CN107636725A - 自知的图像分割方法和系统 - Google Patents
自知的图像分割方法和系统 Download PDFInfo
- Publication number
- CN107636725A CN107636725A CN201680028720.6A CN201680028720A CN107636725A CN 107636725 A CN107636725 A CN 107636725A CN 201680028720 A CN201680028720 A CN 201680028720A CN 107636725 A CN107636725 A CN 107636725A
- Authority
- CN
- China
- Prior art keywords
- segmentation
- segmentation result
- input picture
- cutting procedure
- image
- 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.)
- Pending
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
- G06T7/13—Edge detection
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
Abstract
以下总体涉及图像分割。在一个方面中,图像被接收并且被预处理。如果图像为分割做好准备,那么其可以被分类为可分割的;如果否,其可以被分类为不可分割的。可以在图像上执行多个并行分割过程。每个分割过程的结果可以被分类为潜在成功(PS)或潜在失败(PF)。可以分阶段个对体分割过程的结果进行评价。如果被标记为PF的分割过程的百分比到达预定阈值,则可以宣布总体失败。
Description
技术领域
以下总体涉及图像处理领域、图像分割领域以及相关领域,并且涉及采用分割图像的应用,诸如泌尿系统处置规划、用于强度调制辐射治疗(IMRT)的逆向规划等。
背景技术
在各种成像任务(诸如泌尿系统处置规划、辐射治疗规划等)中,前列腺或其他感兴趣器官或肿瘤在计算机断层摄影(CT)、磁共振(MR)、超声(US)、或其他2D或3D医学图像中被分割。分割过程需要对图像中的前列腺、肿瘤、或(一个或多个)其他感兴趣解剖结构的边界进行勾画。各种方法可以用来执行分割,诸如自适应网格适配方法或区域生长方法。大多数自动分割方法本质上是迭代的。
这样的自动分割方法的问题是分割算法有时不能收敛到正确解,例如网格会被错误地适配到到并非感兴趣器官的其他项,或生长区域会露出区域边界中的间隙。通常,解决方案是让放射科医生或其他训练过的专业人员审阅分割结果,并且如果获得了不准确的结果,放射科医生采取合适的补救措施。
通过在训练图像的大的集合上训练分割算法,分割失败减少,但是未被消除。训练集应当包含可能遇到的图像变化的范围,但是所有可能的变化的完全覆盖一般是不可能的。此外,分割过程的鲁棒性依赖于初始条件(例如针对区域生长方法的初始网格或种子位置)。
本公开用于提供了解决该问题和其他问题的方法。
发明内容
在一个方面中,一种用于分割医学图像的装置包括至少一个处理器,所述至少一个处理器被编程为:对输入图像执行多个并行分割过程以生成多个分割结果;将所述多个并行分割过程的每个分割结果标记为潜在成功(PS)或潜在失败(PF);并且组合被标记为PS的分割结果以产生针对所述输入图像的输出分割结果。
在根据前一段落所述的装置中,对于所述多个并行分割过程的每个分割过程,所述多个分割结果可以包括中间分割结果和最终分割结果两者;并且任选地,仅被标记为PS的最终分割结果被组合以产生针对所述输入图像的所述输出分割结果。所述至少一个处理器可以还被编程为,如果所述多个并行分割过程中的具有被标记为PF的中间分割结果的百分比到达预定阈值,则宣布总体失败。所述多个并行分割过程可以是迭代分割过程;所述多个分割结果可以包括由所述分割过程的非终止迭代产生的中间分割结果和由每个分割过程产生的最终分割结果两者;并且所述至少一个处理器可以还被编程为:在所述迭代分割过程的每个迭代处,调节在将所述多个并行分割过程的每个分割结果标记为PS或PF中使用的测量标准。所述标记操作可以包括:识别相互类似的分割结果的最大组,其中:属于相互类似的分割结果的所述最大组的分割结果可以被标记为PS;并且不属于相互类似的分割结果的所述最大组的分割结果可以被标记为PF。所述多个并行分割过程可以采用不同的分割过程初始化。所述不同的分割过程初始化可以通过基准分割过程初始化的随机扰动来生成。所述至少一个处理器可以还被编程为,基于被标记为PS的所述分割结果的统计学变化来生成针对所述输出分割结果的不确定度区间或置信区间。每个分割结果可以被标记有为PS的概率值PPS并且被标记有为PF的概率值PPF,其中对于每个分割结果,PPS可以在范围[0,1]内,PPF可以在范围[0,1]内,并且PPS+PPF=1。所述至少一个处理器可以还被编程为,在对所述输入图像执行多个并行分割过程之前:预处理所述输入图像;并且利用二元分类器将所述输入图像分类为可分割的或不可分割的。所述预处理可以包括对所述输入图像执行以下中的至少一项:平滑;对比增强;边缘检测;或非刚性变形。所述至少一个处理器可以还被编程为执行训练阶段,在所述训练阶段中,通过接收多个训练图像来对所述二元分类器进行训练,其中,所述多个训练图像中的每个训练图像可以被标记为可分割的或不可分割的。
在另一个方面中,一种图像分割方法包括:利用计算机实施的二元分类器将输入图像分类为使用计算机实施的分割过程可分割的或使用所述计算机实施的分割过程不可分割的;如果所述输入图像被分类为可分割的,则使用所述计算机实施的分割过程对所述输入图像进行分割;并且如果所述输入图像被分类为不可分割的,执行补救过程。
根据前一段落所述的方法可以包括,在所述分类之前执行对所述输入图像的计算机实施的预处理,所述分类在经预处理的输入图像上执行;其中,所述补救过程可以包括执行对所述输入图像的另外的计算机实施的预处理。所述方法可以还包括:使用医学成像系统采集所述输入图像;其中,所述补救过程可以包括使用具有不同成像配置的医学成像系统采集新的输入图像。所述方法可以还包括,在所述分类之前执行的训练阶段期间,使用在每个被标记为可分割的或不可分割的训练图像的集合上进行操作的计算机实施的训练过程对所述二元分类器进行训练。所述方法可以还包括,使用所述计算机实施的分割过程对每个训练图像进行分割,并且基于所述分割的输出来将所述训练图像标记为可分割的或不可分割的。所述方法可以还包括,所述计算机实施的分割过程包括多个并行分割过程。所述方法可以还包括,所述多个并行分割过程的每个分割过程不同于所述多个并行分割过程的每一其他分割过程。所述方法可以还包括,所述多个并行分割过程的每个分割过程具有通过基准分割过程初始化的随机扰动生成的不同分割过程初始化。所述方法可以还包括,所述计算机实施的分割过程还包括,(1)对所述多个并行分割过程的分割结果进行分组以识别相互类似的分割结果的组,并且(2)基于相互类似的分割结果和所述组来生成针对所述输入图像的最终分割结果。
一个优点在于提供了一种确定在图像分割过程中是否已经发生失败的鲁棒系统。
另一优点在于将确保适当分割所需的监督最小化。
另一优点在于提供了一种自知的图像分割过程。
通过阅读和理解本公开,对于本领域技术人员而言,其他优点将会变得显而易见。应理解,特定实施例可以不获得这些优点、获得这些优点中的一个、两个、更多个或全部。
附图说明
本发明可以采取各种部件和部件的布置,以及各种步骤和步骤的安排的形式。附图仅出于图示优选实施例的目的,并且不应被解释为对本发明的限制。
图1概略地示出了图像分割系统。
图2概略地示出了由图1的系统执行多个并行分割过程以产生鲁棒的输出分割结果的利用。
图3概略地示出了图像分割过程的替代实施例。
图4示出了超声前列腺图像分割的说明性范例。
具体实施方式
在本文中公开的分割方法中,应用统计学技术以提供能够自动评价输出分割结果的质量或可靠性的“自知的”分割。在一种公开的用于自知的分割的方法中,多个并行分割过程在以不同的分割过程初始化(例如由基准分割过程初始的随机扰动产生的)被执行。这些多个并行分割过程的结果被分组(例如被聚类)以识别相互类似的分割结果的最大组,相互类似的分割结果的所述最大组然后使用投票过程(加权)平均、或一些其他聚集技术来进行组合。该方法是“自知的”,因为聚类识别相互类似的(并且过去因此可能“正确的”)分割结果,而摒弃离群的(并且因此可能“错误的”)分割结果。另一方面,如果没有足够大和/或足够相互类似的分割结果的组能够被识别,那么总体分割失败由此被自动认识到。另一“自知的”方面在于“正确的”分割结果的方差、标准差、或其他统计学方差提供了针对输出分割结果不确定度区间或置信区间。
在另一公开的方法中,分割过程(在一些实施例中其可以包括如刚刚描述的多个并行分割过程)被应用于训练图像的集合,并且(1)如果分割结果被认为满意,则每个训练图像被标记为可分割的,或者(2)如果分割结果被认为不满意,则被标记为不可分割的。这些标记可以被手动地应用(例如通过让放射科医生或其他训练的医学专业人员评估分割结果)或者使用一些自动过程来进行应用。这些训练图像然后用来训练二元分类器,以将输入图像分类为可分割的或不可分割的。在推断阶段中,训练的二元分类器被应用于输入图像,以确定它是可分割的还是不可分割的。如果输入图像被分类为可分割的,那么由于输入图像已经成功通过了分类器,分割过程在高成功可能性的情况下被应用。如果输入图像被分类为不可分割的,那么一些补救过程被应用。例如,如果分类器在成像阶段期间被应用,那么补救过程可以是使用不同的成像配置来采集新的输入图像。作为另一范例,如果输入图像在被分类之前进行预处理,那么又一(可能不同的)预处理可以被应用。该方法是“自知的”,因为训练的二元分类器提供了关于输入图像是否可使用分割过程来进行分割的自动的知晓性。
参照图1,输入图像2在操作4中被任选地预处理。输入图像2可以是来自例如计算机断层摄影(CT)、磁共振(MR)、超声(US)、或其他医学成像源的图像,并且可以是二维(2D)图像(或图像切片)或三维(3D)图像(或图像体积)。预处理被完成,例如,以为随后的分割作准备。预处理可以包括对比增强、边缘检测、与参考图像或结构模型对齐的非刚性变形、各种如此预处理的图像的融合等。
在输入图像2被预处理之后,图像被发送给图像质量(IQ)二元分类器6。二元分类器6确定图像是否是可分割的,即,可以通过特定计算机实施的分割过程被成功地分割。换言之,分类器6将图像分类为可分割的或不可分割的。分类器如下所述地被训练,使得如果图像被分类为可分割的,那么计算机实施的分割过程将能够成功地对图像进行分割的可能性是高的;然而,如果图像被分类为不可分割的,那么计算机实施的分割过程将不能分割图像的可能性是高的。
如果图像被分类器6分类为不可分割的,那么在图示性的实施例中,分割失败被报告8,并且任选地采取一些进一步的补救措施,诸如执行进一步的预处理4(其可以是最初被执行的相同预处理、和/或一些不同类型的预处理的进一步迭代),或在操作10中手动地或半手动地分割图像(例如,由放射科医生操作图形用户接口以绘出特征周围的轮廓线)。更一般地,对图像被分类器6为不可分割的响应是执行一些补救措施。作为另一范例,如果分类器6在成像会话期间被执行(可能未执行预处理4),那么补救措施可以包括使用医学成像系统(例如CT、MR、US等)利用不同医学配置来采集新的输入图像。另一方面,如果图像被分类器6分类为可分割的,那么由于图像已经成功通过了分类器6,以高的成功可能性对输入(并且任选地预处理的)图像执行图像分割过程。
为了提供输入图像是否可由给定图像分割过程进行分割的准确预测,二元分类器6在针对该分割过程执行的训练阶段中进行训练。在一种方法中,具有(可能不同或受扰动的)预处理的训练图像使用选定的分割算法来进行分割,其中每个结果被标记(例如手动地)为成功或失败,以便创建标记的训练组输入图像。一组图像特征(包括例如图像直方图、梯度直方图、直方图时刻等)从每个训练图像进行提取,并且二元分类器6然后对特征向量进行训练,以最佳地区分可以使用分割算法成功地进行分割的图像与分割算法失败的图像。
在变体实施例中,二元分类器6可以在此后经过固定的预处理/分割管道并且关于它们是否被成功地分割进行标记的已采集的(未预处理的)图像上进行训练。在这种情况下,训练的分类器可以在成像阶段期间被应用于已采集的图像,以确认图像是否可以使用选定的预处理/分割渠管道成功地进行分割–如果否,那么能够立即采取以下形式的补救措施:使用不同图像采集设置来采集另外的图像,直至获得能够被成功地分割的图像。
继续参照图1并且现在进一步参照图2,如果二元分类器6确定图像可以被成功地分割,那么以高的成功可能性应用选定的计算机实施的分割过程。在图1和2的说明性范例中,选定的计算机实施的分割过程包括(在可选的预处理4之后)同时对图像执行的多个并行分割过程12。有利地,每个分割过程12可以不同于每个其他分割过程12。如本文中使用的,术语“计算机实施的”分割过程表示被计算机自动地(并且通常但不一定迭代地)执行而不依赖于从用户接收的输入(诸如用户绘出的轮廓,除了可能作为计算机实施的分割过程的初始化的一部分(例如,用户绘出的轮廓可以勾画此后计算机实施的分割过程自动适配到感兴趣的图像结构的初始网格))的分割过程。
运行多个并行分割过程任选地利用并行计算机资源(诸如多核计算机、计算集群、超级计算机、图像处理单元(GPU)等)来同时执行并行分割过程的该集合12,每个从不同的初始条件(例如不同的扰动的初始网格、或不同的种子点)开始。预期到,这些分割过程的大部分将会收敛到(相同的)正确解,并且因此类似于彼此。另一方面,分割失败将会输出(不同的)错误解。统计学分析方法(例如一致检查操作14)被用于识别相互类似的(正确的)结果的最大的组,并且摒弃(一个或多个)不相似的(错误的)结果的较小的组。这可以例如通过计算分割结果之间的成对相似性并且执行K均值聚类或另一聚类算法来完成。在组被识别的情况下,正确的结果(属于相互类似的分割结果的最大组的那些)被标记为潜在成功(PS),并且错误的结果(不属于相互类似的分割结果的最大组的那些)被标记为潜在失败(PF)。如果未获得相互类似的结果的足够大的组,那么在操作18中报告总体分割失败。
如果获得了相互类似的结果的足够大的组,那么这些通过平均或投票等进行聚集或组合以生成最终(正确的)分割结果,如在操作16中示出的。类似的(正确的)结果(即,被标记为PS的分割结果)的该组之间的统计学变化可以任选地用来提供针对输出分割结果的不确定度或置信区间。
为了提供在统计学意义上有用的信息,多个并行分割过程12应当采用不同的分割过程和/或不同的分割过程初始化。例如,在一种方法中,不同的分割过程初始化通过基准分割过程初始化的随机扰动(例如,初始网格的不同随机扰动)来生成。
在说明性范例中,每个分割结果被标记为PS或PF。这是独有的,即分割结果的硬分配。在变体实施例中,软分配可以被采用–例如,每个分割结果可以被标记有为PS的概率值PPS并且被标记有为PF的概率值PPF,其中对于每个分割结果,PPS在范围[0,1]内,PPF在范围[0,1]内,并且PPS+PPF=1。概率PPS和PPF可以例如基于特征向量空间中的距相互类似的分割结果的最大聚类的中心的距离来进行分配。在软分配实施例中,为了识别总体分割失败18的目的,可以对PPF进行阈值处理以提供其失败概率在阈值之上的分割结果的计数。
如在图2中具体图示的,在一些实施例中,多个并行分割过程12,每个都是迭代的分割过程。在这种情况下,一致检查14可以在每个迭代之后、或在一定数量N个迭代之后(或,替代地,在一些分割过程12已经运行比其他分割过程更多的迭代的一定执行时间之后)被应用。如果并行分割过程12的在任何检查迭代处都被标记为PF的分数超过总体失败阈值,则发出失败报告18。
摒弃错误的结果为总体聚类提供了增加的鲁棒性,这可以任选地用来允许针对同时运行的个体分割过程12使用更快、更简单的(但可能更不可靠的)分割过程,以便至少部分地补偿执行多个并行分割过程的增加的计算成本。摒弃错误的结果提供了技术优势,因为例如它减少了:(i)任何处理器上的处理负担、以及(ii)任何存储器中所需的存储空间。如之前提及的,如果可用的话,所公开的执行多个并行分割过程的方法还有效地使用并行计算资源。因此,所公开的分割方法改善了计算本身的性能。
参照图3,在一一变体实施例中,来自一致检查单元14的输出被发送回到二元分类器6。有利地,这允许在分割过程已经在图像上运行之后对该图像进行重新分类。该重新分类继而允许额外的预处理以针对随后的分割过程12更好地准备图像的可能。
图4图示了超声前列腺图像分割的范例。该范例使用统计学形状模型,并且该模型被持续更新以随着对象形状在视频中改变而适应局部形状变化。当每个视频帧的前列腺边界被准确地分割并且新的形状能够在线用于改进统计学形状模型时,该方法很好地工作。然而,一旦一组帧未被正确地分割,误差就可以复合或者累积并且传播通过分割的其余部分并且造成失败。该范例的工作流程如下。
在图4的范例中,在行/操作40中,首先通过使用从许多不同对象的经直肠超声(TRUS)视频序列获得的许多手动分割的轮廓来计算基于人群的全局形状统计(GPSS)。GPSS可变形轮廓用来独立地对从帧0到帧N-1的第一N个帧进行分割。GPSS中的平均形状被用来自动地初始化分割轮廓。得到的形状将会被存储。在此之后,在行/操作42中,初始自适应局部形状统计(ALSS)通过使用来自那N个帧的分割的轮廓来进行计算。该ALSS然后用作用于如在行/操作44中示出的分割下一个帧的可变形轮廓的形状约束。
随着该范例继续并且如在图4的行/操作42中示出的,使用ALSS的可变形轮廓将会转回去分割视频序列的第一帧,该第一帧现在被认为第N+1帧,其中之前的分割结果作为初始化。在完成分割之后,获得的前列腺形状将会被添加到训练形状组内。ALSS通过使用训练形状的新的集合来进行学习。借助于更新的ALSS,可变形轮廓移动到分割下一个帧。学习和分割过程被重复直至整个视频序列被分割。
自知失败检测的能力可以被添加在两个阶段处。第一阶段可以是多个并行分割过程12被应用于从一个帧到下一个帧的分割。代替使用单个初始化用于下一个帧分割,能够生成一组受扰动的初始化。因此,多个分割过程被创建,并且每个过程具有不同的初始化形状。如果分割进行得很好,来自不同过程的结果趋向于一致。否则,会获得显著不同的分割结果;这将会导致分割失败的怀疑,如通过图1的失败报告18指示的。自知失败检测可以被添加的第二阶段是分类器6用来分类帧的图像质量。如果帧的采集质量被分类为差的,则可以投出分割误差异常(例如图1的失败报告8)。如果质量被认为是好的,则问题可以在于具体分割方法。随后,另一替代性分割方法能够被调用,或手动交互能够被应用以便进行修正。
公开的图1的处理部件4、6、8、12、14、18通过电子数据处理设备(诸如计算机或并行计算系统)来合适地实现。如之前提到的,多个并行分割过程12可以有利地使用并行计算资源(多核计算机、计算集群、超级计算机、GPU等)来实施,以便有效地利用并行处理能力。分类器训练器5可以使用与用于处理输入图像2相同的计算机系统来实施,或可以由不同的计算机(诸如专用服务器)脱机地执行。手动分割10可以例如提供具有提供鼠标、触摸屏、或其他用户输入设备(用户可以经由其拖曳或者手动地勾画输入图像中的结构)的图形用户接口(GUI)的计算机来实施。
应进一步认识到,本文中公开的技术可以通过存储有可以由电子数据处理设备(诸如微处理器、GPU等)读取并执行的指令以执行公开的技术的非瞬态存储介质来体现。这样的非瞬态存储介质可以包括硬盘驱动器或其他磁性存储介质、光盘或其他光学存储介质、基于云的存储介质(诸如RAID盘阵列)、闪存或其他非易失性电子存储介质等。
当然,他人在阅读和理解本说明书后将进行修改和替代。目的是,本发明解释为包括所有这样的修改和替代,只要它们落入权利要求书及其等价方案的范围之内。
Claims (21)
1.一种用于对医学图像进行分割的装置,包括:
至少一个处理器,其被编程为:
对输入图像执行多个并行分割过程以生成多个分割结果;
将所述多个并行分割过程的每个分割结果标记为潜在成功(PS)或潜在失败(PF);并且
组合被标记为PS的分割结果以产生针对所述输入图像的输出分割结果。
2.根据权利要求1所述的装置,其中:
所述多个分割结果包括针对所述多个并行分割过程中的每个分割过程的中间分割结果和最终分割结果两者;并且
仅被标记为PS的最终分割结果被组合以产生针对所述输入图像的所述输出分割结果。
3.根据权利要求2所述的装置,其中,所述至少一个处理器还被编程为:
如果所述多个并行分割过程中的具有被标记为PF的中间分割结果的百分比到达预定阈值,则宣布总体失败。
4.根据权利要求1-3中的任一项所述的装置,其中,所述多个并行分割过程是迭代分割过程,所述多个分割结果包括由所述分割过程的非终止迭代产生的中间分割结果和由每个分割过程产生的最终分割结果两者,并且所述至少一个处理器还被编程为:
在所述迭代分割过程的每个迭代处,调节在将所述多个并行分割过程的每个分割结果标记为PS或PF中使用的测量标准。
5.根据权利要求1-4中的任一项所述的装置,其中,所述标记的操作包括:
识别相互类似的分割结果的最大组,其中:
属于相互类似的分割结果的所述最大组的分割结果被标记为PS;并且
不属于相互类似的分割结果的所述最大组的分割结果被标记为PF。
6.根据权利要求1-5中的任一项所述的装置,其中,所述多个并行分割过程采用不同的分割过程初始化。
7.根据权利要求6所述的装置,其中,所述不同的分割过程初始化通过对基准分割过程初始化的随机扰动来生成。
8.根据权利要求1-7中的任一项所述的装置,其中,所述至少一个处理器还被编程为:
基于被标记为PS的所述分割结果的统计学变化来生成针对所述输出分割结果的不确定度区间或置信区间。
9.根据权利要求1-8中的任一项所述的装置,其中,每个分割结果被标记有为PS的概率值PPS并且被标记有为PF的概率值PPF,其中,对于每个分割结果,PPS在范围[0,1]内,PPF在范围[0,1]内,并且PPS+PPF=1。
10.根据权利要求1-9中的任一项所述的装置,其中,所述至少一个处理器还被编程为,在对所述输入图像执行多个并行分割过程之前:
预处理所述输入图像;并且
利用二元分类器将所述输入图像分类为可分割的或不可分割的;
其中,只有所述输入图像被分类为可分割的时,所述多个并行分割过程才被执行。
11.根据权利要求10所述的装置,其中,所述预处理包括对所述输入图像执行以下中的至少一项:
平滑;
对比增强;
边缘检测;或者
非刚性变形。
12.根据权利要求10-11中的任一项所述的装置,其中,所述至少一个处理器还被编程为执行训练阶段,在所述训练阶段中,所述二元分类器通过接收多个训练图像而被训练,其中,所述多个训练图像中的每个训练图像被标记为可分割的或不可分割的。
13.一种图像分割方法,包括:
利用计算机实施的二元分类器将输入图像分类为使用计算机实施的分割过程可分割的或使用所述计算机实施的分割过程不可分割的;
如果所述输入图像被分类为可分割的,则使用所述计算机实施的分割过程来对所述输入图像进行分割;并且
如果所述输入图像被分类为不可分割的,执行补救过程。
14.根据权利要求13所述的方法,还包括:
在所述分类之前对所述输入图像的执行计算机实施的预处理,所述分类在经预处理的输入图像上执行;
其中,所述补救过程包括对所述输入图像执行另外的计算机实施的预处理。
15.根据权利要求13所述的方法,还包括:
使用医学成像系统来采集所述输入图像;
其中,所述补救过程包括使用所述医学成像系统利用不同的成像配置来采集新的输入图像。
16.根据权利要求13-15中的任一项所述的方法,还包括:
在所述分类之前执行的训练阶段期间,使用在每个都被标记为可分割的或不可分割的训练图像的集合上操作的计算机实施的训练过程来对所述二元分类器进行训练。
17.根据权利要求16所述的方法,其中,所述训练阶段还包括:
使用所述计算机实施的分割过程来对每个训练图像进行分割,并且基于所述分割的输出来将所述训练图像标记为可分割的或不可分割的。
18.根据权利要求13-17中的任一项所述的方法,其中,所述计算机实施的分割过程包括多个并行分割过程。
19.根据权利要求18所述的方法,其中,所述多个并行分割过程中的每个分割过程不同于所述多个并行分割过程中的每一其他分割过程。
20.根据权利要求18所述的方法,其中,所述多个并行分割过程中的每个分割过程具有通过对基准分割过程初始化的随机扰动生成的不同分割过程初始化。
21.根据权利要求18-20中的任一项所述的方法,其中,所述计算机实施的分割过程还包括(1)对所述多个并行分割过程的分割结果进行分组以识别相互类似的分割结果的组,并且(2)基于相互类似的分割结果的所述组来生成针对所述输入图像的最终分割结果。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201562163101P | 2015-05-18 | 2015-05-18 | |
US62/163,101 | 2015-05-18 | ||
PCT/IB2016/052425 WO2016185306A1 (en) | 2015-05-18 | 2016-04-29 | Self-aware image segmentation methods and systems |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107636725A true CN107636725A (zh) | 2018-01-26 |
Family
ID=55953331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680028720.6A Pending CN107636725A (zh) | 2015-05-18 | 2016-04-29 | 自知的图像分割方法和系统 |
Country Status (5)
Country | Link |
---|---|
US (2) | US10565711B2 (zh) |
EP (1) | EP3298581A1 (zh) |
JP (1) | JP2018517207A (zh) |
CN (1) | CN107636725A (zh) |
WO (1) | WO2016185306A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112996440A (zh) * | 2018-11-05 | 2021-06-18 | 株式会社岛津制作所 | X射线摄像装置 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10096110B2 (en) * | 2014-08-22 | 2018-10-09 | University Of South Florida | System and method for automated stereology of cancer |
US10991092B2 (en) * | 2018-08-13 | 2021-04-27 | Siemens Healthcare Gmbh | Magnetic resonance imaging quality classification based on deep machine-learning to account for less training data |
CN111210436B (zh) * | 2019-12-24 | 2022-11-11 | 中国科学院宁波工业技术研究院慈溪生物医学工程研究所 | 晶状体分割方法、装置及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6791576B1 (en) * | 2000-02-23 | 2004-09-14 | Neomagic Corp. | Gamma correction using double mapping with ratiometrically-related segments of two different ratios |
CN102646268A (zh) * | 2012-02-22 | 2012-08-22 | 中国科学院自动化研究所 | 基于统计多图谱配准优化的磁共振图像脑子结构自动分割方法 |
US20130094738A1 (en) * | 2011-10-14 | 2013-04-18 | Sarah Bond | Methods and apparatus for aligning sets of medical imaging data |
US20130182909A1 (en) * | 2012-01-16 | 2013-07-18 | Xerox Corporation | Image segmentation based on approximation of segmentation similarity |
CN103544712A (zh) * | 2013-11-12 | 2014-01-29 | 中国科学院自动化研究所 | 一种利用先验知识的人类外侧膝状体自动分割方法 |
CN103761736A (zh) * | 2014-01-14 | 2014-04-30 | 宁波大学 | 一种基于贝叶斯和谐度的图像分割方法 |
CN103778600A (zh) * | 2012-10-25 | 2014-05-07 | 北京三星通信技术研究有限公司 | 图像处理系统 |
CN103826536A (zh) * | 2011-09-26 | 2014-05-28 | 大日本印刷株式会社 | 医用图像处理装置、医用图像处理方法、程序 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6031935A (en) * | 1998-02-12 | 2000-02-29 | Kimmel; Zebadiah M. | Method and apparatus for segmenting images using constant-time deformable contours |
US7736313B2 (en) * | 2004-11-22 | 2010-06-15 | Carestream Health, Inc. | Detecting and classifying lesions in ultrasound images |
JP4800127B2 (ja) * | 2006-06-29 | 2011-10-26 | 富士フイルム株式会社 | 医用画像分割装置、及び、医用画像分割プログラム |
GB0917154D0 (en) * | 2009-09-30 | 2009-11-11 | Imp Innovations Ltd | Method and apparatus for processing medical images |
WO2016007518A1 (en) * | 2014-07-07 | 2016-01-14 | The Regents Of The University Of California | Automatic segmentation and quantitative parameterization of brain tumors in mri |
US9990712B2 (en) * | 2015-04-08 | 2018-06-05 | Algotec Systems Ltd. | Organ detection and segmentation |
WO2018074380A1 (ja) * | 2016-10-21 | 2018-04-26 | クラレノリタケデンタル株式会社 | 光学的立体造形用組成物 |
-
2016
- 2016-04-29 JP JP2017559400A patent/JP2018517207A/ja active Pending
- 2016-04-29 US US15/574,296 patent/US10565711B2/en active Active
- 2016-04-29 CN CN201680028720.6A patent/CN107636725A/zh active Pending
- 2016-04-29 WO PCT/IB2016/052425 patent/WO2016185306A1/en active Application Filing
- 2016-04-29 EP EP16721497.2A patent/EP3298581A1/en not_active Withdrawn
-
2020
- 2020-01-08 US US16/737,144 patent/US20200151882A1/en not_active Abandoned
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6791576B1 (en) * | 2000-02-23 | 2004-09-14 | Neomagic Corp. | Gamma correction using double mapping with ratiometrically-related segments of two different ratios |
CN103826536A (zh) * | 2011-09-26 | 2014-05-28 | 大日本印刷株式会社 | 医用图像处理装置、医用图像处理方法、程序 |
US20140341471A1 (en) * | 2011-09-26 | 2014-11-20 | Dai Nippon Printing Co., Ltd. | Medical image processing device, medical image processing method, program |
US20130094738A1 (en) * | 2011-10-14 | 2013-04-18 | Sarah Bond | Methods and apparatus for aligning sets of medical imaging data |
US20130182909A1 (en) * | 2012-01-16 | 2013-07-18 | Xerox Corporation | Image segmentation based on approximation of segmentation similarity |
CN102646268A (zh) * | 2012-02-22 | 2012-08-22 | 中国科学院自动化研究所 | 基于统计多图谱配准优化的磁共振图像脑子结构自动分割方法 |
CN103778600A (zh) * | 2012-10-25 | 2014-05-07 | 北京三星通信技术研究有限公司 | 图像处理系统 |
CN103544712A (zh) * | 2013-11-12 | 2014-01-29 | 中国科学院自动化研究所 | 一种利用先验知识的人类外侧膝状体自动分割方法 |
CN103761736A (zh) * | 2014-01-14 | 2014-04-30 | 宁波大学 | 一种基于贝叶斯和谐度的图像分割方法 |
Non-Patent Citations (11)
Title |
---|
HADY AHMADY PHOULADY 等: "Experiments with large ensembles for segmentation and classification of cervical cancer biopsy images", 《2014 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS, MAN, AND CYBERNETICS (SMC)》 * |
HADY AHMADY PHOULADY 等: "Experiments with large ensembles for segmentation and classification of cervical cancer biopsy images", 《2014 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS, MAN, AND CYBERNETICS (SMC)》, 5 October 2014 (2014-10-05), pages 872 * |
JOSEPH UCHILL 等: "classification of segmentable images using the pdd function", 《PROCEEDINGS 2003 INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 * |
JOSEPH UCHILL 等: "classification of segmentable images using the pdd function", 《PROCEEDINGS 2003 INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》, 14 September 2003 (2003-09-14), pages 1 - 4 * |
P. ALJABAR 等: "Classifier Selection Strategies for Label Fusion Using Large Atlas Databases", 《INTERNATIONAL CONFERENCE ON MEDICAL IMAGE COMPUTING AND COMPUTER ASSISTED INTERVENTION MICCAI 2007》 * |
P. ALJABAR 等: "Classifier Selection Strategies for Label Fusion Using Large Atlas Databases", 《INTERNATIONAL CONFERENCE ON MEDICAL IMAGE COMPUTING AND COMPUTER ASSISTED INTERVENTION MICCAI 2007》, 29 October 2007 (2007-10-29), pages 523 - 531, XP047462087, DOI: 10.1007/978-3-540-75757-3_64 * |
SIMON K. WARFIELD 等: "Simultaneous Truth and Performance Level Estimation (STAPLE): An Algorithm for the Validation of Image Segmentation", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
SIMON K. WARFIELD 等: "Simultaneous Truth and Performance Level Estimation (STAPLE): An Algorithm for the Validation of Image Segmentation", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》, vol. 23, no. 7, 31 July 2004 (2004-07-31), pages 903 - 921, XP001245958, DOI: 10.1109/TMI.2004.828354 * |
YIJUN HUANG 等: "signal quality assessment of retinal optical coherence tomography images", 《INVESTIGATIVE OPTHALMOLOGY & VISUAL SCIENCE》 * |
YIJUN HUANG 等: "signal quality assessment of retinal optical coherence tomography images", 《INVESTIGATIVE OPTHALMOLOGY & VISUAL SCIENCE》, vol. 53, no. 4, 24 April 2012 (2012-04-24), pages 2133 - 2141, XP055285915, DOI: 10.1167/iovs.11-8755 * |
李锋刚: "《基于案例推理的智能决策技术》", 31 January 2011, 安徽大学出版社, pages: 68 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112996440A (zh) * | 2018-11-05 | 2021-06-18 | 株式会社岛津制作所 | X射线摄像装置 |
Also Published As
Publication number | Publication date |
---|---|
EP3298581A1 (en) | 2018-03-28 |
US20180130213A1 (en) | 2018-05-10 |
US10565711B2 (en) | 2020-02-18 |
JP2018517207A (ja) | 2018-06-28 |
WO2016185306A1 (en) | 2016-11-24 |
US20200151882A1 (en) | 2020-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11403750B2 (en) | Localization and classification of abnormalities in medical images | |
JP6623265B2 (ja) | 偽陽性低減での小結節検出 | |
US11275976B2 (en) | Medical image assessment with classification uncertainty | |
US8908948B2 (en) | Method for brain tumor segmentation in multi-parametric image based on statistical information and multi-scale structure information | |
US9135695B2 (en) | Method for creating attenuation correction maps for PET image reconstruction | |
US9576356B2 (en) | Region clustering forest for analyzing medical imaging data | |
JP2019531783A5 (zh) | ||
US9014456B2 (en) | Computer aided diagnostic system incorporating appearance analysis for diagnosing malignant lung nodules | |
US20200151882A1 (en) | Self-aware image segmentation methods and systems | |
EP3806035A1 (en) | Reducing false positive detections of malignant lesions using multi-parametric magnetic resonance imaging | |
US9280819B2 (en) | Image segmentation techniques | |
US9142029B2 (en) | Region extraction apparatus, method and program | |
US10828000B2 (en) | Medical image data analysis | |
CN102737250A (zh) | 3d医学图像数据中对脊椎骨损伤自动检测的方法和系统 | |
US11120297B2 (en) | Segmentation of target areas in images | |
US9317926B2 (en) | Automatic spinal canal segmentation using cascaded random walks | |
US20220301156A1 (en) | Method and system for annotation efficient learning for medical image analysis | |
US9947094B2 (en) | Medical image processing device, operation method therefor, and medical image processing program | |
US10395773B2 (en) | Automatic characterization of Agatston score from coronary computed tomography | |
US20230222771A1 (en) | Method and system for automatic classification of radiographic images having different acquisition characteristics | |
WO2023104464A1 (en) | Selecting training data for annotation | |
Bi et al. | Automated thresholded region classification using a robust feature selection method for PET-CT | |
Sharp | Two basic rules for valid contouring | |
Shakir | Early detection of lung cancer | |
Aliyar et al. | Adaptive Multilevel Patch Based Lung Nodule Classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180126 |