CN108010048A - 一种基于多图谱的自动脑部mri图像的海马体分割方法 - Google Patents
一种基于多图谱的自动脑部mri图像的海马体分割方法 Download PDFInfo
- Publication number
- CN108010048A CN108010048A CN201711270733.7A CN201711270733A CN108010048A CN 108010048 A CN108010048 A CN 108010048A CN 201711270733 A CN201711270733 A CN 201711270733A CN 108010048 A CN108010048 A CN 108010048A
- Authority
- CN
- China
- Prior art keywords
- hippocampus
- image
- collection
- atlas
- illustrative plates
- 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
- 210000001320 hippocampus Anatomy 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 71
- 210000004556 brain Anatomy 0.000 title claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims abstract description 61
- 239000011159 matrix material Substances 0.000 claims abstract description 38
- 239000003550 marker Substances 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 210000000746 body region Anatomy 0.000 claims 1
- 239000012141 concentrate Substances 0.000 claims 1
- 238000000605 extraction Methods 0.000 claims 1
- 238000001228 spectrum Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 4
- 230000004927 fusion Effects 0.000 description 6
- 238000007500 overflow downdraw method Methods 0.000 description 6
- 238000002372 labelling Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- PTLRDCMBXHILCL-UHFFFAOYSA-M sodium arsenite Chemical compound [Na+].[O-][As]=O PTLRDCMBXHILCL-UHFFFAOYSA-M 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 210000004727 amygdala Anatomy 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000000971 hippocampal effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009466 transformation 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
- G06T7/174—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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
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)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明属于医学图像处理技术领域，公开了一种基于多图谱的自动脑部MRI图像的海马体分割方法，包括(1)采用非刚性配准方法对图谱集与待分割脑部MRI图像进行配准；(2)计算图谱图像与目标图像的相似度，构造选择最有利于目标图像海马体分割的相似图谱；(3)获取图谱图像的置信度加权概率矩阵；建立基于相似图谱的上下文模型；结合图谱图像的置信度概率加权矩阵和上下文模型得到目标图像中的海马体分割结果；本发明通过发掘图谱图像中用于分割海马体的图像特征和信息，在控制时间复杂度的情况下得到精确的海马体分割结果，克服现有技术对脑部MRI图像进行海马体自动分割精确度不高的问题。
Description
技术领域
本发明属于医学图像处理技术领域，更具体地，涉及一种基于多图谱的自动脑部MRI图像的海马体分割方法。
背景技术
目前对海马体的标记主要是基于脑部MRI(磁共振图像，又称Magnetic ResonanceImage，MRI)图像进行海马体的分割，把海马体所在的区域或边界识别出来；利用多个图谱图像提供的信息给脑部MRI图像标记的方法称为多图谱的标记方法。
多图谱的标记方法主要包括两步：(1)将所有的图谱与目标图像在空间上进行配准，使得图谱的信息能够足够精准的映射到待分割的目标图像中。(2)用标签融合的策略将每个图谱提供的标签进行评估以得到目标图像的分割结果。此外，还有一些方法在配准之后进行图谱选择，剔除与目标图像相似度低的图谱从而提高标签融合的精度。上述基于图谱的方法依赖于配准的精度，由于不同个体的脑结构存在差异，使用单个脑图谱配准难以取得较好的效果，因此越来越多地使用多图谱来进行配准。Khan等人提出了一种基于体素权重选择的多图谱分割方法，结合对局部配准精度估计的动态信息进行有监督学习的方法来分割海马体。Chupin等人则将从概率图谱和解剖标志点中得到的知识相结合，提出了一种混合的海马体和杏仁核分割方法。而Lijn等人则通过图论分割的方法来结合由概率图谱提供的空间先验知识、灰度模型以及体素的邻域模型分割海马体。
在图谱选择的研究方面，Rohlfing等人对包括向单个图谱配准、向平均形状图谱配准、向图谱数据库中的最相似图谱配准以及向经多分类器决策融合后的图谱数据库中的所有图谱配准等四种不同的图谱选择方法进行了比较，结果表明最后一种图谱选择方法的结果最好，表明图谱的选择对于提高基于图谱的分割方法尤其是采用多分类器的方法的分割精度有重要影响；Fan等人也比较了在使用参数可变模型时选择四种不同图谱集的分割效果，结果显示使用图谱比不使用图谱的结果要好，使用多图谱比使用单图谱的结果要好。
基于图谱配准的分割方法可以充分利用图谱提供的标记信息，可以实现较好的分割效果。但由于图谱与待分割图像之间毕竟存在差异，有时这种差异还比较大，因此分割精度还有待提高。为了解决图谱与待分割图像之间的差异所导致的分割精度不高的问题，人们提出了对图谱中信息根据与待分割图像之间的相符程度来区别使用图谱的方法，如Khan等人在图谱配准过程中灵活地设置了权值，如对小结构赋予大权值，为可信度低的通道数据赋予小权值等；Wang等人使用一个新的分类器集成算法来校正多图谱分割方法的分割误差，该算法通过最优化梯度上升来搜索最大似然性方案。此外，基于图谱的方法大多使用全局的灰度模型来分类体素。还有研究者用图谱方法结合其它信息或方法来分割，如Lijn等人利用表观模型结合图谱对海马体进行了分割，取得了较好效果。但这类方法通常会涉及多个需要估计的参数，因此实现起来相当困难。
基于提高配准精度的分割方法通常能够取得较好的分割效果，然而这些精确的配准方法通常需要较长计算时间，且这些方法往往针对目标图像进行大量的参数设置从而降低了算法的鲁棒性。
基于图谱选择的方法能够有效的减少用于自动分割所需要的计算资源，然而这些算法在图谱选择的过程中丢失掉了图谱中部分有用信息，从而影响了分割精度。
基于图像融合的方法能够有效利用待分割目标的局部特征信息，然而这些方法无法全局的考虑图谱与目标图像之间的差异，影响到分割精度。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于多图谱的自动脑部MRI图像的海马体分割方法，其目的在于提高现有的对脑部MRI图像中海马体自动分割的精度不高的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于多图谱的自动脑部MRI图像的海马体分割方法，包括如下步骤：
(1)采用非刚性配准方法对图谱集与待分割脑部MRI图像进行配准；
(2)计算图谱图像与目标图像的相似度，构造选择最有利于目标图像海马体分割的相似图谱；
(3)获取图谱图像的置信度加权概率矩阵；建立基于相似图谱的上下文模型；结合图谱图像的置信度概率加权矩阵和上下文模型得到目标图像中的海马体分割结果。
优选地，上述的海马体分割方法，其步骤(2)计算图谱图像与目标图像相似性时，以海马体为中心来进行度量，按图像中每个体素离海马体的远近相应地对其相似性赋予高低不等的评价权重，然后利用这些评价权重参与度量图谱图像与目标图像的相似度。
优选地，上述的海马体分割方法，其步骤(3)获取图谱图像的置信度加权概率矩阵时，对于待分割图像中每一个体素，根据其在局部区域与每幅经配准后的图谱的同一局部区域的相似度，计算每幅图谱在该体素位置的置信度，将置信度作为权值对各图谱进行加权统计得到基于置信度的加权概率矩阵。
优选地，上述的海马体分割方法，其步骤(3)中，在建立基于相似图谱的上下文模型的方法为：从每一个相似图谱中提取有用的图像特征，包括平均灰度、梯度、曲率、纹理、形状，利用分类器进行训练获得图谱上下文模型。
优选地，上述的海马体分割方法，其步骤(3)中，训练基于相似图谱的上下文模型时采用的图像特征还包括图谱图像对应的标记图像所包含的标记位信息。
优选地，上述的海马体分割方法，采用随机森林作为分类器来训练获得基于相似图谱的上下文模型。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)本发明提供的基于多图谱的自动脑部MRI图像的海马体分割方法，发掘图谱图像中用于分割海马体的图像特征和信息，充分利用图谱图像提供的标记信息，在控制时间复杂度的情况下得到精确的海马体分割结果；由于采用相似图谱选择可剔除掉那些与目标图像差异较大的图谱从而减少错误信息的输入，而考虑置信度加权概率矩阵和上下文模型能够同时从局部和全局来获取图谱提供的信息，获取更多的信息因而能够得到更加精确的分割结果；克服了现有技术对脑部MRI图像进行海马体分割精确度不高的问题；为基于海马体疾病诊断和医学研究提供技术手段，也为其他类似的图像分割问题提供新的解决思路；
(2)按照本发明提供的基于多图谱的自动脑部MRI图像的海马体分割方法，一方面将新的MRI图像根据已有的图谱提供的信息来预测该新MRI图像分割的结果，实现对MRI图像的自动分割。另一方面，由于该方法进行了相似图谱选择，减少了待处理图谱的数量；并且采用了置信度加权概率矩阵和基于相似图谱的上下文模型使得本方法的鲁棒性更好，降低了对于图像配准的精度要求，从而减少了海马体分割的计算量。这样做一方面可降低对处理器的要求，另一方面可缩短处理时长；在控制计算量的情况下对脑部MRI图像的海马体进行自动的分割，并且提供精确的分割结果。
(3)本发明提供的基于多图谱的自动脑部MRI图像的海马体分割方法，与现有技术相比，具有以下区别：
第一、本发明采用相似图谱的方法进行图谱选择，而现有技术中的一些方法是没有做图谱选择的，另外一些进行了图谱选择但选择的依据不一样；本发明采用相似图谱选择，相似图谱能够为后续的计算提供相关数据；
第二，本发明采用置信度加权概率矩阵代替传统的加权概率矩阵；通常生成概率图谱的做法是简单地将与待分割图像配准后的各图谱中同一体素的标记情况进行统计利用，即对待分割图像中的每一个体素，统计所有配准后的图谱里与该体素处于相同位置的体素被标记为海马体的概率，所有体素对应的概率形成的对应图像即为概率图谱。其缺陷在于，它并没有考虑到图谱与待分割图像之间的差异程度的不同，而只是简单地等同对待每个图谱和图谱中的每个体素。当图谱与待分割图像的局部差异较大时，图谱的局部标记结果对该局部区域的分割的参考价值就会很小，甚至会误导出错误的分割结果。而本发明采用置信度的思想，即在处理待分割图像中的每一个体素时，根据该体素所在的局部区域与每幅经配准后的图谱的同一局部区域的相似度，计算每幅图谱在该体素位置的置信度，将置信度作为权值对各图谱进行加权统计得到基于置信度的加权概率矩阵，再将这个矩阵来代替概率图谱使用，由于与待分割图像体素的局部区域相似度大的图谱体素在统计中的权重较大，因而所统计得到的基于置信度的加权概率矩阵的对应元素处的信息也就更具有可信度；
第三，本发明的方法综合考虑了置信度加权概率矩阵和上下文模型，使得该方法更具有鲁棒性。
附图说明
图1是本发明提供的基于多图谱的自动脑部MRI图像的海马体分割方法的一个实施例的流程示意图。
图2是实施例中的图像邻域示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
参照图1，是本发明提供的基于多图谱的自动脑部MRI图像的海马体分割方法的流程示意图，包括如下步骤：
(1)采用非刚性配准方法对图谱集与待分割脑部MRI图像进行配准；
(2)计算图谱图像与目标图像的相似度，构造选择最有利于目标图像海马体分割的相似图谱；
(3)获取图谱图像的置信度加权概率矩阵；建立基于相似图谱的上下文模型；结合图谱图像的置信度概率加权矩阵和上下文模型得到目标图像中的海马体分割结果。
以下对上述方法进行具体的阐述。
(1)采用非刚性配准方法对图谱集与待分割脑部MRI图像进行配准；
具体的来说，一个图像配准定义为从一个移动图谱图像M(x)通过一个几何变换T(x):R3→R3，使得变换后的图谱图像与参考的图像或者固定图像F(x)尽可能的相似；
令SIM为相似性测量函数，则从M(x)配准到F(x)的过程可表示成使得形变后的M(x)与F(x)尽可能的相似，即实施例中采用elastix 4.7作为配准工具。
(2)采用以海马体为中心的加权相似性度量方法进行相似图谱的选择；包括如下子步骤：
(2.1)对于一个配准到目标图像的图谱，计算获取该图谱中位于海马体区域的各体素与目标图像的相似度权重，包括如下子步骤；
(2.1.1)获取各体素到海马体中心的距离d1；
(2.1.2)获取各体素配准到目标图像时产生的偏移量d2；
(2.1.3)获得图谱Ai的各体素的相似度
(2.1.4)获得图谱Ai的各体素相对于目标图像的相似度权重
其中，图谱Ai为一个配准到目标图像的图谱的体素集；Ai(x)为该图谱中位于海马体区域的体素集，其中x∈Ωi；Ωi为图谱Ai的海马体区域。
体素集Ai(x)离海马体中心越近其置信度越高，配准时的偏移量越低相似度越高；
计算图谱图像与目标图像相似性时，以海马体为中心来进行度量，即按图像中每个体素离海马体的远近相应地对其相似性给予高低不等的评价权重，然后利用这些权重参与度量图谱图像与目标图像的相似度。
(2.2)将上述各体素的相似度权重相加并且归一化得到该图谱对于目标图像的相似度；
(2.3)计算配准后图谱集中每一个图谱与目标图像的相似度权值，选取相似度高的图谱图像作为用于分割的相似图谱；实施例中，通过统计图谱图像的相似度权值并对其进行排序，取相似度权值在前50％的图谱图像作为用于分割的图谱集。
(3)获取图谱图像的置信度加权概率矩阵并建立基于相似图谱的上下文模型；结合图谱图像的置信度概率加权矩阵和上下文模型，提取相似图谱集提供的信息来对目标图像进行海马体分割，得到目标图像中的海马体分割结果；具体包括如下子步骤：
(3.1)获取体素x的置信度加权概率矩阵，具体如下：
(3.1.1)参照图2，将相似图谱集中以某一体素x为中心的邻域Ni(x)与目标图谱中以某一体素x为中心的邻域Nt(x)的相似度作为图谱i在x处的置信度
(3.1.2)根据上述的置信度ci(x)，获取具有n个图谱的相似图谱集对于体素x的置信度矩阵C(x)＝[c1(x) c2(x) ... cn(x)]；
(3.1.3)根据上述的置信度矩阵获取某一相似图谱i在x处的置信度加权概率
(3.1.4)根据上述的置信度加权概率获取体素x的置信度加权概率矩阵Pc(x)＝[p1(x) p2(x) ... pn(x)]；其中，n是指相似图谱集中图谱的个数。
(3.2)建立基于相似图谱的上下文模型，具体为：
从每一个相似图谱中提取有用的图像特征，利用分类器进行训练从而得到相似图谱的上下文模型；本实施例中，采用随机森林作为分类器来训练基于相似图谱的上下文模型；训练上下文模型所采用的图像特征包括平均灰度、梯度、曲率、纹理、形状信息，还包括图谱图像对应的标记图像所包含的标记位信息；
根据相似图谱的上下文模型获得体素x的上下文模型概率矩阵
其中，fx是指体素x处的特征向量，Fi为相似图谱i训练得出的上下文模型，Fi(fx)为图谱i的上下文模型对于体素x预测其属于海马体的概率；
(3.3)结合基于置信度加权概率矩阵和上述上下文模型，提取相似图谱集提供的信息来对目标图像进行海马体分割；
(3.3.1)由置信度加权概率矩阵和上下文模型预测某一体素x属于海马体的概率P(x)＝||Pc(x)||+α||Pm(x)||；
其中，||·||为取矩阵模的运算符号，α∈[0,1]为比例因子，实施例中取α＝0.5。
(3.3.2)根据上述的概率获得目标图像的海马体分割结果集合T＝{x|P(x)>＝β}；β为一个预设的大于0小于1的阈值，实施例中取0.5；在集合T中的元素则判定为属于海马体的体素。
以下是采用现有技术的方法与上述实施例提供的方法对脑部MRI图像的海马体分割的实验数据；实验在数据集IBRS上进行，该数据集包括18个脑部T1的MRI图像以及对应的专家标号，分别采用基于多数投票表决的图谱标签融合方法MV(Majority Voting)、基于非局部加权的图谱标签融合方法NPBL(Nonlocal Patch-Based Label Fusion)和基于图谱灰度块稀疏表示的图谱标签融合方法SPBL(Sparse Patch-Based Label Fusion)与实施例提供的方法进行对比，采用目前在脑MRI图像分割中应用最广泛的性能量化指标重叠率(Diceratio)来对实验结果进行评估，其计算公式如下所示；
对比结果如下：采用多数投票表决的图谱标签融合方法MV的重叠率为79.42±3.44，采用基于非局部加权的图谱标签融合方法NPBL重叠率为80.92±3.02，采用基于图谱灰度块稀疏表示的图谱标签融合方法SPBL的重叠率为81.86±2.72；采用实施例的方法的重叠率为84.20±2.77；实验结果表明采用本发明的上述实施例提供的基于多图谱的自动脑部MRI图像的海马体分割方法在分割精度上较现有技术有提高。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多图谱的自动脑部MRI图像的海马体分割方法，其特征在于，包括如下步骤：
(1)采用非刚性配准方法对图谱集与待分割脑部MRI图像进行配准；
(2)计算图谱图像与目标图像的相似度，并采用以海马体为中心的加权相似性度量方法根据相似度选取最有利于目标图像海马体分割的相似图谱；
(3)获取图谱图像的置信度加权概率矩阵；建立基于相似图谱的上下文模型；结合图谱图像的置信度概率加权矩阵和上下文模型，提取相似图谱集提供的信息来对目标图像进行海马体分割，得到目标图像中的海马体分割结果。
2.如权利要求1所述的海马体分割方法，其特征在于，所述步骤(2)中，以海马体为中心来进行度量，按图谱图像中每个体素离海马体的远近相应地对其相似性赋予高低不等的评价权重，利用所述评价权重参与度量图谱图像与目标图像的相似度。
3.如权利要求1或2所述的海马体分割方法，其特征在于，所述步骤(2)具体包括如下子步骤：
(2.1)对于一个配准到目标图像的图谱，计算获取所述图谱中位于海马体区域的各体素与目标图像的相似度权重；
(2.2)将所述相似度权重相加并且归一化得到所述图谱对于目标图像的相似度；
(2.3)获取配准后图谱集中每一个图谱与目标图像的相似度权值，根据相似度权值进行排序，选取相似度高的图谱图像作为用于分割的相似图谱。
4.如权利要求3所述的海马体分割方法，其特征在于，所述步骤(2.1)包括如下子步骤：
(2.1.1)获取体素集Ai(x)的体素到海马体中心的距离d1；
(2.1.2)获取所述体素配准到目标图像时产生的偏移量d2；
(2.1.3)获得图谱Ai的各体素的相似度
(2.1.4)获得图谱Ai的各体素相对于目标图像的相似度权重
其中，图谱Ai为一个配准到目标图像的图谱的体素集；Ai(x)为该图谱中位于海马体区域的体素集，其中x∈Ωi，Ωi为图谱Ai的海马体区域。
5.如权利要求1或2所述的海马体分割方法，其特征在于，所述步骤(3)获取图谱图像的置信度加权概率矩阵时，对于待分割图像中每一个体素，根据其在局部区域与每幅经配准后的图谱的同一局部区域的相似度，计算每幅图谱在该体素位置的置信度，将置信度作为权值对各图谱进行加权统计得到基于置信度的加权概率矩阵。
6.如权利要求1或5所述的海马体分割方法，其特征在于，所述步骤(3)获取图谱图像的置信度加权概率矩阵的方法，包括如下子步骤：
(3.1.1)将相似图谱集中以某一体素x为中心的邻域Ni(x)与目标图谱中以某一体素x为中心的邻域Nt(x)的相似度作为图谱i在x处的置信度
(3.1.2)根据所述的置信度ci(x)，获取具有n个图谱的相似图谱集对于体素x的置信度矩阵C(x)＝[c1(x) c2(x) ... cn(x)]；
(3.1.3)根据所述的置信度矩阵获取某一相似图谱i在x处的置信度加权概率
(3.1.4)根据所述的置信度加权概率获取体素x的置信度加权概率矩阵Pc(x)＝[p1(x)p2(x) ... pn(x)]；其中，n是指相似图谱集中图谱的个数。
7.如权利要求1或6所述的海马体分割方法，其特征在于，其步骤(3)中，从每一个相似图谱中提取有用的图像特征，利用分类器进行训练获得图谱上下文模型；
并根据相似图谱的上下文模型获得体素x的上下文模型概率矩阵
其中，fx是指体素x处的特征向量，Fi为相似图谱i训练得到的上下文模型，Fi(fx)是指图谱i的上下文模型对于体素x预测其属于海马体的概率。
8.如权利要求1或6所述的海马体分割方法，其特征在于，其步骤(3)中，结合基于置信度加权概率矩阵和上下文模型提取相似图谱集提供的信息来对目标图像进行海马体分割的方法包括如下子步骤；
(3.3.1)由置信度加权概率矩阵和上下文模型预测某一体素x属于海马体的概率P(x)＝||Pc(x)||+α||Pm(x)||；
其中，||·||为取矩阵模的运算符号，α∈[0,1]为比例因子；
(3.3.2)根据所述的概率获得目标图像的海马体分割结果集合T＝{x|P(x)>＝β}；在集合T中的元素则判定为属于海马体的体素，其中，β为一个预设的大于0小于1的阈值。
9.如权利要求1或2所述的海马体分割方法，其特征在于，所述步骤(3)中，训练基于相似图谱的上下文模型时采用的图像特征包括图谱图像对应的标记图像所包含的标记位信息。
10.如权利要求1或2所述的海马体分割方法，其特征在于，采用随机森林作为分类器来训练获得基于相似图谱的上下文模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711270733.7A CN108010048B (zh) | 2017-12-05 | 2017-12-05 | 一种基于多图谱的自动脑部mri图像的海马体分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711270733.7A CN108010048B (zh) | 2017-12-05 | 2017-12-05 | 一种基于多图谱的自动脑部mri图像的海马体分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108010048A true CN108010048A (zh) | 2018-05-08 |
| CN108010048B CN108010048B (zh) | 2020-10-02 |
Family
ID=62057005
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711270733.7A Active CN108010048B (zh) | 2017-12-05 | 2017-12-05 | 一种基于多图谱的自动脑部mri图像的海马体分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108010048B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242865A (zh) * | 2018-09-26 | 2019-01-18 | 上海联影智能医疗科技有限公司 | 基于多图谱的医学图像自动分区系统、方法、装置及存储介质 |
| CN109886944A (zh) * | 2019-02-02 | 2019-06-14 | 浙江大学 | 一种基于多图谱的脑白质高信号检测和定位方法 |
| CN110599434A (zh) * | 2019-09-03 | 2019-12-20 | 哈尔滨理工大学 | 一种结合像素灰度概率信息的图谱标签融合方法 |
| CN111144488A (zh) * | 2019-12-27 | 2020-05-12 | 之江实验室 | 一种基于邻近共同预测的病理切片视野分类提升方法 |
| CN113506248A (zh) * | 2021-06-24 | 2021-10-15 | 电子科技大学 | 一种融合mri形态学多指标的方法 |
| US11227390B2 (en) | 2018-09-26 | 2022-01-18 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image processing |
| CN114096993A (zh) * | 2019-07-02 | 2022-02-25 | 阿西斯特医疗系统有限公司 | 图像分割置信度确定 |
| CN116703955A (zh) * | 2023-08-04 | 2023-09-05 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 磁共振图像的海马体时间纵向分割方法及计算机设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1956007A (zh) * | 2005-10-24 | 2007-05-02 | 中国科学院自动化研究所 | 基于局部和全局区域不相似性度量的变分分割方法 |
| US20120177263A1 (en) * | 2010-07-30 | 2012-07-12 | Akinola Akinyemi | Image segmentation |
| CN105719293A (zh) * | 2016-01-20 | 2016-06-29 | 东北大学 | 一种脑部mri图像分割方法 |
| CN105957066A (zh) * | 2016-04-22 | 2016-09-21 | 北京理工大学 | 基于自动上下文模型的ct图像肝脏分割方法及系统 |
| US20170018089A1 (en) * | 2014-02-28 | 2017-01-19 | International Business Machines Corporation | Segmentation Using Hybrid Discriminative Generative Label Fusion of Multiple Atlases |
-
2017
- 2017-12-05 CN CN201711270733.7A patent/CN108010048B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1956007A (zh) * | 2005-10-24 | 2007-05-02 | 中国科学院自动化研究所 | 基于局部和全局区域不相似性度量的变分分割方法 |
| US20120177263A1 (en) * | 2010-07-30 | 2012-07-12 | Akinola Akinyemi | Image segmentation |
| US20170018089A1 (en) * | 2014-02-28 | 2017-01-19 | International Business Machines Corporation | Segmentation Using Hybrid Discriminative Generative Label Fusion of Multiple Atlases |
| CN105719293A (zh) * | 2016-01-20 | 2016-06-29 | 东北大学 | 一种脑部mri图像分割方法 |
| CN105957066A (zh) * | 2016-04-22 | 2016-09-21 | 北京理工大学 | 基于自动上下文模型的ct图像肝脏分割方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 刘宏等: "基于加权相似性度量的脑MR图像特定组织分割", 《计算机学报》 * |
| 张雷: "基于多权重概率图谱的脑部图像分割", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11227390B2 (en) | 2018-09-26 | 2022-01-18 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image processing |
| CN109242865A (zh) * | 2018-09-26 | 2019-01-18 | 上海联影智能医疗科技有限公司 | 基于多图谱的医学图像自动分区系统、方法、装置及存储介质 |
| US11615535B2 (en) | 2018-09-26 | 2023-03-28 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for image processing |
| CN109242865B (zh) * | 2018-09-26 | 2020-09-25 | 上海联影智能医疗科技有限公司 | 基于多图谱的医学图像自动分区系统、方法、装置及存储介质 |
| CN109886944A (zh) * | 2019-02-02 | 2019-06-14 | 浙江大学 | 一种基于多图谱的脑白质高信号检测和定位方法 |
| CN109886944B (zh) * | 2019-02-02 | 2019-11-22 | 浙江大学 | 一种基于多图谱的脑白质高信号检测和定位方法 |
| CN114096993A (zh) * | 2019-07-02 | 2022-02-25 | 阿西斯特医疗系统有限公司 | 图像分割置信度确定 |
| CN110599434A (zh) * | 2019-09-03 | 2019-12-20 | 哈尔滨理工大学 | 一种结合像素灰度概率信息的图谱标签融合方法 |
| CN110599434B (zh) * | 2019-09-03 | 2023-06-30 | 哈尔滨理工大学 | 一种结合像素灰度概率信息的图谱标签融合方法 |
| CN111144488A (zh) * | 2019-12-27 | 2020-05-12 | 之江实验室 | 一种基于邻近共同预测的病理切片视野分类提升方法 |
| CN111144488B (zh) * | 2019-12-27 | 2023-04-18 | 之江实验室 | 一种基于邻近共同预测的病理切片视野分类提升方法 |
| CN113506248A (zh) * | 2021-06-24 | 2021-10-15 | 电子科技大学 | 一种融合mri形态学多指标的方法 |
| CN113506248B (zh) * | 2021-06-24 | 2023-05-23 | 电子科技大学 | 一种融合mri形态学多指标的方法 |
| CN116703955A (zh) * | 2023-08-04 | 2023-09-05 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 磁共振图像的海马体时间纵向分割方法及计算机设备 |
| CN116703955B (zh) * | 2023-08-04 | 2024-03-26 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 磁共振图像的海马体时间纵向分割方法及计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108010048B (zh) | 2020-10-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108010048A (zh) | 一种基于多图谱的自动脑部mri图像的海马体分割方法 | |
| Wan et al. | Accurate segmentation of overlapping cells in cervical cytology with deep convolutional neural networks | |
| 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 | |
| CN111640120B (zh) | 一种基于显著性密集连接扩张卷积网络的胰腺ct自动分割方法 | |
| WO2018108129A1 (zh) | 用于识别物体类别的方法及装置、电子设备 | |
| CN110060235A (zh) | 一种基于深度学习的甲状腺结节超声图像分割方法 | |
| WO2019001208A1 (zh) | 一种oct图像中脉络膜新生血管分割算法 | |
| CN108288271A (zh) | 基于三维残差网络的图像检测系统及方法 | |
| CN108898606A (zh) | 医学图像的自动分割方法、系统、设备及存储介质 | |
| CN107464250A (zh) | 基于三维mri图像的乳腺肿瘤自动分割方法 | |
| CN112101451A (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
| WO2013091186A1 (zh) | 多参数三维磁共振图像脑肿瘤分割方法 | |
| Liu et al. | A fast weak-supervised pulmonary nodule segmentation method based on modified self-adaptive FCM algorithm | |
| CN109214397A (zh) | 一种肺部ct图像中肺结节的分割方法 | |
| AU2017200435A1 (en) | Method and apparatus for automated delineation of structore shape for image guided treatment planning | |
| CN110110727B (zh) | 基于条件随机场和贝叶斯后处理的图像分割方法 | |
| CN103761726B (zh) | 基于fcm的分块自适应图像分割方法 | |
| CN114882051A (zh) | 一种基于多模态影像的盆腔骨肿瘤的自动分割及三维重建方法 | |
| CN107330883A (zh) | 一种医学图像病变区域定位和分类方法 | |
| CN107292346B (zh) | 一种基于局部子空间学习的mr图像海马体分割算法 | |
| CN110059730A (zh) | 一种基于胶囊网络的甲状腺结节超声图像分类方法 | |
| CN107358611A (zh) | 一种全景扫描病理图像转移区域的自动分割方法 | |
| CN102831614A (zh) | 基于交互式字典迁移的序列医学图像快速分割方法 | |
| CN108846845B (zh) | 基于缩略图与分层模糊聚类的sar图像分割方法 | |
| CN116883341A (zh) | 一种基于深度学习的肝脏肿瘤ct图像自动分割方法 |
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 |