046893A (zh) * | 2018-10-12 | 2020-04-21 | 富士通株式会社 | 图像相似性确定方法和装置、图像处理方法和装置 |
CN111062420A (zh) * | 2019-11-26 | 2020-04-24 | 深圳大学 | 脑结构特征选择方法、移动终端及计算机可读存储介质 |
CN111178361A (zh) * | 2019-12-10 | 2020-05-19 | 南京理工大学 | 一种基于标签组传播的交互式图像分割方法 |
CN111340824A (zh) * | 2020-02-26 | 2020-06-26 | 青海民族大学 | 一种基于数据挖掘的图像特征分割方法 |
CN111582111A (zh) * | 2020-04-29 | 2020-08-25 | 电子科技大学 | 一种基于语义分割的细胞各成分分割方法 |
CN112217958A (zh) * | 2020-09-15 | 2021-01-12 | 陕西科技大学 | 与设备颜色空间无关的数字水印载体图像预处理的方法 |
CN112884778A (zh) * | 2021-01-08 | 2021-06-01 | 宁波智能装备研究院有限公司 | 一种鲁棒机器视觉目标识别分割方法及系统 |
CN113177592A (zh) * | 2021-04-28 | 2021-07-27 | 上海硕恩网络科技股份有限公司 | 一种图像分割方法、装置、计算机设备及存储介质 |
CN113411582A (zh) * | 2021-05-10 | 2021-09-17 | 华南理工大学 | 一种基于活动轮廓的视频编码方法、系统、装置及介质 |
US20210365741A1 (en) * | 2019-05-08 | 2021-11-25 | Tencent Technology (Shenzhen) Company Limited | Image classification method, computer-readable storage medium, and computer device |
CN113723424A (zh) * | 2020-05-25 | 2021-11-30 | 中移(苏州)软件技术有限公司 | 一种目标检测方法及装置、设备、存储介质 |
CN115661173A (zh) * | 2022-11-10 | 2023-01-31 | 菏泽市土地储备中心 | 一种基于遥感图像的地块分割方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984953A (zh) * | 2014-04-23 | 2014-08-13 | 浙江工商大学 | 基于多特征融合与Boosting决策森林的街景图像的语义分割方法 |
CN104915950A (zh) * | 2015-04-29 | 2015-09-16 | 华南理工大学 | 一种基于能量约束的区域增长超声图像自动分割方法 |
CN106570882A (zh) * | 2016-10-28 | 2017-04-19 | 中国科学院苏州生物医学工程技术研究所 | 混合高斯分布模型的活动轮廓图像分割方法 |
-
2017
- 2017-08-30 CN CN201710762462.0A patent/CN107633522B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984953A (zh) * | 2014-04-23 | 2014-08-13 | 浙江工商大学 | 基于多特征融合与Boosting决策森林的街景图像的语义分割方法 |
CN104915950A (zh) * | 2015-04-29 | 2015-09-16 | 华南理工大学 | 一种基于能量约束的区域增长超声图像自动分割方法 |
CN106570882A (zh) * | 2016-10-28 | 2017-04-19 | 中国科学院苏州生物医学工程技术研究所 | 混合高斯分布模型的活动轮廓图像分割方法 |
Non-Patent Citations (2)
Title |
---|
ALI JULAZADEH,ET AL: "A NOVEL AUTOMATED APPROACH FOR SEGMENTING LATERAL VENTRICLE IN MR IMAGES OF THE BRAIN USING SPARSE REPRESENTATION CLASSIFICATION AND DICTIONARY LEARNING", 《THE 11TH INTERNATIONAL CONFERENCE ON INFORMATION SCIENCES, SIGNAL PROCESSING AND THEIR APPLICATIONS: MAIN TRACKS》 * |
杨东亮,等: "基于活动轮廓模型的脑部图像分割方法", 《图像处理技术》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046893A (zh) * | 2018-10-12 | 2020-04-21 | 富士通株式会社 | 图像相似性确定方法和装置、图像处理方法和装置 |
CN111046893B (zh) * | 2018-10-12 | 2024-02-02 | 富士通株式会社 | 图像相似性确定方法和装置、图像处理方法和装置 |
CN110046646B (zh) * | 2019-03-07 | 2023-06-30 | 深圳先进技术研究院 | 图像处理方法、系统、计算设备及存储介质 |
CN110046646A (zh) * | 2019-03-07 | 2019-07-23 | 深圳先进技术研究院 | 图像处理方法、系统、计算设备及存储介质 |
US20210365741A1 (en) * | 2019-05-08 | 2021-11-25 | Tencent Technology (Shenzhen) Company Limited | Image classification method, computer-readable storage medium, and computer device |
US11908580B2 (en) * | 2019-05-08 | 2024-02-20 | Tencent Technology (Shenzhen) Company Limited | Image classification method, computer-readable storage medium, and computer device |
CN110717956A (zh) * | 2019-09-30 | 2020-01-21 | 重庆大学 | 一种有限角投影超像素引导的l0范数最优化重建方法 |
CN110717956B (zh) * | 2019-09-30 | 2023-06-20 | 重庆大学 | 一种有限角投影超像素引导的l0范数最优化重建方法 |
CN111062420A (zh) * | 2019-11-26 | 2020-04-24 | 深圳大学 | 脑结构特征选择方法、移动终端及计算机可读存储介质 |
CN111062420B (zh) * | 2019-11-26 | 2023-04-25 | 深圳大学 | 脑结构特征选择方法、移动终端及计算机可读存储介质 |
CN111178361A (zh) * | 2019-12-10 | 2020-05-19 | 南京理工大学 | 一种基于标签组传播的交互式图像分割方法 |
CN111340824A (zh) * | 2020-02-26 | 2020-06-26 | 青海民族大学 | 一种基于数据挖掘的图像特征分割方法 |
CN111340824B (zh) * | 2020-02-26 | 2022-07-12 | 青海民族大学 | 一种基于数据挖掘的图像特征分割方法 |
CN111582111B (zh) * | 2020-04-29 | 2022-04-29 | 电子科技大学 | 一种基于语义分割的细胞各成分分割方法 |
CN111582111A (zh) * | 2020-04-29 | 2020-08-25 | 电子科技大学 | 一种基于语义分割的细胞各成分分割方法 |
CN113723424A (zh) * | 2020-05-25 | 2021-11-30 | 中移(苏州)软件技术有限公司 | 一种目标检测方法及装置、设备、存储介质 |
CN112217958A (zh) * | 2020-09-15 | 2021-01-12 | 陕西科技大学 | 与设备颜色空间无关的数字水印载体图像预处理的方法 |
CN112884778B (zh) * | 2021-01-08 | 2024-04-23 | 宁波智能装备研究院有限公司 | 一种鲁棒机器视觉目标识别分割方法及系统 |
CN112884778A (zh) * | 2021-01-08 | 2021-06-01 | 宁波智能装备研究院有限公司 | 一种鲁棒机器视觉目标识别分割方法及系统 |
CN113177592A (zh) * | 2021-04-28 | 2021-07-27 | 上海硕恩网络科技股份有限公司 | 一种图像分割方法、装置、计算机设备及存储介质 |
CN113411582A (zh) * | 2021-05-10 | 2021-09-17 | 华南理工大学 | 一种基于活动轮廓的视频编码方法、系统、装置及介质 |
CN115661173B (zh) * | 2022-11-10 | 2023-03-10 | 菏泽市土地储备中心 | 一种基于遥感图像的地块分割方法 |
CN115661173A (zh) * | 2022-11-10 | 2023-01-31 | 菏泽市土地储备中心 | 一种基于遥感图像的地块分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107633522B (zh) | 2020-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107633522A (zh) | 基于局部相似性活动轮廓模型的脑部图像分割方法和系统 | |
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 | |
WO2022001623A1 (zh) | 基于人工智能的图像处理方法、装置、设备及存储介质 | |
CN111931811B (zh) | 一种基于超像素图像相似度的计算方法 | |
CN108647741A (zh) | 一种基于迁移学习的图像分类方法和系统 | |
CN110992351B (zh) | 基于多输入卷积神经网络的sMRI图像分类方法和装置 | |
Liu et al. | IOUC-3DSFCNN: Segmentation of brain tumors via IOU constraint 3D symmetric full convolution network with multimodal auto-context | |
Yan et al. | Monocular depth estimation with guidance of surface normal map | |
WO2022127500A1 (zh) | 基于多个神经网络的mri图像分割方法、装置及设备 | |
CN114782350A (zh) | 一种基于注意力机制的多模态特征融合的mri脑瘤图像分割方法 | |
CN110706214A (zh) | 融合条件随机与残差的三维U-Net大脑肿瘤分割方法 | |
CN106203470A (zh) | 一种基于超图的多模态特征选择及分类方法 | |
CN111145145B (zh) | 一种基于MobileNets的图像表面缺陷检测方法 | |
Wu et al. | Image edge detection based on local dimension: A complex networks approach | |
CN109376763A (zh) | 基于多样本推理神经网络的样本分类方法、系统及介质 | |
Dong et al. | Holistic and Deep Feature Pyramids for Saliency Detection. | |
Li et al. | Robust blood cell image segmentation method based on neural ordinary differential equations | |
Liu et al. | Kiwifruit leaf disease identification using improved deep convolutional neural networks | |
CN112489048B (zh) | 一种基于深度网络的视神经自动分割方法 | |
CN117710760A (zh) | 残差的注意神经网络用于胸部x线病灶检测的方法 | |
Ullah et al. | DSFMA: Deeply supervised fully convolutional neural networks based on multi-level aggregation for saliency detection | |
Ying et al. | Efficient multi-objective evolutionary neural architecture search for U-Nets with diamond atrous convolution and Transformer for medical image segmentation | |
CN116883339A (zh) | 一种基于点监督的组织病理学图像细胞核检测方法 | |
Yan et al. | Two and multiple categorization of breast pathological images by transfer learning | |
Wu et al. | A novel framework called HDU for segmentation of brain tumor |
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: 20200403 |
|
CF01 | Termination of patent right due to non-payment of annual fee |