CN108447063B - 脑胶质母细胞瘤的多模态核磁共振图像分割方法 - Google Patents

脑胶质母细胞瘤的多模态核磁共振图像分割方法 Download PDF

Info

Publication number
CN108447063B
CN108447063B CN201810104847.2A CN201810104847A CN108447063B CN 108447063 B CN108447063 B CN 108447063B CN 201810104847 A CN201810104847 A CN 201810104847A CN 108447063 B CN108447063 B CN 108447063B
Authority
CN
China
Prior art keywords
image
pixel
score
tumor
slice
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.)
Active
Application number
CN201810104847.2A
Other languages
English (en)
Other versions
CN108447063A (zh
Inventor
赖小波
高卫红
李文胜
黄燕
吕莉莉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Chinese Medicine University ZCMU
Original Assignee
Zhejiang Chinese Medicine University ZCMU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Chinese Medicine University ZCMU filed Critical Zhejiang Chinese Medicine University ZCMU
Publication of CN108447063A publication Critical patent/CN108447063A/zh
Application granted granted Critical
Publication of CN108447063B publication Critical patent/CN108447063B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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
    • 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
    • G06T2207/30096—Tumor; Lesion

Abstract

本发明提出一种脑胶质母细胞瘤的多模态核磁共振图像分割方法，采用了随机森林和区域生长法相融合的分割策略，将区域生长分割脑胶质瘤多模态磁共振图像的结果替换相应置信度低的随机森林粗分割结果，生成再训练数据再次训练随机森林模型，精分割脑胶质瘤多模态磁共振图像，将脑部核磁共振图像分割为脑部正常组织区、坏死区、活动肿瘤区、T1异常区以及FLAIR异常区5部分。本发明针对脑胶质母细胞瘤精细分割与定位，辅助医生诊断与治疗等任务的需要，使得脑胶质母细胞瘤能够准确定位以及肿瘤不同子区域得到更加准确精细分割，方便医生更加快速准确地诊断脑胶质母细胞瘤，并制定准确的治疗方案。

Description

脑胶质母细胞瘤的多模态核磁共振图像分割方法
技术领域
本发明涉及数字医学图像分析和智能健康管理领域，尤其是一种脑胶质母细胞瘤的多模态核磁共振图像分割方法。
背景技术
脑胶质瘤是最常见的原发性脑肿瘤，其中一半以上为恶性度最高的胶质母细胞瘤(Glioblastoma Multiforme,GBM)。对于GBM，无论其形式是良性还是恶性，均会使颅内压升高，压迫脑组织，导致中枢神经受损，危及患者生命。GBM病变组织的定位和量化计算(如肿瘤的体积等)对于GBM的诊断、手术规划、术后分析等至关重要。在临床上，放射科医生通常通过多模态磁共振图像手动分割肿瘤，工作十分繁琐且耗时。自动分割GBM肿瘤不仅可将医生从中解放出来，而且可有效避免因过度疲劳而产生的错误。因此，GBM肿瘤的计算机自动分割技术对GBM肿瘤的辅助治疗具有极其重要的意义。
纵观国内外各类文献报道，尽管实现GBM肿瘤的精确自动分割存在很大困难，但因其具有巨大的辅助医疗意义，近些年吸引了众多研究人员致力于对它的研究。目前已有的GBM多模态磁共振图像分割方法大概可以分为两类：一类是基于像素或体素的分割方法，另一类是基于图形的分割方法。基于像素或体素的分割方法的基本思想是依据各个像素在多模态图像上亮度、纹理等信息把该像素分类至相应的类别。而基于图形的分割算法则用图的顶点来表征图像像素，用图的边表征两个像素的相似性，由此形成一个网络图，通过解决能量最小化问题把图分割成子网络图，使不同子网络图之间的差异和同一子网络图内部的相似性达到最大。除了以上两类算法，基于水平集的分割算法也广泛应用于GBM多模态磁共振图像分割。但是，通过分析已有的GBM多模态磁共振图像分割方法发现，上述研究虽取得了一定的研究成果，但均集中在搜索和分割整个肿瘤区域，并未将整个肿瘤进一步细分为肿瘤不同子区域。分离出肿瘤不同子区域具有十分重要的意义，因为通过肿瘤不同子区域可以获取对GBM具有重要预测作用的高层次影像特征(如坏死区的比例等)。
申请号为201710379095.6的发明专利《一种基于全卷积网络的MRI图像脑肿瘤自动分割方法》，包括脑肿瘤多模态MRI图像预处理、全卷积网络模型构造、网络训练与参数调优和脑肿瘤图像自动分割。
该发明专利具有以下特点：
1、采用了T1、T1c、T2和FLAIR四种模态磁共振图像，将包含脑肿瘤的多模态磁共振图像分割成健康组织、水肿、坏死、增强核和非增强核。
2、采用了按语义训练的卷积神经网络架构，对输入的整张图像的每个像素进行预测，包括编码部分(提取特征)和解码部分(降采样或去卷积从编码器得到的高维特征)和组合从编码部分得到的高维特征来分类像素，不能加快分割速度并避免训练时出现网络权值数量爆炸的问题。
发明内容
本发明的目的在于提出了一种随机森林和区域生长法相融合，实现精分割脑胶质母细胞瘤的多模态核磁共振图像的方法。
为解决上述技术问题，本发明提出一种脑胶质母细胞瘤的多模态核磁共振图像分割方法：
步骤1、预处理过程：收集并预处理脑胶质母细胞瘤的多模态核磁共振图像，建立训练样本和测试样本；
步骤2、粗分割过程：采用步骤1所得的训练样本训练随机森林，构建初始随机森林模型；将步骤1所得的测试样本输入初始随机森林模型进行粗分割，获得粗分割结果；
步骤3、精分割过程：选取种子点，使用区域生长法生长相应区域；将区域生长结果的高分部分对步骤2所得的粗分割结果进行置换，并利用置换完成的粗分割结果对步骤2建立的初始随机森林模型进行再训练，获得随机森林模型；将步骤1所得的测试样本输入随机森林模型进行精分割，获得精分割结果；
步骤4、后处理过程：对步骤3所得的精分割结果进行后处理。
作为本发明脑胶质母细胞瘤的多模态核磁共振图像分割方法的改进：
所述多模态核磁共振图像包括脑部正常组织区、坏死区、活动肿瘤区、T1异常区(不包括坏死区和活动肿瘤区)以及FLAIR异常区(不包括坏死区和活动肿瘤区和T1异常区)5类，且5个区域均不重叠。
作为本发明脑胶质母细胞瘤的多模态核磁共振图像分割方法的进一步改进：
所述步骤1预处理过程具体包括以下步骤：
1.1、收集并调整脑胶质母细胞瘤多模态核磁共振图像的大小，并计算其切片图像个数sliceNum，对多模态核磁共振图像进行切片处理，获得对应的切片图像；手动分割每个切片图像，获得与其对应的标签图像，将所有脑胶质母细胞瘤多模态核磁共振图像的切片图像及其标签图像根据留一法分成训练样本和测试样本；
1.2、获取每个切片图像中的像素个数，以及每层切片图像上开始像素的索引号与结束像素的索引号。
作为本发明脑胶质母细胞瘤的多模态核磁共振图像分割方法的进一步改进：
所述步骤2粗分割过程具体包括以下步骤：
2.1、初始随机森林模型的训练过程：利用步骤1.2所得的训练样本训练随机森林，设置决策树的个数为100，每个决策树均随机选取5个特征变量，得到训练好的初始随机森林模型；
2.2、测试过程：利用步骤2.1训练好的初始随机森林模型，对步骤1.2所得的测试样本中每一个切片图像的每一个像素进行预测，得到相应的预测标签以及每个像素所属5个类别的概率分数；
2.3、粗分割过程：根据步骤2.2测试过程得到的测试样本中每一个像素的预测标签，遍历每一层切片图像上的每一个像素，得到关于测试样本中每一个切片图像的粗分割结果。
作为本发明脑胶质母细胞瘤的多模态核磁共振图像分割方法的进一步改进：
所述步骤2粗分割过程还包括以下步骤：
2.4、利用标签图像提取每个标签图像对应切片图像非零部分作为该切片图像的头部区域的掩模；
2.5、利用标签图像生成对应切片图像包含肿瘤区域的矩形边界；
2.6、根据步骤2.2所获得的每个像素所属5个类别的概率分数，遍历所有的像素，将每个像素的概率分数由低到高进行排序；得到该像素的得分scoreGap；公式如下：
ScoreGap＝scoremax-scoresecond
其中，scoremax表示该像素5个分类的最高分数的分值，scoresecond表示该像素5个类别的概率分数中的第二高分数的分值；
2.7、根据步骤2.3所得到的粗分割结果，遍历粗分割后的测试样本中的每一个切片图像上的每一个像素，并将步骤2.6所得到的得分与相应的像素所对应，得到得分图。
作为本发明脑胶质母细胞瘤的多模态核磁共振图像分割方法的进一步改进：
所述步骤3精细分割过程中选取种子点的方法如下：
3.1、设置置信区间：
首先分析肿瘤区域内每个置信区间的准确性：利用步骤2.7所得到的得分图、步骤2.2中所得的标签图像、步骤2.3得到的粗分割结果与步骤2.5所得的肿瘤区域的矩形边框分别进行卷积操作得到肿瘤区域的得分图、肿瘤区域的标签图像和肿瘤区域的自动分割结果；
设置置信区间：以0.1为间隔设置0-1之间10个置信区间；获取处于每个置信区间内的像素，设置每一个阶段的端点，每一个阶段的间隔为0.1，ind包含不同置信区间的像素及其信息；
3.2、获取步骤3.1中所设置的每个置信区间的像素及其信息：
ind{1}：肿瘤区域内的得分图<0.1的部分与由步骤3.1肿瘤区域的标签图像的非0部分进行逻辑“与”运算所得的像素及其信息；
ind{2}至ind{9}：前一阶段端点<肿瘤区域内的得分图<后一阶段端点的部分，并与步骤3.1所得肿瘤区域的标签图像的非0部分进行逻辑“与”运算所得的像素及其信息(例：0.1<肿瘤区域内的得分图<0.2，且肿瘤区域的标签图像>0，则对应像素放入ind{2})；
ind{10}：肿瘤区域内的得分图>0.9，并与由步骤3.1肿瘤区域的标签图像的非0部分进行逻辑“与”运算所得的像素及其信息；
3.3、选择种子点：
首先提取肿瘤区域内每一个置信区间内的所有像素点，获得像素点的行坐标、列坐标、所在切片图像数、得分和对应预测标签；
依据得分将像素点进行由小到大排序，并获取排序后像素的索引号；依据排序后第一个索引号提取出此像素作为种子点，剩下的点作为当前点，依次计算当前点与种子点之间的距离，计算公式如下：
Figure BDA0001567511350000041
其中w1为特征距离的权重，w2为位置距离的权重；x、y、z为种子点的坐标，x1、y1、z1为当前点的坐标，dslice为每两个相邻切片图像之间的距离；
当Dseed<阈值(10)，则继续进行下一个点的距离测量，直至大于等于阈值时获得一个种子点；最多种子点数为50；
可视化步骤2.7得到的得分图和标签图像中每一个切片图像上选择的种子点，并可视化种子点对应的类别标签分布。
作为本发明脑胶质母细胞瘤的多模态核磁共振图像分割方法的进一步改进：
所述步骤3精细分割过程中进行区域生长的方法为：采用步骤3.3中所得的种子点通过三维区域生长法进行区域生长；
根据不同区域选择的种子点生长该区域：根据种子点的坐标提取测试数据集中像素的相应特征，并为每一个特征都赋予一个权重，计算当前种子点与测试样本中其他像素点之间的距离；利用以下公式进行距离计算：
Figure BDA0001567511350000051
其中，x1、y1、z1为测试样本中其它像素的坐标，x、y、z为当前种子点的坐标；s为当前像素某特征与种子点对应特征的差的平方乘以对应特征权重的和；L为所有非零权重的个数；w1为特征距离的权重，w2为位置距离的权重；dslice为每两个相邻切片图像之间的距离；
若种子点与当前像素间的距离小于限制距离的阈值Tdist＝30时，并且得分小于限制分数(当前像素与种子点之间的得分差)的阈值Tconf＝0.2时，则此像素将视作与种子点属于相同类别；遍历所有种子点后三维区域生长完毕，得到脑胶质母细胞瘤多模态磁共振图的三维区域生长分割结果。
作为本发明脑胶质母细胞瘤的多模态核磁共振图像分割方法的进一步改进：
所述步骤3精细分割过程中建立随机森林模型的方法如下：
首先区域生长结果的高分部分对步骤2.3所得的粗分割结果进行置换，具体步骤如下：
设置高分阈值为0.7，首先将肿瘤区域得分图中大于0.7的区域和三维区域生长分割结果进行逻辑“与”运算，得到生长区域内的高分分割结果；然后将肿瘤区域得分图中大于0.7的区域和三维区域生长外的分割结果进行逻辑“与”运算，得到生长区域外的高分结果；生长区域内的高分结果和生长区域外的高分结果叠加后，生成再训练数据；
将所得的再训练数据进行初始随机森林模型的再训练，获随机森林模型。
作为本发明脑胶质母细胞瘤的多模态核磁共振图像分割方法的进一步改进：
所述步骤4后处理过程为：对步骤3中获得的精细分割结果的每一层切片图像利用5×5的中值滤波器，并移除小于200像素的区域以及填充图像空洞区域。
本发明与现有技术相比，具有如下技术优势：
1、本发明仅采用了GBM(脑胶质母细胞瘤)患者T1、T1c和FLAIR三种模态的核磁共振图像进行肿瘤分割，而不是T1、T1c、T2和FLAIR四种，进而一定程度上降低了数据采集和存储的成本。
2、本发明采用了随机森林和区域生长法相融合的分割策略，将区域生长分割脑胶质瘤多模态磁共振图像的结果替换相应置信度低的随机森林粗分割结果，生成再训练数据重新训练随机森林模型，精分割脑胶质瘤多模态磁共振图像，能够提高脑胶质瘤多模态核磁共振图像的分割精度。
3、本发明将整个GBM肿瘤分割为坏死区、活动肿瘤区、T1异常区(不包括坏死区和活动肿瘤区)以及Flair异常区(不包括坏死区、活动肿瘤区和T1异常区)，能够获取对GBM具有重要预测作用的高层次影像特征(如坏死区的比例、活动肿瘤区边界的厚度等)。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细说明。
图1为本发明脑胶质母细胞瘤的多模态核磁共振图像分割方法的原理框图；
图2为本发明实施例的肿瘤区域内每个置信区间的精度分布情况；
图3为本发明实施例的种子点在切片图像中的分布情况(30个种子点在7张切片图像中的分布情况)；
图4为本发明实施例的种子点类别标签的分布情况；
图5为本发明实施例的5种不同肿瘤子区域的面积分布情况；
图6为本发明实施例的一个切片图像对应的标签图像(左上图)、粗分割结果图(右上图)，再训练分割结果图(左下图)，以及替换结果图(右下图)。
具体实施方式
下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此。
实施例1、脑胶质母细胞瘤的多模态核磁共振图像分割方法，如图1-6所示，多模态核磁共振图像(下文将核磁共振简称为MRI)包括T1W注射造影剂之前的图像(T1)、T1W注射造影剂之后的图像(T1c)以及FLAIR图像3种模态图像信息。
本发明根据随机森林与区域生长方法，将脑部的MRI图像分割为脑部正常组织区、坏死区、活动肿瘤区、T1异常区(不包括坏死区和活动肿瘤区)以及FLAIR异常区(不包括坏死区、活动肿瘤区和T1异常区)5部分，以上5个分割区域不存在交叉区域。随机森林具有需要调整的参数少、运算速率高、抗噪声能力强和不会出现过拟合现象等特点。
由于本发明在对多模态MRI图像进行精细分割时，对坏死区与活动肿瘤区进行了单独分割，为实现对多模态MRI图像(T1模态图像)中全部异常区域进行分割，故本发明还对除去坏死区与活动肿瘤区的T1异常区域进行分割。为将整个肿瘤得到最全面的分割，本发明多模态MRI图像还包括FLAIR模态图像信息，由于核磁共振不同模态的图像侧重表现脑部图像不同的差异信息，本发明特将FLAIR模态图像中除去坏死区、活动肿瘤区和T1异常区的异常区(即FLAIR异常区)进行分割。
本发明针对脑胶质母细胞瘤精细分割与定位，辅助医生诊断与治疗等任务的需要，提出基于随机森林与区域生长的多模态MRI图像脑胶质母细胞瘤的分割方法，使得脑胶质母细胞瘤能够准确定位以及肿瘤不同子区域得到更加准确精细分割，方便医生更加快速准确地诊断脑胶质母细胞瘤，以及制定准确地治疗方案。本实施例中所使用的多模态MRI图像均来自TCGA(The Cancer Genome Atlas)数据库，即，从TCGA数据库中随机抽取若干个(k)具体脑胶质母细胞瘤案例(下文中简称为案例)所对应的多模态MRI图像构建本实施例的训练样本和测试样本。
具体包括以下步骤：
1、预处理过程：依次预处理每个案例中每张多模态MRI图像，获取对应的切片图像，以及每个切片图像中所有像素信息，具体包括以下步骤：
1.1、多模态MRI图像为三维图像。为对三维图像做出处理，需要对该三维图像进行平面化处理，即，切片图像化。
由于不同个体的MRI图像的切片图像个数可能存在差异，因此需要在分割MRI图像前调整该MRI图像大小，计算切片图像个数。
本实施例中设置每个切片图像高H和宽W的大小均为256，读取对应案例的起始片索引S和结束片索引E，计算该案例的切片图像个数sliceNum。计算如下式：
sliceNum＝E–S+1
其中sliceNum为案例包含的切片图像个数，S为案例起始切片图像数，E为结束切片图像数，在本实施例中，S＝3，E＝28，sliceNum＝26。由于本方法是将三维的MRI图像切片图像化处理后在每一张切片图像上实现肿瘤部分的分割所以平面化处理必不可少，且每个患者MRI图像的切片图像个数不尽相同，计算切片图像个数也是不可缺少的部分。
1.2、标注收集的每个切片图像对应脑部正常组织区、坏死区、活动肿瘤区、T1异常区(不包括坏死区和活动肿瘤区)以及FLAIR异常区(不包括坏死区、活动肿瘤区和T1异常区)的像素类别，得到标签图像，并将每个患者的MRI图像及其对应的标签图像分成训练样本和测试样本。标签图像为专家手动分割对应切片图像获得。
本实施例中，采用留一法对随机森林进行训练及测试，即，从TCGA数据库中随机抽取n个案例，将所有案例进行步骤1.1的平面化处理后，依次选取其中一个案例作为测试样本，所有剩余案例作为训练样本，对随机森林进行训练及测试，直至所有案例均作过测试样本(k个案例则重复进行k次训练及测试)。由于每次对随机森林的训练及验证步骤均相同，故本实施例中仅对其中一次训练及测试的步骤进行详细表述，此时测试样本抽取的一个案例，即，1位患者MRI图像及其对应标签图像的数据集；训练样本为剩余案例，即，所有剩余患者MRI图像及其对应标签图像的数据集；其目的是为了用于随机森林的训练获取不同类别的信息。
1.3、提取实施例的测试样本中每个像素的z分量，用于区分每个像素处于第几个切片图像。使用以下方法获取每个切片图像中的像素个数，以及每层切片图像上开始像素的索引号与结束像素的索引号。
遍历测试样本中每一个像素的z分量信息，当遍历到的像素的z分量信息与第一个像素的z分量信息相同时则该像素属于第一个切片图像，当遍历的像素的z分量信息与属于前一个切片图像的z分量信息不同时，此像素作为下一个切片图像的开始像素，此像素的索引号作为下一个切片图像的开始像素的索引号，此像素的索引号减1则是上一个切片图像的结束索引号。持续进行遍历，直至将所有像素遍历完成，每个像素都有其所在的切片图像。同时将属于同一个切片图像的所有像素个数进行累加得到每个切片图像中的像素个数，将每个切片图像的像素个数信息存放于二维矩阵nSlice中，将每个切片图像的开始像素的索引号与结束像素的索引号存放于二维矩阵scale中。
2、粗分割过程：利用步骤1.2所得的训练样本进行训练，获得初始随机森林模型，并将测试样本中的每个切片图像通过该初始随机森林模型实现粗分割，获得与切片图像相对应的得分图。具体操作过程如以下步骤：
2.1、初始随机森林模型的训练过程：利用步骤1.2获取的训练样本训练随机森林，设置决策树的个数为100，每个决策树均随机选取5个特征变量，得到训练好的初始随机森林模型。
特征包括局部位置特征、强度特征、纹理特征、对称特征和上下文特征等特征，可根据实际工作需要进行添加或删减，本实施例中，提取每个像素点的3个局部位置特征、42个强度特征、144个纹理特征、18个对称特征以及12个上下文特征，总共219个底层特征。上述特征的提取均采用现有的技术手段，故不再说明书中对其提取方式进行具体描述。
2.2、测试过程：利用步骤2.1训练好的初始随机森林模型对测试样本中每个切片图像的每一个像素进行预测，得到相应的预测标签以及每个像素所属5个类别的概率分数。其中预测标签为该像素概率分数最高类别对应的类别标签。
2.3、粗分割过程：根据步骤2.2测试过程所得到的测试样本中每一个像素的预测标签，遍历每一层切片图像上的每一个像素，得到关于测试样本中每一个切片图像的自动分割结果，该自动分割结果即为粗分割结果。
2.4、根据步骤1.2获得的由专家手动分割的每个切片图像的标签图像，利用标签图像提取对应切片图像非零部分作为该切片的头部区域的掩模。
2.5、利用标签图像生成对应切片图像包含肿瘤区域的矩形边界。
2.6、根据步骤2.2中获得的每个像素所属5个类别的概率分数，遍历所有的像素，将每个像素的5种类别对应的概率得分由低到高进行排序，计算得到该像素的得分scoreGap。公式如下：
ScoreGap＝scoremax-scoresecond
其中，scoremax表示该像素所属5个类别的最高分数的分值，scoresecond表示该像素所属5个类别的第二高分数的分值。
2.7、根据步骤2.3粗分割结果，遍历粗分割后的测试样本中的每一个切片图像上的每一个像素，并将步骤2.6中得到的得分scoreGap对应在相应的像素，得到得分图。
3、精细分割过程：精细分割过程包括利用区域生长挑选生长区域的高分区域替代步骤2.3获得的粗分割结果中的对应区域，并利用测试样本的粗分割结果及区域生长置换后的数据进行初始随机森林模型的重新训练，获得随机森林模型，利用随机森林模型对测试样本进行再测试得到精细分割结果。具体操作过程包括以下步骤：
3.1、设置置信区间：
首先分析肿瘤区域内每个置信区间的准确性：利用步骤2.7所得到的得分图、由专家手动分割的标签图像、步骤2.3得到的自动分割结果(粗分割结果)与步骤2.5中求得的肿瘤区域的边界数据(肿瘤区域的矩形边框)分别进行卷积，从而得到肿瘤区域的得分图、肿瘤区域的标签图像和肿瘤区域的自动分割结果，即，得分图与肿瘤区域的边界数据卷积得到肿瘤区域的得分图、标签图像与肿瘤区域的边界数据卷积得到肿瘤区域的标签图像、粗分割结果与肿瘤区域的边界数据卷积得到肿瘤区域的自动分割结果。
设置置信区间：以0.1分为间隔设置0-1之间10个置信区间。获取处于每个置信区间内的像素，ind包含不同置信区间的像素及其信息(与该像素相关的所有信息，如该像素的坐标、索引号、特征信息、类别标签信息、得分情况等)，具体过程如下所示：
设置置信区间的端点分别为：0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9，间隔为0.1。由端点获得10个置信区间：
[0-0.1]、[0.1-0.2]、[0.2-0.3]、[0.3-0.4]、[0.4-0.5]、[0.5-0.6]、[0.6-0.7]、[0.7-0.8]、[0.8-0.9]和[0.9-1]。
3.2、获取步骤3.1中所设置的每个置信区间的像素及其信息：对于每一个置信区间，当在第一个区间内时，根据由步骤3.1得到的肿瘤区域内的得分图，将肿瘤区域内的得分图<0.1的部分与由步骤3.1得到的肿瘤区域的标签图像的非0部分进行逻辑“与”运算，将得到的像素放入ind{1}中。此过程是将得分小于0.1并且在标签图像中为肿瘤部分的测试样本的像素及其信息放入ind{1}中，即获取了第一置信区间内的像素。剩余阶段：前一阶段端点<肿瘤区域内的得分图<后一阶段端点并与由步骤3.1肿瘤区域的标签图像的非0部分进行逻辑“与”运算，最后一个区间ind{10}为得分>0.9并与由步骤3.1肿瘤区域的标签图像的非0部分进行逻辑“与”运算。
即，ind{1}：肿瘤区域内的得分图<0.1的部分与由步骤3.1所得的肿瘤区域的标签图像的非0部分进行逻辑“与”运算所得的像素及其信息；
ind{2}至ind{9}：前一阶段端点<肿瘤区域内的得分图<后一阶段端点的部分，并与步骤3.1所得肿瘤区域的标签图像的非0部分做进行逻辑“与”运算所得的像素及其信息(例：0.1<肿瘤区域内的得分图<0.2，且肿瘤区域的标签图像>0，则对应像素放入ind{2})；
ind{10}：肿瘤区域内的得分图>0.9，并与由步骤3.1肿瘤区域的标签图像的非0部分进行逻辑“与”运算所得的像素及其信息。
将每个区间的肿瘤区域的得分图和肿瘤区域的标签图像进行逻辑“与”运算后,与对应区间的粗分割结果进行比较，若两者相等则认为该体素分割正确；反之，则分割错误。对每个分数区间分割正确的体素个数求和，获得该区间分割正确的体素总数，将其除以该区间所有体素总数即得到每个分数区间的精度，如表1所示。
表1、本实施例中各个置信区间的精确度
置信区间 精确度
0-0.1 0.3757
0.1-0.2 0.4564
0.2-0.3 0.4570
0.3-0.4 0.3866
0.4-0.5 0.3982
0.5-0.6 0.4843
0.6-0.7 0.6620
0.7-0.8 0.8276
0.8-0.9 0.9371
0.9-1 0.9900
如图2所示，肿瘤区域内置信区间越高，其精确度越大。从图2和表1中均可以看出，粗分割得到的肿瘤区域中仍有部分像素的分割结果分布在低置信度区间，所以需要进行精细分割。
3.3、选择种子点：通过计算距离选择种子点。每两个种子点之间的最小距离为10，最多选取种子点个数为50。
3.3.1、首先提取步骤3.2中每一个置信区间内的所有像素点，获得像素点的行坐标、列坐标、所在切片图像数、得分和对应类别标签(即，预测标签)。此时获得的像素点为肿瘤区域内的像素点。
3.3.2、距离计算：依据分数将步骤3.3.1中获取的像素点进行由小到大排序并获取了排序后像素的索引号。依据排序后第一个索引号提取出此像素的信息作为种子点，剩下的点作为当前点，计算当前点与种子点之间的距离。采用欧氏距离作为基础距离算法，在计算距离时考虑特征距离的权重与位置距离的权重以及相应两个切片图像之间的距离，计算公式如下：
Figure BDA0001567511350000111
其中w1为特征距离的权重，w2为位置距离的权重，本实施例中w1和w2均为0.5；x、y、z为种子点的坐标，x1、y1、z1为当前点的坐标，dslice为每两个相邻切片图像之间的距离，每两个相邻切片图像的距离相等并均为2.5。
当Dseed<阈值(10)，则继续进行下一个点的距离测量，当大于等于阈值时，此点就被算作一个种子点。当达到最多种子点数50时，停止种子点的选择，得到种子点的类别标签。本实施例中共选择出30个种子点。
3.3.3、检测种子点是否有效，具体检测方法如下：
将测试样本作为输入的测试样本矩阵，其中每一行均为一个特征。输入种子点的坐标。遍历测试样本中的每一行时，当种子点的三维坐标均与测试样本中的某一行的前3个位置特征相等时。此种子点为有效的种子点，测试样本中此行即为种子点的特征。否则判定为无效种子点。本实施例中选择的种子点经检测全部有效。
3.3.4、可视化每一个切片图像的得分图和标签图像中选择的种子点，并可视化种子点的类别标签分布；本实施例的种子点在切片图像的分布情况如图3所示，由图3可知，步骤3.3.2所得的30个种子点分布在不同的切片图像中，即，本实施例中30个种子点分布在图3所示的7张切片图像中。
本实施例中种子点类别标签的分布情况如图4所示，由图4可知，并不是所有案例中4个肿瘤子区域(不包含正常脑部区域)都会出现，实施例中出现3个种类。
其中实施例中选择的种子点分别属于以下肿瘤子区域：
脑部正常组织区(标签1)，选取13个种子点，标号为：17、19、20、21、22、23、24、25、26、27、28、29和30；
坏死区(标签2)，选取2个种子点，标号为：8和13；
T1异常区(标签4)，选取4个种子点，标号为：6、14、16和18；
FLAIR异常区(标签5)，选取11个种子点，标号为1、2、3、4、5、7、9、10、11、12和15。
本实施例中不同子区域的面积分布情况如图5所示，其中脑部正常组织区和FLAIR异常区面积最大，与种子点分布相吻合。
注：不同子区域的面积以及对其他高层次影像特征的计算为现有技术，即，完成对子区域的分割后，可以通过现有技术轻易获得子区域面积(或其他高层次影像特征)。
3.4、区域生长过程：本发明采用三维区域生长法进行区域生长。
根据不同区域选择的种子点生长该区域：根据种子点的坐标提取测试样本中像素的相应特征，并为每一个特征都赋予一个权重，从而计算当前种子点与测试样本中其他像素点之间的距离。本实施例中为第4-45个特征权重赋值为1(4-45个特征为强度特征)，其余赋值为0。
利用以下公式进行距离计算：
Figure BDA0001567511350000121
其中，x1、y1、z1为测试样本中其它像素的坐标，x、y、z为当前种子点的坐标；s为当前像素某特征与种子点对应特征的差的平方乘以对应特征权重的和；L为所有非零权重的个数；w1特征距离的权重为0.5，w2位置距离的权重为0.5；两个临近切片图像之间的距离dslice固定设置为2.5。
若种子点与当前像素间的距离小于限制距离的阈值Tdist＝30时，并且得分小于限制分数(当前像素与种子点之间的得分差)的阈值Tconf＝0.2时，则此像素将视作与种子点属于相同类别。遍历所有种子点后三维区域生长完毕，得到脑胶质母细胞瘤多模态磁共振图的三维区域生长分割结果。对于重叠区域，即像素具有多个类别标签，则将与其欧氏距离最小的种子点的类别标签作为该像素的类别标签。
3.5、替换过程：
设置高分阈值为0.7，首先将步骤2.7所得到的肿瘤区域得分图中大于0.7的区域和步骤3.4所得的三维区域生长分割结果进行逻辑“与”运算，得到生长区域内的高分分割结果；然后将步骤2.7所得到的肿瘤区域得分图中大于0.7的区域和步骤3.4所得的三维区域生长外的分割结果进行逻辑“与”运算，得到生长区域外的高分结果。生长区域内的高分结果和生长区域外的高分结果叠加后，生成再训练数据。
注：此过程是为提高数据集中类别标签的准确性，故只提取了具有高准确性的部分数据，对于区域生长结果与自动分割结果不相同的部分数据我们未进行提取。
3.6、再训练过程：初始随机森林模型的再训练与测试样本的测试，得到再训练后的图像，具体方式为：
采用步骤3.5置换后所得的再训练数据对初始随机森林模型进行再训练(具体训练方式如步骤2.1)，得到再训练后的随机森林模型。将初始的测试样本(即，步骤1.1中所得的测试样本)或使用随机森林模型进行测试，得到再训练分割结果即精分割结果。
4、后处理过程：为了进一步改善脑胶质母细胞瘤多模态MRI的分割结果，本文考虑脑胶质母细胞瘤的肿瘤解剖结构先验知识，对精分割结果进行后处理。
4.1、对步骤2.3中获得的自动分割结果与步骤3.6中获得的精分割结果进行后处理。对于上述两种分割结果的每一层切片图像利用5×5的中值滤波器移除小于200像素的区域，填充图像空洞区域，实现分割结果的可视化。
如图6所示，左上图为本实施例中的一个切片图像的标签图像，右上为该切片图像的粗分割结果，左下为该切片图像的再训练分割结果(即，通过再训练所得的随机森林模型进行分割的结果)，右下为该切片图像的通过步骤3.5后所得的替换结果图。由再训练分割结果与粗分割结果与标签图像对比可以得出精分割后的肿瘤区域更完整，证明进行精分割过程能跟提高分割精度。
在实际实用过程中，将待分割多模态MRI图像代替上述测试样本，输入至随机森林模型进行分割，即可获得对应的精分割结果。
综上所述，本发明仅采用了GBM(脑胶质母细胞瘤)患者T1、T1c和FLAIR三种模态的核磁共振图像进行肿瘤分割，而不是T1、T1c、T2和FLAIR四种，能够在一定程度上降低了数据采集和存储的成本；此外，本发明采用了随机森林和区域生长法相融合的分割策略，将区域生长分割脑胶质瘤多模态磁共振图像的结果替换相应置信度低的随机森林粗分割结果，生成再训练数据重新训练，获得随机森林模型，精分割脑胶质瘤多模态磁共振图像，能够提高脑胶质瘤多模态核磁共振图像的分割精度；本发明将整个GBM肿瘤分割为坏死区、活动肿瘤区、T1异常区(不包括坏死区和活动肿瘤区)以及Flair异常区(不包括坏死区、活动肿瘤区和T1异常区)，能够获取对GBM具有重要预测作用的高层次影像特征(如坏死区的比例、活动肿瘤区边界的厚度等)。
最后，还需要注意的是，以上列举的仅是本发明的若干个具体实施例。显然，本发明不限于以上实施例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。

Claims (7)

1.脑胶质母细胞瘤的多模态核磁共振图像分割方法，其特征在于包括以下步骤：
步骤1、预处理过程：收集并预处理脑胶质母细胞瘤的多模态核磁共振图像，建立训练样本和测试样本；
步骤2、粗分割过程：采用步骤1所得的训练样本训练随机森林，构建初始随机森林模型；将步骤1所得的测试样本输入初始随机森林模型进行粗分割，分别相应获得得分图、标签图像、粗分割结果、肿瘤区包含域的矩形边框；
步骤3、精分割过程：选取种子点，使用区域生长法生长相应区域；将区域生长结果的高分部分对步骤2所得的粗分割结果进行置换，并利用置换完成的粗分割结果对步骤2建立的初始随机森林模型进行再训练，获得随机森林模型；将步骤1所得的测试样本输入随机森林模型进行精分割，获得精分割结果；
选取种子点的方法如下：
3.1、设置置信区间：
首先分析肿瘤区域内每个置信区间的准确性：利用步骤2所得到的得分图、标签图像、粗分割结果、包含肿瘤区域的矩形边框分别进行卷积操作得到肿瘤区域的得分图、肿瘤区域的标签图像和肿瘤区域的自动分割结果；
设置置信区间：以0.1为间隔设置0-1之间10个置信区间；获取处于每个置信区间内的像素，设置每一个阶段的端点，每一个阶段的间隔为0.1，ind包含不同置信区间的像素及其信息；
3.2、获取步骤3.1中所设置的每个置信区间的像素及其信息：
ind{1}：肿瘤区域内的得分图<0.1的部分与由步骤3.1肿瘤区域的标签图像的非0部分进行逻辑“与”运算所得的像素及其信息；
ind{2}至ind{9}：前一阶段端点<肿瘤区域内的得分图<后一阶段端点的部分，并与步骤3.1所得肿瘤区域的标签图像的非0部分进行逻辑“与”运算所得的像素及其信息；
ind{10}：肿瘤区域内的得分图>0.9，并与由步骤3.1肿瘤区域的标签图像的非0部分进行逻辑“与”运算所得的像素及其信息；
3.3、选择种子点：
首先提取肿瘤区域内每一个置信区间内的所有像素点，获得像素点的行坐标、列坐标、所在切片图像数、得分和对应预测标签；
依据得分将像素点进行由小到大排序，并获取排序后像素的索引号；依据排序后第一个索引号提取出此像素作为种子点，剩下的点作为当前点，依次计算当前点与种子点之间的距离，计算公式如下：
Figure FDA0002442065950000021
其中w1为特征距离的权重，w2为位置距离的权重；x、y、z为种子点的坐标，x1、y1、z1为当前点的坐标，dslice为每两个相邻切片图像之间的距离；
当Dseed<阈值，则继续进行下一个点的距离测量，直至大于等于阈值时获得一个种子点；最多种子点数为50；
可视化步骤2得到的得分图和标签图像中每一个切片图像上选择的种子点，并可视化种子点对应的类别标签分布；
区域生长的方法为：采用步骤3.3中所得的种子点通过三维区域生长法进行区域生长；
根据不同区域选择的种子点生长该区域：根据种子点的坐标提取测试数据集中像素的相应特征，并为每一个特征都赋予一个权重，计算当前种子点与测试样本中其他像素点之间的距离；利用以下公式进行距离计算：
Figure FDA0002442065950000022
其中，x1、y1、z1为测试样本中其它像素的坐标，x、y、z为当前种子点的坐标；s为当前像素某特征与种子点对应特征的差的平方乘以对应特征权重的和；L为所有非零权重的个数；w1为特征距离的权重，w2为位置距离的权重；dslice为每两个相邻切片图像之间的距离；
若种子点与当前像素间的距离小于限制距离的阈值Tdist＝30时，并且得分小于限制分数的阈值Tconf＝0.2时，则此像素将视作与种子点属于相同类别；遍历所有种子点后三维区域生长完毕，得到脑胶质母细胞瘤多模态磁共振图的三维区域生长分割结果；
步骤4、后处理过程：对步骤3所得的精分割结果进行后处理。
2.根据权利要求1所述的脑胶质母细胞瘤的多模态核磁共振图像分割方法，其特征在于：
所述多模态核磁共振图像包括脑部正常组织区、坏死区、活动肿瘤区、T1异常区以及FLAIR异常区5类，且5个区域均不重叠。
3.根据权利要求2所述的脑胶质母细胞瘤的多模态核磁共振图像分割方法，其特征在于：
所述步骤1预处理过程具体包括以下步骤：
1.1、收集并调整脑胶质母细胞瘤多模态核磁共振图像的大小，并计算其切片图像个数sliceNum，对多模态核磁共振图像进行切片处理，获得对应的切片图像；手动分割每个切片图像，获得与其对应的标签图像，将所有脑胶质母细胞瘤多模态核磁共振图像的切片图像及其标签图像根据留一法分成训练样本和测试样本；
1.2、获取每个切片图像中的像素个数，以及每层切片图像上开始像素的索引号与结束像素的索引号。
4.根据权利要求3所述的脑胶质母细胞瘤的多模态核磁共振图像分割方法，其特征在于：
所述步骤2粗分割过程具体包括以下步骤：
2.1、初始随机森林模型的训练过程：利用步骤1.2所得的训练样本训练随机森林，设置决策树的个数为100，每个决策树均随机选取5个特征变量，得到训练好的初始随机森林模型；
2.2、测试过程：利用步骤2.1训练好的初始随机森林模型，对步骤1.2所得的测试样本中每一个切片图像的每一个像素进行预测，得到相应的预测标签以及每个像素所属5个类别的概率分数；
2.3、粗分割过程：根据步骤2.2测试过程得到的测试样本中每一个像素的预测标签，遍历每一层切片图像上的每一个像素，得到关于测试样本中每一个切片图像的粗分割结果。
5.根据权利要求4所述的脑胶质母细胞瘤的多模态核磁共振图像分割方法，其特征在于：
所述步骤2粗分割过程还包括以下步骤：
2.4、利用标签图像提取每个标签图像对应切片图像非零部分作为该切片图像的头部区域的掩模；
2.5、利用标签图像生成对应切片图像包含肿瘤区域的矩形边界；
2.6、根据步骤2.2所获得的每个像素所属5个类别的概率分数，遍历所有的像素，将每个像素的概率分数由低到高进行排序；得到该像素的得分scoreGap；公式如下：
ScoreGap＝scoremax-scoresecond
其中，scoremax表示该像素5个分类的最高分数的分值，scoresecond表示该像素5个类别的概率分数中的第二高分数的分值；
2.7、根据步骤2.3所得到的粗分割结果，遍历粗分割后的测试样本中的每一个切片图像上的每一个像素，并将步骤2.6所得到的得分与相应的像素所对应，得到得分图。
6.根据权利要求5所述的脑胶质母细胞瘤的多模态核磁共振图像分割方法，其特征在于：
所述步骤3精细分割过程中建立随机森林模型的方法如下：
首先区域生长结果的高分部分对步骤2.3所得的粗分割结果进行置换，具体步骤如下：
设置高分阈值为0.7，首先将肿瘤区域得分图中大于0.7的区域和三维区域生长分割结果进行逻辑“与”运算，得到生长区域内的高分分割结果；然后将肿瘤区域得分图中大于0.7的区域和三维区域生长外的分割结果进行逻辑“与”运算，得到生长区域外的高分结果；生长区域内的高分结果和生长区域外的高分结果叠加后，生成再训练数据；
将所得的再训练数据进行初始随机森林模型的再训练，获随机森林模型。
7.根据权利要求1-6任一所述的脑胶质母细胞瘤的多模态核磁共振图像分割方法，其特征在于：
所述步骤4后处理过程为：对步骤3中获得的精细分割结果的每一层切片图像利用5×5的中值滤波器，并移除小于200像素的区域以及填充图像空洞区域。
CN201810104847.2A 2017-12-15 2018-02-02 脑胶质母细胞瘤的多模态核磁共振图像分割方法 Active CN108447063B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2017113529110 2017-12-15
CN201711352911 2017-12-15

Publications (2)

Publication Number Publication Date
CN108447063A CN108447063A (zh) 2018-08-24
CN108447063B true CN108447063B (zh) 2020-06-19

Family

ID=63191408

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810104847.2A Active CN108447063B (zh) 2017-12-15 2018-02-02 脑胶质母细胞瘤的多模态核磁共振图像分割方法

Country Status (1)

Country Link
CN (1) CN108447063B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109446951B (zh) * 2018-10-16 2019-12-10 腾讯科技（深圳）有限公司 三维图像的语义分割方法、装置、设备及存储介质
CN109271969B (zh) * 2018-10-29 2020-03-24 北京青燕祥云科技有限公司 一种脑胶质瘤分级评价方法及其装置
CN109671054A (zh) * 2018-11-26 2019-04-23 西北工业大学 多模态脑肿瘤mri的无监督分割方法
CN109741360B (zh) * 2019-01-07 2022-02-22 上海联影医疗科技股份有限公司 一种骨关节分割方法、装置、终端及可读介质
CN110580702B (zh) * 2019-07-16 2023-03-24 慧影医疗科技(北京)股份有限公司 一种用于腹主动脉瘤边界分割的方法
CN110619635B (zh) * 2019-07-25 2022-05-31 深圳大学 基于深度学习的肝细胞癌磁共振图像分割系统和方法
CN110458850B (zh) * 2019-08-01 2020-12-11 北京灵医灵科技有限公司 一种大关节组织的分割方法和分割系统
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
CN114240937B (zh) * 2022-02-24 2022-05-27 武汉烽火凯卓科技有限公司 一种基于ct切片的肾结石检测方法及系统
CN114332547B (zh) * 2022-03-17 2022-07-08 浙江太美医疗科技股份有限公司 医学目标分类方法和装置、电子设备和存储介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833749A (zh) * 2009-03-12 2010-09-15 株式会社理光 检测图像中阴影的装置和方法
CN103300856A (zh) * 2012-03-13 2013-09-18 深圳迈瑞生物医疗电子股份有限公司 Mri图像的颈椎椎体轴线及相关组织的定位方法与装置
CN103366180A (zh) * 2013-06-14 2013-10-23 山东大学 一种基于自动特征学习的细胞图像分割方法
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
CN104143190A (zh) * 2014-07-24 2014-11-12 东软集团股份有限公司 Ct图像中组织的分割方法及系统
CN104835112A (zh) * 2015-05-07 2015-08-12 厦门大学 一种肝脏多相期ct图像融合方法
CN105391970A (zh) * 2014-08-27 2016-03-09 Metaio有限公司 提供由车辆的场景相机捕获的至少一个图像的方法和系统
CN105957094A (zh) * 2016-06-15 2016-09-21 深圳维影医疗科技有限公司 一种基于轮廓检测的胸片肺野快速自动分割方法及其系统
CN106600621A (zh) * 2016-12-08 2017-04-26 温州医科大学 基于婴幼儿脑瘤多模态mri图的时空协同分割方法
CN106651874A (zh) * 2016-12-08 2017-05-10 温州医科大学 基于多模态mri数据的脑瘤术后空间域分割方法
CN106780515A (zh) * 2017-01-04 2017-05-31 南京审计大学 一种脑部核磁共振图像中脑胶质瘤区域提取方法
CN107016395A (zh) * 2017-03-18 2017-08-04 复旦大学 基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别方法
CN107194935A (zh) * 2017-05-24 2017-09-22 江西理工大学 基于反向和声搜索的脐橙图像分割方法
CN107392918A (zh) * 2017-06-22 2017-11-24 苏州大学 基于随机森林与复合活性曲线的oct图像层分割方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833749A (zh) * 2009-03-12 2010-09-15 株式会社理光 检测图像中阴影的装置和方法
CN103300856A (zh) * 2012-03-13 2013-09-18 深圳迈瑞生物医疗电子股份有限公司 Mri图像的颈椎椎体轴线及相关组织的定位方法与装置
CN103366180A (zh) * 2013-06-14 2013-10-23 山东大学 一种基于自动特征学习的细胞图像分割方法
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
CN104143190A (zh) * 2014-07-24 2014-11-12 东软集团股份有限公司 Ct图像中组织的分割方法及系统
CN105391970A (zh) * 2014-08-27 2016-03-09 Metaio有限公司 提供由车辆的场景相机捕获的至少一个图像的方法和系统
CN104835112A (zh) * 2015-05-07 2015-08-12 厦门大学 一种肝脏多相期ct图像融合方法
CN105957094A (zh) * 2016-06-15 2016-09-21 深圳维影医疗科技有限公司 一种基于轮廓检测的胸片肺野快速自动分割方法及其系统
CN106600621A (zh) * 2016-12-08 2017-04-26 温州医科大学 基于婴幼儿脑瘤多模态mri图的时空协同分割方法
CN106651874A (zh) * 2016-12-08 2017-05-10 温州医科大学 基于多模态mri数据的脑瘤术后空间域分割方法
CN106780515A (zh) * 2017-01-04 2017-05-31 南京审计大学 一种脑部核磁共振图像中脑胶质瘤区域提取方法
CN107016395A (zh) * 2017-03-18 2017-08-04 复旦大学 基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别方法
CN107194935A (zh) * 2017-05-24 2017-09-22 江西理工大学 基于反向和声搜索的脐橙图像分割方法
CN107392918A (zh) * 2017-06-22 2017-11-24 苏州大学 基于随机森林与复合活性曲线的oct图像层分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Vishnuvarthanan G等.Tumour detection in T1, T2, FLAIR and MPR brain images using a combination of optimization and fuzzy clustering improved by seed-based region growing algorithm.《Inter -national Journal of Imaging Systems and Technology》.2017,第27卷(第1期),第33-45页. *
钱华明等.结合时域信息的区域生长算法及其在动脉超声造影图像分割中的应用.《计算机辅助设计与图形学学报》.2011,第23卷(第3期),第442-447页. *

Also Published As

Publication number Publication date
CN108447063A (zh) 2018-08-24

Similar Documents

Publication Publication Date Title
CN108447063B (zh) 脑胶质母细胞瘤的多模态核磁共振图像分割方法
Amin et al. Brain tumor detection using statistical and machine learning method
Arunkumar et al. Fully automatic model‐based segmentation and classification approach for MRI brain tumor using artificial neural networks
Cao et al. Multi-task neural networks for joint hippocampus segmentation and clinical score regression
Nigri et al. Explainable deep CNNs for MRI-based diagnosis of Alzheimer’s disease
Harmouche et al. Probabilistic multiple sclerosis lesion classification based on modeling regional intensity variability and local neighborhood information
Cheng et al. Multimodal disentangled variational autoencoder with game theoretic interpretability for glioma grading
CN115393269A (zh) 一种基于多模态影像数据的可扩展多层级图神经网络模型
Li et al. Molecular subtypes recognition of breast cancer in dynamic contrast-enhanced breast magnetic resonance imaging phenotypes from radiomics data
Yang et al. DCU-Net: Multi-scale U-Net for brain tumor segmentation
Subudhi et al. Segmentation and classification of ischemic stroke using optimized features in brain MRI
Koziarski et al. DiagSet: a dataset for prostate cancer histopathological image classification
Alagarsamy et al. Identification of Brain Tumor using Deep Learning Neural Networks
Rosati et al. ChiMerge discretization method: Impact on a computer aided diagnosis system for prostate cancer in MRI
Zhang et al. 3D brain glioma segmentation in MRI through integrating multiple densely connected 2D convolutional neural networks
Suwalska et al. CMB-HUNT: automatic detection of cerebral microbleeds using a deep neural network
Ait Mohamed et al. Hybrid method combining superpixel, supervised learning, and random walk for glioma segmentation
Popat et al. Research perspective and review towards brain tumour segmentation and classification using different image modalities
Ghorbanzadeh et al. An Investigation into the Performance of Adaptive Neuro-Fuzzy Inference System for Brain Tumor Delineation Using ExpectationMaximization Cluster Method; a Feasibility Study
Anushkannan et al. A Novel Method for Categorizing Brain Tumors using the Hybrid ALO-ELM Model
Rao et al. A comprehensive study of features used for brian tumor detection and segmentation from Mr images
Azimbagirad et al. Tsallis-entropy segmentation through MRF and Alzheimer anatomic reference for brain magnetic resonance parcellation
LillyMaheepa et al. A technical survey on brain tumor segmentation using CNN
Rasool et al. Glioma brain tumor segmentation using deep learning: A review
Pallawi et al. Study of Alzheimer’s disease brain impairment and methods for its early diagnosis: a comprehensive survey

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