CN108122221A - 弥散加权成像图像中脑缺血区域的分割方法及装置 - Google Patents
弥散加权成像图像中脑缺血区域的分割方法及装置 Download PDFInfo
- Publication number
- CN108122221A CN108122221A CN201611071234.0A CN201611071234A CN108122221A CN 108122221 A CN108122221 A CN 108122221A CN 201611071234 A CN201611071234 A CN 201611071234A CN 108122221 A CN108122221 A CN 108122221A
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- connected region
- voxel
- msub
- 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
- G06T7/0002—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
- 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
- G06T2207/30016—Brain
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供一种弥散加权成像图像中脑缺血区域的分割方法及装置,包括:将多个超急性缺血性脑卒中患者的弥散加权成像图像分成测试图像和训练图像;根据训练图像训练随机森林模型、学习字典和支持向量机模型;根据测试图像中体素的灰度特征,利用已训练的随机森林模型进行脑缺血区域初始分割;基于已训练的学习字典,确定连通区域内每个体素的局部图像块特征向量的稀疏编码矩阵;根据连通区域中每个连通区域的包特征,利用已训练的线性支持向量机模型对每个连通区域进行分类,将非缺血组织所在的连通区域从第一初始分割图像中删除,得到优化分割图像。该方案可以解决超急性期脑缺血区域的自动识别与分割,提高对缺血区域的分割精度。
Description
技术领域
本发明涉及图像处理技术领域,特别涉及一种弥散加权成像图像中脑缺血区域的分割方法及装置。
背景技术
脑血管病已经成为我国疾病致死的第一死亡原因。脑血管病中60%以上为缺血性脑卒中,被证实的唯一有效的干预方法是超急性期的溶栓。缺血性脑卒中主要通过磁共振影像学手段进行诊断,其中最为灵敏的是弥散加权成像图像,弥散加权成像图像包括T2加权图像,弥散加权图像(Diffusion weighted image,DWI)和计算的表观弥散系数图像(Apparent diffusion coefficient,ADC)。
关于脑缺血区域分割的方法主要有基于模糊均值的脑缺血区域分割方法、基于灰度直方图散度的脑缺血区域分割方法、基于ADC和DWI灰度约束的脑缺血区域分割方法。基于模糊均值聚类的脑缺血区域分割方法:将DWI和ADC图像灰度归一化,利用DW图像中最高频灰度值Ipeak作为阈值,删除DWI灰度值低于该阈值的体素;将剩余的体素利用模糊均值聚类算法聚为50类,并删除DWI平均灰度低于Ipeak+0.2的聚类包含的体素;对剩余的聚类进行区域连通分析,分析每个区域中的Canny边缘强度,利用区域边缘强度以及ADC灰度约束删除假阳性区域。
基于灰度直方图散度测度的脑缺血区域分割方法:该方法步骤分为三步,1)确定DWI中有脑缺血的切片,计算DWI直方图与每个切片灰度直方图的散度测度,取其中位数作为阈值,将大于该阈值的切片作为存在脑缺血的切片;2)确定发生脑缺血的半球。计算大脑中矢状面并计算左右半球的直方图,通过散度测度判断脑缺血的位置(左右半球);3)根据左右半球的直方图差异得到阈值。在缺血的脑半球切片上使用阈值法进行分割实现脑缺血区域分割。
基于ADC和DWI灰度约束的脑缺血区域分割方法:统计ADC图像中频率最高的灰度ADCref,并基于阈值法获取脑部区域中ADC灰度值不大于0.75*ADCref的体素,在每个切片上进行连通性分析得到连通区域集合;计算每个连通区域的DWI平均灰度、该连通区域所在切片的DWI平均灰度和标准差,保留DWI平均灰度大于切片DWI平均灰度与标准差之和的区域组成区域集合R1;提取ADC灰度值在(0.75*ADCref,0.85*ADCref)之间的体素,并进行连通性分析。如果得到的任一区域的有一个以上的邻域体素在R1中,则将该区域添加至R1。遍历完所有的区域后,得到最终的脑缺血区域分割结果R1。
目前脑缺血区域分割方法多是针对于非急性期脑缺血的患者数据。由于超急性期的脑缺血处于进展状态,弥散加权成像图像呈现复杂的变化,比如,当脑缺血区域的边缘比较模糊时,如果采用基于模糊均值聚类的脑缺血区域分割方法进行区域分割,由于该方法依赖于脑缺血区域的边缘强度,因此可能会遗漏缺血区域;当脑缺血区域中灰度分布不均质,与周围组织的对比度低时,采用基于直方图散度测度的脑缺血区域分割方法和基于ADC和DWI灰度约束的脑缺血区域分割方法则不能有效的分割该类区域。对于发病10天的非超急性期的梗死,采用上述任何一种方法对脑缺血区域的分割精度可达0.899±0.065,而对于超急性期的梗死,采用上述任何一种方法对脑缺血区域的分割量化精度只有0.6。
发明内容
本发明实施例提供了一种弥散加权成像图像中脑缺血区域的分割方法,可以解决超急性期脑缺血区域的自动识别与分割,提高对缺血区域的分割精度。该方法包括:
将多个超急性缺血性脑卒中患者的弥散加权成像图像分成测试图像和训练图像;所述弥散加权成像图像包括T2加权图像、弥散加权图像DWI和表观弥散系数图像ADC;
根据训练图像训练随机森林模型、学习字典和支持向量机模型,获得已训练的随机森林模型、已训练的学习字典和已训练的支持向量机模型;
提取测试图像中每个体素的灰度特征;
根据测试图像中每个体素的灰度特征,利用已训练的随机森林模型对测试数据中的弥散加权成像图像进行脑缺血区域初始分割,获得第一初始分割图像;
提取第一初始分割图像中每个连通区域内的每个体素的局部图像块,确定第一初始分割图像中每个连通区域内的局部图像块特征向量;
基于已训练的学习字典,对第一初始分割图像中每个连通区域内的局部图像块特征向量进行稀疏表示,确定第一初始分割图像中每个连通区域内的局部图像块特征向量的稀疏编码矩阵;
根据第一初始分割图像中每个连通区域内的局部图像块特征向量的稀疏编码矩阵,确定第一初始分割图像中每个连通区域的包特征;
利用已训练的线性支持向量机模型,根据每个连通区域的包特征,对第一初始分割图像中的连通区域进行分类,将非缺血组织所在的连通区域从第一初始分割图像中删除,得到优化分割图像。
本发明实施例还提供了一种弥散加权成像图像中脑缺血区域的分割装置,可以解决超急性期脑缺血区域的自动识别与分割,提高对缺血区域的分割精度。该装置包括:
划分模块,用于将多个超急性缺血性脑卒中患者的弥散加权成像图像分成测试图像和训练图像;所述弥散加权成像图像包括T2加权图像、弥散加权图像DWI和表观弥散系数图像ADC;
训练模块,用于根据训练图像训练随机森林模型、学习字典和支持向量机模型,获得已训练的随机森林模型、已训练的学习字典和已训练的支持向量机模型;
灰度特征提取模块,用于提取测试图像中每个体素的灰度特征;
第一初始分割图像获得模块,用于根据测试图像中每个体素的灰度特征,利用已训练的随机森林模型对测试数据中的弥散加权成像图像进行脑缺血区域初始分割,获得第一初始分割图像;
特征向量确定模块,用于提取第一初始分割图像中每个连通区域内的每个体素的局部图像块,确定第一初始分割图像中每个连通区域内的局部图像块特征向量;
稀疏编码矩阵确定模块,用于基于已训练的学习字典,对第一初始分割图像中每个连通区域内的局部图像块特征向量进行稀疏表示,确定第一初始分割图像中每个连通区域内的局部图像块特征向量的稀疏编码矩阵;
包特征确定模块,用于根据第一初始分割图像中每个连通区域内的局部图像块特征向量的稀疏编码矩阵,确定第一初始分割图像中每个连通区域的包特征;
分类模块,用于利用已训练的线性支持向量机模型,根据第一初始分割图像中每个连通区域的包特征,对第一初始分割图像中的连通区域进行分类,将非缺血组织所在的连通区域从第一初始分割图像中删除,得到优化分割图像。
在本发明实施例中,是基于已训练的随机森林模型、已训练的学习字典和已训练的线性支持向量机模型对超急性缺血性脑卒中患者的弥散加权成像图像进行脑缺血区域分割,相比现有的脑缺血区域分割方法,可以解决超急性期脑缺血区域的自动识别与分割,提高对缺血区域的分割精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种弥散加权成像图像中脑缺血区域的分割方法流程图;
图2是本发明实施例提供的一种弥散加权成像图像中脑缺血区域的分割方法流程示意图一;
图3a)是本发明实施例提供的一种T2图像的灰度直方图;
图3b)是本发明实施例提供的一种DWI图像的灰度直方图;
图3c)是本发明实施例提供的一种ADC图像的灰度直方图;
图4a)是本发明实施例提供的一种T2图像体素局部图像块示意图;
图4b)是本发明实施例提供的一种DWI图像体素局部图像块示意图;
图4c)是本发明实施例提供的一种ADC图像体素局部图像块示意图;
图5a)是本发明实施例提供的一种DWI图像示意图;
图5b)是本发明实施例提供的一种ADC图像示意图;
图5c)是本发明实施例提供的一种训练样本图像示意图;
图6a)是本发明实施例提供的一种DWI图像示意图(病人1);
图6b)是本发明实施例提供的一种ADC图像示意图(病人1);
图6c)是本发明实施例提供的一种脑缺血金标准(病人1);
图6d)是本发明实施例提供的一种随机森林分割结果(病人1对应的第一连通区域);
图6e)是本发明实施例提供的一种DWI图像示意图(病人2);
图6f)是本发明实施例提供的一种ADC图像示意图(病人2);
图6g)是本发明实施例提供的一种脑缺血金标准(病人2);
图6h)是本发明实施例提供的一种随机森林分割结果(病人2对应的第一连通区域);
图7a)是本发明实施例提供的一种DWI图像示意图(病人1);
图7b)是本发明实施例提供的一种ADC图像示意图(病人1);
图7c)是本发明实施例提供的一种脑缺血金标准(病人1);
图7d)是本发明实施例提供的一种随机森林分割结果(病人1对应的第一连通区域;
图7e)是本发明实施例提供的一种支持向量机消除假阳性区域后分割结果(病人1);
图7f)是本发明实施例提供的一种DWI图像示意图(病人2);
图7g)是本发明实施例提供的一种ADC图像示意图(病人2);
图7h)是本发明实施例提供的一种脑缺血金标准(病人2);
图7i)是本发明实施例提供的一种随机森林分割结果(病人2对应的第一连通区域);
图7j)是本发明实施例提供的一种支持向量机消除假阳性区域后分割结果(病人2);
图8是本发明实施例提供的一种弥散加权成像图像中脑缺血区域的装置结构示意图;
图9是本发明实施例提供的一种字典大小K对DICE系数的影响示意图;
图10是本发明实施例提供的一种稀疏性约束系数λ对DICE系数的影响示意图;
图11是本发明实施例提供的一种局部图像块大小rp对DICE系数的影响示意图;
图12是本发明方法与模糊均值聚类方法、散度测度方法和阈值方法的比较示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明实施例提供的一种弥散加权成像图像中脑缺血区域的分割方法流程图,如图1所示,该方法包括:
步骤101:将多个超急性缺血性脑卒中患者的弥散加权成像图像分成测试图像和训练图像;所述弥散加权成像图像包括T2加权图像、弥散加权图像DWI和表观弥散系数图像ADC;
步骤102:根据训练图像训练随机森林模型、学习字典和支持向量机模型,获得已训练的随机森林模型、已训练的学习字典和已训练的支持向量机模型;
步骤103:提取测试图像中每个体素的灰度特征;
步骤104:根据测试图像中每个体素的灰度特征,利用已训练的随机森林模型对测试数据中的弥散加权成像图像进行脑缺血区域初始分割,获得第一初始分割图像;
步骤105:提取第一初始分割图像中每个连通区域内的每个体素的局部图像块,确定第一初始分割图像中每个连通区域内的局部图像块特征向量;
步骤106:基于已训练的学习字典,对第一初始分割图像中每个连通区域内的局部图像块特征向量进行稀疏表示,确定第一初始分割图像中每个连通区域内的局部图像块特征向量的稀疏编码矩阵;
步骤107:根据第一初始分割图像中每个连通区域内的局部图像块特征向量的稀疏编码矩阵,确定第一初始分割图像中每个连通区域的包特征;
步骤108:利用已训练的线性支持向量机模型,根据第一初始分割图像中每个连通区域的包特征,对第一初始分割图像中的连通区域进行分类,将非缺血组织所在的连通区域从第一初始分割图像中删除,得到优化分割图像。
具体实施时,如图2所示,该方法包括两个部分:训练过程和测试过程。其中,首先需要将多个超急性缺血性脑卒中患者的弥散加权成像图像(称为数据集)分成测试图像(或者说是测试数据)和训练图像(或者说是训练数据),其中弥散加权成像图像包括T2加权图像(b=0),弥散加权图像(DWI,b=1000~1500s/mm2),表观弥散系数图像(ADC),分别标记为T2,DWI和ADC。比如,可以采用通过三倍(three-folds)交叉验证方法来对本方法进行验证。将数据集平均分为三份,每次以其中一份为测试数据,其余数据为训练数据进行试验,直至所有数据都被测试一次。
分好了测试数据和训练数据之后,首先根据训练数据进行训练过程,也就是说完成步骤102:训练随机森林模型、学习字典和支持向量机模型,获得已训练的随机森林模型、已训练的学习字典和已训练的支持向量机模型。
步骤1021:对训练图像进行预处理操作:
具体实施时,基于阈值和连通性分析,提取超急性缺血性脑卒中患者的弥散加权成像图像中的脑部区域,生成脑部模板图像。由于磁共振成像参数设置不同,生成的磁共振图像可能会具有不同的灰度范围差异较大。根据数据直方图特点,利用灰度直方图的出现次数最多的灰度对图像进行预处理,消除图像数据差异,对T2图像、DWI图像和ADC图像均进行预处理,处理结果如图3a)至3c)所示,其中箭头所指的表示出现最多的灰度。对于每个体数据Gi,i∈{T2,DWI,ADC}
1)统计图像Gi中脑部区域的灰度直方图Hi;
2)计算灰度直方图Hi中出现次数最多的灰度值:
3)计算图像Gi中每个体素的相对灰度值:
Gi(x,y,z)=Gi(x,y,z)′/gmax (2)
其中,gmax为出现次数最多的灰度值;s为灰度值;Hi(s)为灰度值出现的频率;Gi(x,y,z)′为i图像中每个体素的灰度值;Gi(x,y,z)为i图像中每个体素的相对灰度值。
步骤1022:提取训练图像中每个体素的灰度特征。
具体实施时,基于标准化的数据集,提取训练数据(训练图像)中每个体素的灰度特征f。主要包括:
1)提取T2图像中每个体素的相对灰度值GT2(x,y,z)、DWI图像中每个体素的相对灰度值GDWI(x,y,z)、ADC图像中每个体素的相对灰度值GADC(x,y,z)、T2图像与DWI图像中每个体素的的相对灰度值的差GT2-DWI(x,y,z),T2图像与ADC图像中每个体素的的相对灰度值的差GT2-ADC(x,y,z),DWI图像与ADC图像中每个体素的相对灰度值的差GDWI-ADC(x,y,z),共6维;
2)基于T2图像计算大脑中矢状面,计算DWI图像和ADC图像之差:
并在此图像(T2图像)上计算体素关于大脑中矢状面的非对称特征ASYM(x,y,z),共1维;
其中,(x0,y0)为(x,y)在轴向切片z上关于中矢状线的对称点,所说的中矢状线为中矢状面与轴向切片的交线;Ns(x0,y0)为(x0,y0)的局部邻域。
3)分别提取边长为2、4、6的正方形邻域的图像块PT2(x,y,z),PDWI(x,y,z),PADC(x,y,z),如图4a)至4c)中所示的白色方框,以及两种图像的相对灰度差对应的图像块PT2-DWI(x,y,z),PT2-ADC(x,y,z),PDWI-ADC(x,y,z),确定每个图像块的相对灰度均值、最小相对灰度、最大相对灰度、相对灰度中值、相对灰度标准差,特征维数共3*6*5=90维;
步骤1023:基于训练图像训练随机森林。
具体实施时,首先确定训练样本。训练样本选择采取如下策略:将训练数据(训练图像)金标准图像中缺血区域范围内的所有体素作为正样本;负样本体素个数与正样本相同,其中3/5选自正样本的近邻区域(逐次对正样本区域进行3*3结构元的膨胀,将膨胀区域限定在脑区域内,使得膨胀后的区域面积不小于正样本区域的2倍;在膨胀区域内随机采样),2/5从剩余的脑区域中随机采样。提取所有训练样本的体素特征集合其中为体素的体素特征的标记,0表示正常组织样本,1表示脑缺血样本,Nv为训练样本的个数。比如,基于训练数据中的DWI图像(图5a))和ADC图像(图5b))获得的训练样本(图5c))所示,其中,图5c)中的零散的小白点表示其他区随机采样负样本,图5c)中的白色块状区域表示的是近邻负样本,图5c)中的灰色区域块表示的是正样本。
金标准图像由有经验的医生结合DWI与ADC用手工勾画出脑缺血区域,用于训练和验证算法。金标准图像对每个体素进行了标注:缺血体素、非缺血体素。
根据提取的训练样本体素的灰度特征训练随机森林(随机森林指的是利用多棵树对样本进行训练并预测的一种分类器),其中随机森林的决策树数目为50,叶子节点的最小样本数目为1。训练完毕后,对训练数据的整个脑部区域体素提取像素灰度特征,并对每个体素进行分类(脑缺血或者正常组织),得到初始脑缺血分割结果(即第二初始分割图像)。本发明中选择两个病人(病人1和病人2)的DWI图像和ADC图像,和病人1和病人2相对应的金标准图像进行脑缺血区域初始分割,分割过程及结果如图6a)至6h)所示。其中,白色框内区域表示为假阳性区域。
步骤1024:区域训练样本选择。
具体实施时,基于连通性分析方法,分别提取训练数据金标准图像和(第二)初始分割图像中的连通区域。选择训练数据金标准图像中的连通区域作为连通区域正样本(脑缺血区域),以(第二)初始分割图像中与连通区域正样本中的连通区域无交集的连通区域为连通区域负样本(假阳性区域),连通区域正样本和连通区域负样本统称连通区域样本,连通样本区域集合表示为NR表示连通区域样本的总数,为区域的标记,0表示正常脑组织,1表示脑缺血区域。
步骤1025:基于稀疏编码-包特征的分类。
1)区域体素特征提取。提取连通区域样本中每个连通区域内的每个体素的局部图像块PT2(x,y,z)′,PDWI(x,y,z)′,PADC(x,y,z)′,图像块为正方形,边长为2*rp。将三个图像块展开并组合为一个列向量x∈Rd×1:
x=[PT2(x,y,z)′,PDWI(x,y,z)′,PADC(x,y,z)′]T (6)
其中,d=3*(2rp+1)2为特征向量维数。每个连通区域可以表示为其内部体素的局部图像块向量集合:其中,表示连通区域内部的体素个数。
2)字典学习。对于一组训练样本学习过完备字典D∈Rd×K,K>d,使得
目标函数第一项表示重建误差,第二项为重建系数稀疏性约束,权重为λ,权重越大稀疏度越高,n表示选取的一组训练样本的个数。该问题采用随机梯度法求解。
为了提高特征的显著性,采用一种监督方式学习字典D。首先利用所有脑缺血样本区域中所有体素的局部图像块特征作为训练样本学习子字典D∈Rd×K,K表示字典的大小;然后再以所有正常组织样本区域的所有体素的局部图像块特征作为训练样本学习子字典D0∈Rd×K;最后将两个子字典按列组合为一个全局字典D={D1,D0}∈Rd×2K。
3)稀疏表示。基于字典D∈Rd×2K,对每个训练样本(连通区域样本)区域内的局部图像块特征进行稀疏表示,计算最优的稀疏编码α*∈R2K×1:
其中,α*中非零值对应字典D中原子的响应值。对于连通区域基于稀疏表示计算其内部所有体素局部图像块向量的稀疏编码矩阵其每一列αj表示第j个体素局部图像块向量的稀疏编码表示连通区域内的体素个数。
4)区域特征计算。中每一行表示连通区域中每个体素的局部图像块向量对于字典中对应原子的响应值。同类的局部图像块向量对于字典中同一原子的响应更相似,因此基于该响应值的统计量具有分类能力。Max Pooling(基于最大值的区域/集合特征表示)计算如下:
其中,表示局部图像块特征向量中的第k个元素,表示第j个稀疏编码向量的第k个元素;为每个连通区域的SC-BOF包特征。
5)SVM分类。计算完毕每个连通区域的稀疏编码-包特征,得到训练集合训练线性SVM模型实现区域分类。二分类问题SVM模型的分类函数为:
k(·,·)为Mercer核函数,a为拉格朗日乘子。这里采用线性核函数:k(x,y)=xTy+c。
对区域分类后,对于判定为正常组织的区域,将该区域从(第二)初始分割图像中删除,得到最后的分割(优化分割图像),如图7a)至7j)所示。
经过上述步骤1021至步骤1025之后,获得了已训练的随机森林模型、已训练的学习字典和已训练的支持向量机模型。然后根据已训练的随机森林模型、已训练的学习字典和已训练的支持向量机模型对测试(图像)数据进行测试验证。
下面描述一下测试过程。
按照步骤1021中的方法和公式(1)和(2)对测试图像进行预处理操作→按照步骤1022中的方法和公式(3)、(4)和(5)提取测试图像中每个体素的灰度特征(即步骤103)→步骤104:根据测试图像中每个体素的灰度特征,利用已训练的随机森林模型对测试数据中的弥散加权成像图像进行脑缺血区域初始分割,获得第一初始分割图像→提取第一初始分割图像中的连通区域,然后按照步骤1025中的方法和公式(6)至(10)来实现步骤105至步骤108。最终得到基于测试图像的优化分割图像。
基于同一发明构思,本发明实施例中还提供了一种弥散加权成像图像中脑缺血区域的分割装置,如下面的实施例所述。由于弥散加权成像图像中脑缺血区域的分割装置解决问题的原理与弥散加权成像图像中脑缺血区域的分割方法相似,因此弥散加权成像图像中脑缺血区域的分割装置的实施可以参见弥散加权成像图像中脑缺血区域的分割方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图8是本发明实施例的弥散加权成像图像中脑缺血区域的分割装置的一种结构框图,如图8所示,包括:
划分模块801,用于将多个超急性缺血性脑卒中患者的弥散加权成像图像分成测试图像和训练图像;所述弥散加权成像图像包括T2加权图像、弥散加权图像DWI和表观弥散系数图像ADC;
训练模块802,用于根据训练图像训练随机森林模型、学习字典和支持向量机模型,获得已训练的随机森林模型、已训练的学习字典和已训练的支持向量机模型;
灰度特征提取模块803,用于提取测试图像中每个体素的灰度特征;
第一初始分割图像获得模块804,用于根据测试图像中每个体素的灰度特征,利用已训练的随机森林模型对测试数据中的弥散加权成像图像进行脑缺血区域初始分割,获得第一初始分割图像;
特征向量确定模块805,用于提取第一初始分割图像中每个连通区域内的每个体素的局部图像块,确定第一初始分割图像中每个连通区域内的局部图像块特征向量;
稀疏编码矩阵确定模块806,用于基于已训练的学习字典,对第一初始分割图像中每个连通区域内的局部图像块特征向量进行稀疏表示,确定第一初始分割图像中每个连通区域内的局部图像块特征向量的稀疏编码矩阵;
包特征确定模块807,用于根据第一初始分割图像中每个连通区域内的局部图像块特征向量的稀疏编码矩阵,确定第一初始分割图像中每个连通区域的包特征;
分类模块808,用于利用已训练的线性支持向量机模型,根据第一初始分割图像中每个连通区域的包特征,对第一初始分割图像中的连通区域进行分类,将非缺血组织所在的连通区域从第一初始分割图像中删除,得到优化分割图像。
下面对该结构进行说明。
具体实施时,该装置还包括:预处理模块,用于对超急性缺血性脑卒中患者的弥散加权成像图像进行预处理;
所述预处理模块具体用于:
提取超急性缺血性脑卒中患者的弥散加权成像图像中的脑部区域,生成脑部模板图像;
确定脑部模板图像中脑部区域的灰度直方图;
确定灰度直方图中出现次数最多的灰度值;
根据灰度直方图中出现次数最多的灰度值,确定脑部模板图像中每个体素的相对灰度值;
按如下公式确定灰度直方图中出现次数最多的灰度值:
按如下公式确定脑部模板图像中每个体素的相对灰度值:
Gi(x,y,z)=Gi(x,y,z)′/gmax;
其中,gmax为出现次数最多的灰度值;s为灰度值;Hi(s)为灰度值出现的频率;Gi(x,y,z)′为i图像中每个体素的灰度值;Gi(x,y,z)为每个体素的相对灰度值;i∈{T2,DWI,ADC}。
具体实施时,所述灰度特征提取模块803具体用于:按如下方式提取测试数据中每个体素的灰度特征:
提取测试数据中每个体素在T2图像、DWI图像和ADC图像中的相对灰度值GT2(x,y,z),GDWI(x,y,z),GADC(x,y,z)及T2图像与DWI图像的相对灰度值的差GT2-DWI(x,y,z),T2图像与ADC图像的相对灰度值的差GT2-ADC(x,y,z),DWI图像与ADC图像的相对灰度值的差GDWI-ADC(x,y,z);
基于测试数据中的T2图像确定大脑中矢状面,在T2图像上确定体素关于大脑中矢状面的非对称特征ASYM(x,y,z):
其中,(x0,y0)为(x,y)在轴向切片z上关于中矢状线的对称点,所述中矢状线为中矢状面与轴向切片的交线;Ns(x0,y0)为(x0,y0)的局部邻域;
分别提取边长为2、4、6的正方形邻域的图像块PT2(x,y,z),PDWI(x,y,z),PADC(x,y,z)以及两种图像的相对灰度差对应的图像块PT2-DWI(x,y,z),PT2-ADC(x,y,z),PDWI-ADC(x,y,z),确定每个图像块的相对灰度均值、最小相对灰度、最大相对灰度、相对灰度中值、相对灰度标准差。
具体实施时,所述特征向量确定模块805具体用于:
提取第一初始分割图像中的每个连通区域内每个体素的局部图像块PT2(x,y,z)′,PDWI(x,y,z)′,PADC(x,y,z)′,图像块为正方形,边长为2*rp;
将三个图像块展开并组合为一个列向量x∈Rd×1:
x=[PT2(x,y,z)′,PDWI(x,y,z)′,PADC(x,y,z)′]T;
其中,d=3*(2rp+1)2为特征向量维数;
第一初始分割图像中每个连通区域表示为其内部体素的局部图像块特征向量集合:其中,表示连通区域内部的体素个数。
具体实施时,所述稀疏编码矩阵确定模块806具体用于:
基于已训练的学习字典D∈Rd×2K,对第一初始分割图像中每个连通区域内的局部图像块特征进行稀疏表示,确定稀疏编码α*∈R2K×1:
α*中非零值对应字典D中原子的响应值;
对于连通区域基于稀疏表示确定其内部所有体素的局部图像块向量的稀疏编码矩阵其每一列αj表示第j个体素局部图像块向量的稀疏编码,表示连通区域内的体素个数。
具体实施时,所述包特征确定模块807具体用于:
按如下公式确定第一初始分割图像中每个连通区域的包特征:
其中,表示局部图像块特征向量中的第k个元素,表示第j个稀疏编码向量的第k个元素;为每个连通区域的包特征。
具体实施时,所述训练模块802具体用于:
提取训练图像中每个体素的灰度特征;
利用训练图像中每个体素的灰度特征训练随机森林模型,获得已训练的随机森林模型;
根据训练图像中每个体素的灰度特征,利用已训练的随机森林模型对训练图像进行脑缺血区域初始分割,获得第二初始分割图像;
选择训练图像中金标准图像的连通区域作为连通区域正样本,选择第二初始分割图像中与连通区域正样本中的连通区域无交集的连通区域作为连通区域负样本,所述连通区域正样本和连通区域负样本统称连通区域样本;
提取连通区域样本中每个连通区域内的每个体素的局部图像块,根据每个体素的局部图像块确定连通区域样本中每个连通区域内的局部图像块特征向量;
根据连通区域样本中所有连通区域内的局部图像块特征向量训练学习字典,获得已训练的学习字典;
基于已训练的学习字典,对连通区域样本每个连通区域内的局部图像块特征向量进行稀疏表示,确定连通区域样本每个连通区域内的局部图像块特征向量的稀疏编码矩阵;
根据连通区域样本中每个连通区域内的局部图像块特征向量的稀疏编码矩阵,确定连通区域样本中每个连通区域的包特征;
根据连通区域样本中每个连通区域的包特征得到训练集合,根据训练集合训练线性支持向量机模型,获得已训练的线性支持向量机模型。
具体实施时,所述训练模块802具体用于:按如下方式获得已训练的随机森林模型:
从训练数据中选择训练样本;
提取训练样本的体素特征集合,所述体素特征集合包括训体素的灰度特征和对体素的灰度特征的标记;所述体素特征集合按照如下方式表示:
其中为体素的灰度特征的标记,0表示正常组织样本,1表示脑缺血样本,Nv为训练样本的个数;
用训练样本的体素特征集合训练随机森林模型,获得已训练的随机森林模型;
按照如下方式从训练数据中选择训练样本:
将训练数据金标准图像中缺血区域内的所有体素作为正样本,负样本中的体素个数与正样本中的体素个数相同,其中一部分负样本中的体素选自正样本的近邻区域,剩余部分的负样本中的体素从剩余的脑区域中随机采样;所述正样本的近邻区域为逐次对正样本区域进行3*3结构元的膨胀,将膨胀区域限定在脑区域内,使得膨胀后的区域面积不小于正样本区域的2倍。
具体实施时,所述训练模块802具体用于:按如下方式获得已训练的学习字典:
利用训练样本中的正样本区域中所有体素的局部图像块特征作为第一训练样本学习子字典D1∈Rd×K,K表示学习字典的大小,K>d;利用负样本区域的所有体素的局部图像块特征作为第二训练样本学习子字典D0∈Rd×K;将第一训练样本学习子字典和第二训练样本学习子字典按列组合为一个全局字典D={D1,D0}∈Rd×2K;
选取一组训练样本利用全局字典D={D1,D0}∈Rd×2K,使得
其中,D为学习字典,目标函数第一项表示重建误差,第二项为重建系数稀疏性约束,权重为λ,n表示选取的一组训练样本的个数。
具体实施时,所述训练模块802具体用于:按如下方式获得已训练的线性支持向量机模型:
根据连通区域样本中每个连通区域的包特征得到训练集合训练线性支持向量机SVM模型,所述SVM模型的分类函数为:
k(·,·)为Mercer核函数,采用线性核函数k(x,y)=xTy+c,a为拉格朗日乘子。
具体实施时,基于98套数据对本发明方法进行了实验和验证,所采用的评价标准主要为DICE系数(DC),敏感性(sensitivity),特异性(specificity)。其公式表示为:
其中,TP,TN,FP,和FN分别为真阳性,真阴性,假阳性,假阴性体素数目。
经实验验证最优参数组合为K=200,λ=0.1,图像块大小参数rp=2。为验证参数有效性,固定其中两个参数,分别对字典大小K={50,100,150,200},稀疏性约束系数λ={0.1,0.2,0.3,0.4}和rp={1,2,3,4,5}进行验证,如图9、10、11所示。
将本发明方法分别与模糊均值聚类方法,散度测度方法和阈值法进行比较,如图12所示。本发明方法在DICE系数和敏感性方面都高于已有方法,验证了本发明方法的有效性。
综上所述,本发明方法基于随机森林和支持向量机等机器学习算法,有效学习先验知识,能够较为精确的分割和识别超急性期脑缺区域;另外对于图像中的伪影和噪声,本方法也具有一定的鲁棒性。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (17)
1.一种弥散加权成像图像中脑缺血区域的分割方法,其特征在于,包括:
将多个超急性缺血性脑卒中患者的弥散加权成像图像分成测试图像和训练图像;所述弥散加权成像图像包括T2加权图像、弥散加权图像DWI和表观弥散系数图像ADC;
根据训练图像训练随机森林模型、学习字典和支持向量机模型,获得已训练的随机森林模型、已训练的学习字典和已训练的支持向量机模型;
提取测试图像中每个体素的灰度特征;
根据测试图像中每个体素的灰度特征,利用已训练的随机森林模型对测试数据中的弥散加权成像图像进行脑缺血区域初始分割,获得第一初始分割图像;
提取第一初始分割图像中每个连通区域内的每个体素的局部图像块,确定第一初始分割图像中每个连通区域内的局部图像块特征向量;
基于已训练的学习字典,对第一初始分割图像中每个连通区域内的局部图像块特征向量进行稀疏表示,确定第一初始分割图像中每个连通区域内的局部图像块特征向量的稀疏编码矩阵;
根据第一初始分割图像中每个连通区域内的局部图像块特征向量的稀疏编码矩阵,确定第一初始分割图像中每个连通区域的包特征;
利用已训练的线性支持向量机模型,根据第一初始分割图像中每个连通区域的包特征,对第一初始分割图像中的连通区域进行分类,将非缺血组织所在的连通区域从第一初始分割图像中删除,得到优化分割图像。
2.如权利要求1所述的弥散加权成像图像中脑缺血区域的分割方法,其特征在于,在提取测试图像中每个体素的灰度特征之前,还包括:按如下方式对测试图像进行预处理:
提取测试图像中的脑部区域,生成脑部模板图像;
确定脑部模板图像中脑部区域的灰度直方图;
确定灰度直方图中出现次数最多的灰度值;
根据灰度直方图中出现次数最多的灰度值,确定脑部模板图像中每个体素的相对灰度值;
按如下公式确定灰度直方图中出现次数最多的灰度值:
<mrow>
<msub>
<mi>g</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>=</mo>
<munder>
<mi>max</mi>
<mi>s</mi>
</munder>
<msub>
<mi>H</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
按如下公式确定脑部模板图像中每个体素的相对灰度值:
Gi(x,y,z)=Gi(x,y,z)′/gmax;
其中,gmax为出现次数最多的灰度值;s为灰度值;Hi(s)为灰度值出现的频率;Gi(x,y,z)′为i图像中每个体素的灰度值;Gi(x,y,z)为每个体素的相对灰度值;i∈{T2,DWI,ADC}。
3.如权利要求2所述的弥散加权成像图像中脑缺血区域的分割方法,其特征在于,按如下方式提取测试图像中每个体素的灰度特征:
提取T2图像中每个体素的相对灰度值GT2(x,y,z)、DWI图像中每个体素的相对灰度值GDWI(x,y,z)、ADC图像中每个体素的相对灰度值GADC(x,y,z)、T2图像与DWI图像中每个体素的相对灰度值的差GT2-DWI(x,y,z),T2图像与ADC图像中每个体素的的相对灰度值的差GT2-ADC(x,y,z),DWI图像与ADC图像中每个体素的的相对灰度值的差GDWI-ADC(x,y,z);
基于T2图像确定大脑中矢状面,在T2图像上确定体素关于大脑中矢状面的非对称特征ASYM(x,y,z):
<mrow>
<mi>d</mi>
<mi>i</mi>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>D</mi>
<mi>W</mi>
<mi>I</mi>
<mo>_</mo>
<mi>A</mi>
<mi>D</mi>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<munder>
<mi>max</mi>
<mrow>
<mrow>
<mo>(</mo>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mn>0</mn>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mi>D</mi>
<mi>W</mi>
<mi>I</mi>
<mo>_</mo>
<mi>A</mi>
<mi>D</mi>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>,</mo>
<mi>z</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,(x0,y0)为(x,y)在轴向切片z上关于中矢状线的对称点,所述中矢状线为中矢状面与轴向切片的交线;Ns(x0,y0)为(x0,y0)的局部邻域;
分别提取边长为2、4、6的正方形邻域的图像块PT2(x,y,z),PDWI(x,y,z),PADC(x,y,z)以及两种图像的相对灰度差对应的图像块PT2-DWI(x,y,z),PT2-ADC(x,y,z),PDWI-ADC(x,y,z),确定每个图像块的相对灰度均值、最小相对灰度、最大相对灰度、相对灰度中值、相对灰度标准差。
4.如权利要求3所述的弥散加权成像图像中脑缺血区域的分割方法,其特征在于,提取第一初始分割图像中每个连通区域内的每个体素的局部图像块,确定第一初始分割图像中每个连通区域内的局部图像块特征向量,包括:
提取第一初始分割图像中每个连通区域内的每个体素的局部图像块PT2(x,y,z)′,PDWI(x,y,z)′,PADC(x,y,z)′,图像块为正方形,边长为2*rp;
将三个图像块展开并组合为一个列向量x∈Rd×1:
x=[PT2(x,y,z)′,PDWI(x,y,z)′,PADC(x,y,z)′]T;
其中,d=3*(2rp+1)2为特征向量维数;
第一初始分割图像中每个连通区域表示为其内部体素的局部图像块特征向量集合:其中,表示连通区域内部的体素个数。
5.如权利要求4所述的弥散加权成像图像中脑缺血区域的分割方法,其特征在于,基于已训练的学习字典,对第一初始分割图像中每个连通区域内的局部图像块特征向量进行稀疏表示,确定第一初始分割图像中每个连通区域内的局部图像块特征向量的稀疏编码矩阵,包括:
基于已训练的学习字典D∈Rd×2K,对第一初始分割图像中每个连通区域内的局部图像块特征进行稀疏表示,确定稀疏编码α*∈R2K×1:
<mrow>
<msup>
<mi>&alpha;</mi>
<mo>*</mo>
</msup>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>&alpha;</mi>
</munder>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<mi>x</mi>
<mo>-</mo>
<mi>D</mi>
<mi>&alpha;</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&lambda;</mi>
<mo>|</mo>
<mo>|</mo>
<mi>&alpha;</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>1</mn>
</msub>
<mo>;</mo>
</mrow>
α*中非零值对应字典D中原子的响应值;
对于连通区域基于稀疏表示确定其内部所有体素的局部图像块向量的稀疏编码矩阵其每一列αj表示第j个体素局部图像块向量的稀疏编码,表示连通区域内的体素个数。
6.如权利要求5所述的弥散加权成像图像中脑缺血区域的分割方法,其特征在于,根据第一初始分割图像中每个连通区域内的局部图像块特征向量的稀疏编码矩阵,按如下公式确定第一初始分割图像中每个连通区域的包特征:
<mrow>
<msubsup>
<mi>z</mi>
<msub>
<mi>i</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>{</mo>
<mo>|</mo>
<msubsup>
<mi>&alpha;</mi>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>|</mo>
<mo>,</mo>
<mo>|</mo>
<msubsup>
<mi>&alpha;</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>|</mo>
<mo>,</mo>
<mo>...</mo>
<mo>|</mo>
<msubsup>
<mi>&alpha;</mi>
<msub>
<mi>n</mi>
<msub>
<mi>i</mi>
<mn>3</mn>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>|</mo>
<mo>}</mo>
<mo>;</mo>
</mrow>
其中,表示局部图像块特征向量中的第k个元素,表示第j个稀疏编码向量的第k个元素;为每个连通区域的包特征。
7.如权利要求6所述的弥散加权成像图像中脑缺血区域的分割方法,其特征在于,根据训练图像训练随机森林模型、学习字典和支持向量机模型,获得已训练的随机森林模型、已训练的学习字典和已训练的支持向量机模型,包括:
提取训练图像中每个体素的灰度特征;
利用训练图像中每个体素的灰度特征训练随机森林模型,获得已训练的随机森林模型;
根据训练图像中每个体素的灰度特征,利用已训练的随机森林模型对训练图像进行脑缺血区域初始分割,获得第二初始分割图像;
选择训练图像中金标准图像的连通区域作为连通区域正样本,选择第二初始分割图像中与连通区域正样本中的连通区域无交集的连通区域作为连通区域负样本,所述连通区域正样本和连通区域负样本统称连通区域样本,其中,所述金标准图像为将每个体素标注为缺血体素或非缺血体素的DWI图像或ADC图像;
提取连通区域样本中每个连通区域内的每个体素的局部图像块,根据每个体素的局部图像块确定连通区域样本中每个连通区域内的局部图像块特征向量;
根据连通区域样本中所有连通区域内的局部图像块特征向量训练学习字典,获得已训练的学习字典;
基于已训练的学习字典,对连通区域样本每个连通区域内的局部图像块特征向量进行稀疏表示,确定连通区域样本每个连通区域内的局部图像块特征向量的稀疏编码矩阵;
根据连通区域样本中每个连通区域内的局部图像块特征向量的稀疏编码矩阵,确定连通区域样本中每个连通区域的包特征;
根据连通区域样本中每个连通区域的包特征得到训练集合,根据训练集合训练线性支持向量机模型,获得已训练的线性支持向量机模型。
8.如权利要求7所述的弥散加权成像图像中脑缺血区域的分割方法,其特征在于,利用训练图像中每个体素的灰度特征训练随机森林模型,获得已训练的随机森林模型,包括:
从训练图像中选择训练样本;
提取训练样本的体素特征集合,所述体素特征集合包括体素的灰度特征和对体素的灰度特征的标记;所述体素特征集合按照如下方式表示:
<mrow>
<mo>{</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<msub>
<mi>i</mi>
<mn>1</mn>
</msub>
</msub>
<mo>,</mo>
<msub>
<mi>l</mi>
<msub>
<mi>i</mi>
<mn>1</mn>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msub>
<mi>i</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<msub>
<mi>N</mi>
<mi>v</mi>
</msub>
<mo>}</mo>
<mo>;</mo>
</mrow>
其中为体素的灰度特征的标记,0表示正常组织样本,1表示脑缺血样本,Nv为训练样本的个数;
用训练样本的体素特征集合训练随机森林模型,获得已训练的随机森林模型;
按照如下方式从训练图像中选择训练样本:
将训练图像的金标准图像中缺血区域内的所有体素作为正样本,负样本中的体素个数与正样本中的体素个数相同,其中一部分负样本中的体素选自正样本的近邻区域,剩余部分的负样本中的体素从剩余的脑区域中随机采样;所述正样本的近邻区域为逐次对正样本区域进行3*3结构元的膨胀,将膨胀区域限定在脑区域内,使得膨胀后的区域面积不小于正样本区域的2倍。
9.如权利要8所述的弥散加权成像图像中脑缺血区域的分割方法,其特征在于,按如下公式根据连通区域样本中所有连通区域内的局部图像块特征向量训练学习字典,获得已训练的学习字典:
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>&alpha;</mi>
<mo>,</mo>
<mi>D</mi>
</mrow>
</munder>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<msub>
<mi>i</mi>
<mn>3</mn>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<msub>
<mi>i</mi>
<mn>3</mn>
</msub>
</msub>
<mo>-</mo>
<msub>
<mi>D&alpha;</mi>
<msub>
<mi>i</mi>
<mn>3</mn>
</msub>
</msub>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&lambda;</mi>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>&alpha;</mi>
<msub>
<mi>i</mi>
<mn>3</mn>
</msub>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,D为学习字典,目标函数第一项表示重建误差,第二项为重建系数稀疏性约束,权重为λ,n表示选取的一组训练样本的个数。
10.如权利要求9所述的弥散加权成像图像中脑缺血区域的分割方法,其特征在于,根据连通区域样本中每个连通区域的包特征得到训练集合,根据训练集合训练线性支持向量机模型,获得已训练的线性支持向量机模型,包括:
根据连通区域样本中每个连通区域的包特征得到训练集合训练线性支持向量机SVM模型,所述SVM模型的分类函数为:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<msub>
<mi>i</mi>
<mn>3</mn>
</msub>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>ay</mi>
<msub>
<mi>i</mi>
<mn>3</mn>
</msub>
</msub>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mi>z</mi>
<mo>,</mo>
<msub>
<mi>z</mi>
<msub>
<mi>i</mi>
<mn>3</mn>
</msub>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>b</mi>
<mo>;</mo>
</mrow>
k(·,·)为Mercer核函数,采用线性核函数k(x,y)=xTy+c,a为拉格朗日乘子。
11.一种弥散加权成像图像中脑缺血区域的分割装置,其特征在于,包括:
划分模块,用于将多个超急性缺血性脑卒中患者的弥散加权成像图像分成测试图像和训练图像;所述弥散加权成像图像包括T2加权图像、弥散加权图像DWI和表观弥散系数图像ADC;
训练模块,用于根据训练图像训练随机森林模型、学习字典和支持向量机模型,获得已训练的随机森林模型、已训练的学习字典和已训练的支持向量机模型;
灰度特征提取模块,用于提取测试图像中每个体素的灰度特征;
第一初始分割图像获得模块,用于根据测试图像中每个体素的灰度特征,利用已训练的随机森林模型对测试数据中的弥散加权成像图像进行脑缺血区域初始分割,获得第一初始分割图像;
特征向量确定模块,用于提取第一初始分割图像中每个连通区域内的每个体素的局部图像块,确定第一初始分割图像中每个连通区域内的局部图像块特征向量;
稀疏编码矩阵确定模块,用于基于已训练的学习字典,对第一初始分割图像中每个连通区域内的局部图像块特征向量进行稀疏表示,确定第一初始分割图像中每个连通区域内的局部图像块特征向量的稀疏编码矩阵;
包特征确定模块,用于根据第一初始分割图像中每个连通区域内的局部图像块特征向量的稀疏编码矩阵,确定第一初始分割图像中每个连通区域的包特征;
分类模块,用于利用已训练的线性支持向量机模型,根据第一初始分割图像中每个连通区域的包特征,对第一初始分割图像中的连通区域进行分类,将非缺血组织所在的连通区域从第一初始分割图像中删除,得到优化分割图像。
12.如权利要求11所述的弥散加权成像图像中脑缺血区域的分割装置,其特征在于,还包括:预处理模块,用于对测试图像进行预处理;
所述预处理模块具体用于:
提取测试图像中的脑部区域,生成脑部模板图像;
确定脑部模板图像中脑部区域的灰度直方图;
确定灰度直方图中出现次数最多的灰度值;
根据灰度直方图中出现次数最多的灰度值,确定脑部模板图像中每个体素的相对灰度值;
按如下公式确定灰度直方图中出现次数最多的灰度值:
<mrow>
<msub>
<mi>g</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>=</mo>
<munder>
<mi>max</mi>
<mi>s</mi>
</munder>
<msub>
<mi>H</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
按如下公式确定脑部模板图像中每个体素的相对灰度值:
Gi(x,y,z)=Gi(x,y,z)′/gmax;
其中,gmax为出现次数最多的灰度值;s为灰度值;Hi(s)为灰度值出现的频率;Gi(x,y,z)′为i图像中每个体素的灰度值;Gi(x,y,z)为每个体素的相对灰度值;i∈{T2,DWI,ADC}。
13.如权利要求12所述的弥散加权成像图像中脑缺血区域的分割装置,其特征在于,所述灰度特征提取模块具体用于:
提取T2图像中每个体素的相对灰度值GT2(x,y,z)、DWI图像中每个体素的相对灰度值GDWI(x,y,z)、ADC图像中每个体素的相对灰度值GADC(x,y,z)、T2图像与DWI图像中每个体素的相对灰度值的差GT2-DWI(x,y,z),T2图像与ADC图像中每个体素的的相对灰度值的差GT2-ADC(x,y,z),DWI图像与ADC图像中每个体素的的相对灰度值的差GDWI-ADC(x,y,z);
基于T2图像确定大脑中矢状面,在T2图像上确定体素关于大脑中矢状面的非对称特征ASYM(x,y,z):
<mrow>
<mi>d</mi>
<mi>i</mi>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>D</mi>
<mi>W</mi>
<mi>I</mi>
<mo>_</mo>
<mi>A</mi>
<mi>D</mi>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>-</mo>
<munder>
<mi>max</mi>
<mrow>
<mrow>
<mo>(</mo>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>&Element;</mo>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mrow>
<msub>
<mi>x</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mn>0</mn>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mrow>
</munder>
<mi>D</mi>
<mi>W</mi>
<mi>I</mi>
<mo>_</mo>
<mi>A</mi>
<mi>D</mi>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>,</mo>
<mi>z</mi>
</mrow>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,(x0,y0)为(x,y)在轴向切片z上关于中矢状线的对称点,所述中矢状线为中矢状面与轴向切片的交线;Ns(x0,y0)为(x0,y0)的局部邻域;
分别提取边长为2、4、6的正方形邻域的图像块PT2(x,y,z),PDWI(x,y,z),PADC(x,y,z)以及两种图像的相对灰度差对应的图像块PT2-DWI(x,y,z),PT2-ADC(x,y,z),PDWI-ADC(x,y,z),确定每个图像块的相对灰度均值、最小相对灰度、最大相对灰度、相对灰度中值、相对灰度标准差。
14.如权利要求13所述的弥散加权成像图像中脑缺血区域的分割装置,其特征在于,所述特征向量确定模块具体用于:
提取第一初始分割图像中每个连通区域内的每个体素的局部图像块PT2(x,y,z)′,PDWI(x,y,z)′,PADC(x,y,z)′,图像块为正方形,边长为2*rp;
将三个图像块展开并组合为一个列向量x∈Rd×1:
x=[PT2(x,y,z)′,PDWI(x,y,z)′,PADC(x,y,z)′]T;
其中,d=3*(2rp+1)2为特征向量维数;
第一初始分割图像中每个连通区域表示为其内部体素的局部图像块特征向量集合:其中,表示连通区域内部的体素个数。
15.如权利要求14所述的弥散加权成像图像中脑缺血区域的分割装置,其特征在于,所述稀疏编码矩阵确定模块具体用于:
基于已训练的学习字典D∈Rd×2K,对第一初始分割图像中每个连通区域内的局部图像块特征进行稀疏表示,确定稀疏编码α*∈R2K×1:
<mrow>
<msup>
<mi>&alpha;</mi>
<mo>*</mo>
</msup>
<mo>=</mo>
<mi>arg</mi>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mi>&alpha;</mi>
</munder>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<mi>x</mi>
<mo>-</mo>
<mi>D</mi>
<mi>&alpha;</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<mi>&lambda;</mi>
<mo>|</mo>
<mo>|</mo>
<mi>&alpha;</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>1</mn>
</msub>
<mo>;</mo>
</mrow>
α*中非零值对应字典D中原子的响应值;
对于连通区域基于稀疏表示确定其内部所有体素的局部图像块向量的稀疏编码矩阵其每一列αj表示第j个体素局部图像块向量的稀疏编码,表示连通区域内的体素个数。
16.如权利要求15所述的弥散加权成像图像中脑缺血区域的分割装置,其特征在于,所述包特征确定模块具体用于:
按如下公式确定第一初始分割图像中每个连通区域的包特征:
<mrow>
<msubsup>
<mi>z</mi>
<msub>
<mi>i</mi>
<mn>3</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>=</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>{</mo>
<mo>|</mo>
<msubsup>
<mi>&alpha;</mi>
<mn>1</mn>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>|</mo>
<mo>,</mo>
<mo>|</mo>
<msubsup>
<mi>&alpha;</mi>
<mn>2</mn>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>|</mo>
<mo>,</mo>
<mo>...</mo>
<mo>|</mo>
<msubsup>
<mi>&alpha;</mi>
<msub>
<mi>n</mi>
<msub>
<mi>i</mi>
<mn>3</mn>
</msub>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msubsup>
<mo>|</mo>
<mo>}</mo>
<mo>;</mo>
</mrow>
其中,表示局部图像块特征向量中的第k个元素,表示第j个稀疏编码向量的第k个元素;为每个连通区域的包特征。
17.如权利要求16所述的弥散加权成像图像中脑缺血区域的分割装置,其特征在于,所述训练模块具体用于:
提取训练图像中每个体素的灰度特征;
利用训练图像中每个体素的灰度特征训练随机森林模型,获得已训练的随机森林模型;
根据训练图像中每个体素的灰度特征,利用已训练的随机森林模型对训练图像进行脑缺血区域初始分割,获得第二初始分割图像;
选择训练图像中金标准图像的连通区域作为连通区域正样本,选择第二初始分割图像中与连通区域正样本中的连通区域无交集的连通区域作为连通区域负样本,所述连通区域正样本和连通区域负样本统称连通区域样本,其中,所述金标准图像为将每个体素标注为缺血体素或非缺血体素的DWI图像或ADC图像;
提取连通区域样本中每个连通区域内的每个体素的局部图像块,根据每个体素的局部图像块确定连通区域样本中每个连通区域内的局部图像块特征向量;
根据连通区域样本中所有连通区域内的局部图像块特征向量训练学习字典,获得已训练的学习字典;
基于已训练的学习字典,对连通区域样本每个连通区域内的局部图像块特征向量进行稀疏表示,确定连通区域样本每个连通区域内的局部图像块特征向量的稀疏编码矩阵;
根据连通区域样本中每个连通区域内的局部图像块特征向量的稀疏编码矩阵,确定连通区域样本中每个连通区域的包特征;
根据连通区域样本中每个连通区域的包特征得到训练集合,根据训练集合训练线性支持向量机模型,获得已训练的线性支持向量机模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611071234.0A CN108122221B (zh) | 2016-11-29 | 2016-11-29 | 弥散加权成像图像中脑缺血区域的分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611071234.0A CN108122221B (zh) | 2016-11-29 | 2016-11-29 | 弥散加权成像图像中脑缺血区域的分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108122221A true CN108122221A (zh) | 2018-06-05 |
CN108122221B CN108122221B (zh) | 2020-11-17 |
Family
ID=62224284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611071234.0A Active CN108122221B (zh) | 2016-11-29 | 2016-11-29 | 弥散加权成像图像中脑缺血区域的分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108122221B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846845A (zh) * | 2018-06-22 | 2018-11-20 | 西安电子科技大学 | 基于缩略图与分层模糊聚类的sar图像分割方法 |
CN109166133A (zh) * | 2018-07-14 | 2019-01-08 | 西北大学 | 基于关键点检测和深度学习的软组织器官图像分割方法 |
CN109410216A (zh) * | 2018-09-14 | 2019-03-01 | 北京市商汤科技开发有限公司 | 一种缺血性脑卒中图像区域分割方法及装置 |
CN109480780A (zh) * | 2018-11-14 | 2019-03-19 | 重庆三峡医药高等专科学校 | 一种脑卒中预警系统及方法 |
CN110111296A (zh) * | 2019-01-30 | 2019-08-09 | 北京慧脑云计算有限公司 | 深度学习的新发皮层下小梗死病灶自动分割系统及其方法 |
CN110298832A (zh) * | 2019-06-25 | 2019-10-01 | 沈阳东软智能医疗科技研究院有限公司 | 梗死灶区域检测方法、装置、存储介质及设备 |
CN111354001A (zh) * | 2018-12-20 | 2020-06-30 | 西门子医疗系统有限公司 | 脑肿瘤图像分割方法、装置和存储介质 |
CN111462078A (zh) * | 2020-03-31 | 2020-07-28 | 脑玺(苏州)智能科技有限公司 | 基于脑血管多模态核磁共振影像的图像处理方法 |
CN113538352A (zh) * | 2021-06-30 | 2021-10-22 | 沈阳先进医疗设备技术孵化中心有限公司 | 脑卒中组织窗评价值的获取方法及装置、存储介质 |
CN113808191A (zh) * | 2021-08-09 | 2021-12-17 | 邵志宇 | 急性缺血性脑卒中病灶区的自动量化及三维建模方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509282A (zh) * | 2011-09-26 | 2012-06-20 | 东南大学 | 一种融合结构连接的各脑区间的效能连接分析方法 |
CN103339653A (zh) * | 2010-12-17 | 2013-10-02 | 奥胡斯大学 | 勾画组织损伤的方法 |
CN103400385A (zh) * | 2013-07-22 | 2013-11-20 | 西安电子科技大学 | 稀疏动态集成选择的胃部ct图像疑似淋巴结提取方法 |
CN103714536A (zh) * | 2013-12-17 | 2014-04-09 | 深圳先进技术研究院 | 基于稀疏表示的多模态磁共振图像的分割方法及装置 |
CN105787918A (zh) * | 2014-12-22 | 2016-07-20 | 深圳先进技术研究院 | 一种急性缺血性卒中磁共振图像分析处理方法 |
-
2016
- 2016-11-29 CN CN201611071234.0A patent/CN108122221B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103339653A (zh) * | 2010-12-17 | 2013-10-02 | 奥胡斯大学 | 勾画组织损伤的方法 |
CN102509282A (zh) * | 2011-09-26 | 2012-06-20 | 东南大学 | 一种融合结构连接的各脑区间的效能连接分析方法 |
CN103400385A (zh) * | 2013-07-22 | 2013-11-20 | 西安电子科技大学 | 稀疏动态集成选择的胃部ct图像疑似淋巴结提取方法 |
CN103714536A (zh) * | 2013-12-17 | 2014-04-09 | 深圳先进技术研究院 | 基于稀疏表示的多模态磁共振图像的分割方法及装置 |
CN105787918A (zh) * | 2014-12-22 | 2016-07-20 | 深圳先进技术研究院 | 一种急性缺血性卒中磁共振图像分析处理方法 |
Non-Patent Citations (2)
Title |
---|
XIAODONG ZHANG ET AL.: "Segmentation of Hyperacute Cerebral Infarcts Based on Sparse Representation of Diffusion Weighted Imaging", 《COMPUTATIONAL AND MATHEMATICAL METHODS IN MEDICINE》 * |
YUQING PENG ET AL.: "Segmentation of Hyper-Acute Ischemic Infarcts from Diffusion Weighted Imaging Based on Support Vector Machine", 《JOURNAL OF COMPUTER AND COMMUNICATIONS》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846845A (zh) * | 2018-06-22 | 2018-11-20 | 西安电子科技大学 | 基于缩略图与分层模糊聚类的sar图像分割方法 |
CN108846845B (zh) * | 2018-06-22 | 2022-03-04 | 西安电子科技大学 | 基于缩略图与分层模糊聚类的sar图像分割方法 |
CN109166133B (zh) * | 2018-07-14 | 2021-11-23 | 西北大学 | 基于关键点检测和深度学习的软组织器官图像分割方法 |
CN109166133A (zh) * | 2018-07-14 | 2019-01-08 | 西北大学 | 基于关键点检测和深度学习的软组织器官图像分割方法 |
CN109410216A (zh) * | 2018-09-14 | 2019-03-01 | 北京市商汤科技开发有限公司 | 一种缺血性脑卒中图像区域分割方法及装置 |
CN109410216B (zh) * | 2018-09-14 | 2020-12-29 | 北京市商汤科技开发有限公司 | 一种缺血性脑卒中图像区域分割方法及装置 |
CN109480780A (zh) * | 2018-11-14 | 2019-03-19 | 重庆三峡医药高等专科学校 | 一种脑卒中预警系统及方法 |
CN109480780B (zh) * | 2018-11-14 | 2021-08-24 | 重庆三峡医药高等专科学校 | 一种脑卒中预警系统的评估方法及系统 |
CN111354001B (zh) * | 2018-12-20 | 2024-02-02 | 西门子医疗系统有限公司 | 脑肿瘤图像分割方法、装置和存储介质 |
CN111354001A (zh) * | 2018-12-20 | 2020-06-30 | 西门子医疗系统有限公司 | 脑肿瘤图像分割方法、装置和存储介质 |
CN110111296A (zh) * | 2019-01-30 | 2019-08-09 | 北京慧脑云计算有限公司 | 深度学习的新发皮层下小梗死病灶自动分割系统及其方法 |
CN110111296B (zh) * | 2019-01-30 | 2022-02-22 | 北京慧脑云计算有限公司 | 深度学习的新发皮层下小梗死病灶自动分割系统及其方法 |
CN110298832B (zh) * | 2019-06-25 | 2023-05-02 | 沈阳东软智能医疗科技研究院有限公司 | 梗死灶区域检测方法、装置、存储介质及设备 |
CN110298832A (zh) * | 2019-06-25 | 2019-10-01 | 沈阳东软智能医疗科技研究院有限公司 | 梗死灶区域检测方法、装置、存储介质及设备 |
CN111462078A (zh) * | 2020-03-31 | 2020-07-28 | 脑玺(苏州)智能科技有限公司 | 基于脑血管多模态核磁共振影像的图像处理方法 |
CN113538352A (zh) * | 2021-06-30 | 2021-10-22 | 沈阳先进医疗设备技术孵化中心有限公司 | 脑卒中组织窗评价值的获取方法及装置、存储介质 |
CN113808191A (zh) * | 2021-08-09 | 2021-12-17 | 邵志宇 | 急性缺血性脑卒中病灶区的自动量化及三维建模方法 |
CN113808191B (zh) * | 2021-08-09 | 2024-06-11 | 邵志宇 | 急性缺血性脑卒中病灶区的自动量化及三维建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108122221B (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108122221A (zh) | 弥散加权成像图像中脑缺血区域的分割方法及装置 | |
CN107644420B (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像系统 | |
CN107133651B (zh) | 基于超网络判别子图的功能磁共振影像数据分类方法 | |
CN101763644B (zh) | 肺结节三维分割与特征提取方法及系统 | |
WO2021203795A1 (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 | |
CN110766051A (zh) | 一种基于神经网络的肺结节形态学分类方法 | |
CN108288271A (zh) | 基于三维残差网络的图像检测系统及方法 | |
CN106296638A (zh) | 显著性信息取得装置以及显著性信息取得方法 | |
CN110503635B (zh) | 一种基于异构数据融合网络的手骨x光片骨龄评估方法 | |
CN101667289B (zh) | 基于nsct特征提取和监督分类的视网膜图像分割方法 | |
CN108537751B (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
DE102008060789A1 (de) | System und Verfahren zur nicht überwachten Detektion und Gleason-Abstufung für ein Prostatakrebspräparat (Whole-Mount) unter Verwendung von NIR Fluoreszenz | |
CN105760874A (zh) | 面向尘肺的ct图像处理系统及其ct图像处理方法 | |
CN108122008A (zh) | 基于稀疏表示和多特征决策级融合的sar图像识别方法 | |
CN106096636A (zh) | 一种基于神经影像的进展型轻度认知功能障碍识别方法 | |
CN108062749B (zh) | 肛提肌裂孔的识别方法、装置和电子设备 | |
CN103048329A (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
CN106096613A (zh) | 基于角点特征的图像多目标检测方法及装置 | |
CN103699904A (zh) | 多序列核磁共振影像的图像计算机辅助判断方法 | |
CN108052909B (zh) | 一种基于心血管oct影像的薄纤维帽斑块自动检测方法和装置 | |
CN104182755A (zh) | 基于塔形pca的乳腺钼靶x线图像块特征提取方法 | |
CN112465905A (zh) | 基于深度学习的磁共振成像数据的特征脑区定位方法 | |
CN108053401A (zh) | 一种b超图像处理方法及装置 | |
CN115546605A (zh) | 一种基于图像标注和分割模型的训练方法及装置 | |
CN106296649A (zh) | 一种基于水平集模型的纹理图像分割方法 |
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 |