CN108537751B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN108537751B CN108537751B CN201810277505.0A CN201810277505A CN108537751B CN 108537751 B CN108537751 B CN 108537751B CN 201810277505 A CN201810277505 A CN 201810277505A CN 108537751 B CN108537751 B CN 108537751B
- Authority
- CN
- China
- Prior art keywords
- thyroid
- image
- region
- basis function
- hidden layer
- 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
Links
- 210000001685 thyroid gland Anatomy 0.000 title claims abstract description 109
- 230000011218 segmentation Effects 0.000 title claims abstract description 37
- 238000002604 ultrasonography Methods 0.000 title claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 45
- 239000013598 vector Substances 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 4
- 230000007480 spreading Effects 0.000 claims description 4
- 238000003892 spreading Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000003064 k means clustering Methods 0.000 claims description 2
- 238000003709 image segmentation Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 3
- 238000011084 recovery Methods 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 208000024799 Thyroid disease Diseases 0.000 description 1
- 208000024770 Thyroid neoplasm Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000002124 endocrine Effects 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 201000002510 thyroid cancer Diseases 0.000 description 1
- 239000005495 thyroid hormone Substances 0.000 description 1
- 229940036555 thyroid hormone Drugs 0.000 description 1
- 230000014616 translation Effects 0.000 description 1
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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G06T5/70—
-
- 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
- G06T2207/10132—Ultrasound image
Abstract
本发明公开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。该方法包括以下步骤：（1）对原始甲状腺超声图像进行预处理；（2）特征提取；（3）利用步骤（2）中提取到的特征构建径向基神经网络，并利用构建好的神经网络进行图像分割；（4）对分割出来的甲状腺区进行区域恢复。本发明得到的分割结果精确，分割过程无需人工参与，真正实现了甲状腺超声图像自动分割。
Description
技术领域
本发明属于超声图像处理的技术领域，特别涉及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，可应用于医学超声仪器中，提高设备的性能。
背景技术
甲状腺是人体重要的内分泌器官，通过分泌甲状腺激素控制使用能量的速度、制造蛋白质、调节身体对其他荷尔蒙的敏感性。近年来，甲状腺疾病有逐渐增长的趋势，甲状腺癌的发生率每年以4％的速率增加。对甲状腺的研究有利于进一步的了解甲状腺，分析甲状腺的状态和机制。超声技术是用来检测和研究甲状腺的重要途径，对甲状腺进行研究，首先要确定甲状腺的位置并勾勒出来。而目前关于甲状腺区域自动分割的方法较少，大多数研究需要依靠手工勾勒边缘，耗时耗力。因此有效的甲状腺超声图像自动分割技术不仅能提高计算机辅助系统的自动化程度，而且对后期的处理、诊断和研究具有重要意义。
甲状腺超声图像分割受限于超声图像的低对比度、斑点噪声及信号衰减，将甲状腺轮廓分割出来仍然是一个挑战。开发出快速、准确、自动化的甲状腺超声图像分割方法是非常需要的。目前用来在甲状腺超声图像中分割甲状腺区域的方法并不多。活动轮廓模型被用来分割甲状腺区域，利用最小化能量函数模型使初始轮廓不断收敛到目标轮廓。有学者提出使用甲状腺区域相似性指标来修正活动轮廓算法，控制活动轮廓边界的扩大或停止。但这种但这种方法需要提供一个尽可能靠近目标物体边缘的初始轮廓，受超声图像成像原理的限制，很难自动地提供这样的一个轮廓，往往需要人工画出，导致自动化程度受限。用机器学习方法，如支持向量机和神经网络，实现自动化分割甲状腺超声图像，主要是分类甲状腺超声图像中的小块图像区域，然后将分类相同的区域连在一起，形成完整的分割图像。神经网络将分割问题转化为输入特征集合的分类决策问题。神经网络的优点在于可以自动的找到甲状腺轮廓，缺点在于训练过程费时，并且需要庞大的数据库。使用神经网络模型进行甲状腺区域分割，图像的前期处理和特征选择对模型准确性有很大的影响。
发明内容
本发明提出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，在保证分割结果准确性的同时，进一步提高分割方法的自动化水平。
为实现上述目的，本发明采取如下技术方案。
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，包括如下步骤：
(1)对原始甲状腺超声图像进行预处理，包括去除斑点噪声和图像标准化；
(2)对图像进行特征提取，特征包括：局部变化系数(CV)、直方图均值(HM)、直方图方差(HV)、逆概率块差(BDIP)、归一化尺度强度差(NMSID)、均匀度(GLCMU)、逆差矩(GLCMOIDM)、对比度(GLCMCON)、惯性矩(GLCMIM)、相关性(GLCME)；
(3)使用训练数据集构建径向基神经网络，包含输入层、隐藏层和输出层；
(4)消除分类错误的区域以及消除锯齿。
进一步的，步骤(1)对原始图像进行预处理，具体包括：
(1-3)采用自适应权重中值滤波(AWMF)对原始甲状腺超声图像进行去噪处理；
(1-4)采用形态学开闭操作去除由步骤(1-1)使用滤波器产生的噪声；
(1-5)采用直方图均衡化来标准化甲状腺超声图像。
进一步的，步骤(2)对M×M的图像区域提取特征，具体包括：
(2-1)局部变化系数(CV)用来衡量局部区域内像素的分布特性，甲状腺组织区域内的像素分布不同与非甲状腺区域内的像素分布，所以局部变化系数具有很好的分类特性，局部变化系数定义为：
其中(x，y)是指M×M区域中像素点的位置，而μx，y和σx，y是指这个区域像素灰度强度的标准差和平均值；
(2-2)直方图特征包括直方图均值(HM)和直方图方差(HV)；直方图特征反映图像的局部纹理属性和灰度强度分布，HM和HV定义为：
histo(i)是指M×M图像区域的灰度分布直方图，i是灰度强度；
(2-3)逆概率块差(BDIP)是使用局部概率来衡量图像局部区域内亮度的变化，逆概率块差被定义为区域内像素的总个数与像素灰度值总和的差值除以区域内最大的像素值：
其中I(x，y)是指M×M图像区域内像素位置为(x，y)的灰度值；
(2-4)归一化尺度强度差(NMISD)代表区域在水平方向，竖直方向及对角线方向上相对像素的差，
(2-4)灰度共生矩阵是使用数学来表达纹理的空间依赖性，通过灰度共生矩阵得到均匀度(GLCMU)，逆差矩(GLCMOIDM)，对比度(GLCMCON)，惯性矩(GLCMIM)和相关性(GLCME)；
P(i，j)是灰度共生矩阵中对应点(i，j)的值。
进一步的，步骤(3)构建径向基神经网络，分为输入层，隐藏层和输出层；具体包括：
(3-1)输入层将有步骤(2)中提取出的特征向量转化为标准化输入向量，其中特征向量：Xj＝[fj，1，fj，2，..，fj，m，...，fj，10]，
fj，m表示第j个特征向量的第m个特征值，得到训练数据集特征的均值μm和标准差σm，标准化特征为：
由标准化特征构成的输入向量为：
(3-2)隐藏层是径向基神经网络中重要的部分；使用高斯径向基函数作为隐藏层节点的基函数，隐藏层节点个数为k，在构造隐藏层时，求解各个节点基函数的数据中心ci，扩展常数εi以及节点的权值wi，对于任意一个输入向量
第i个隐藏层节点的基函数可以表示为：
其中cj指第i个隐藏层节点的中心点，εi是指第i个隐藏层节点的扩展常数，令
其中wi表示隐藏层第i个节点的权重，则对于任意一个输入向量
经过隐藏层k个节点后，隐藏层节点输出与期望输出值关系为：
其中dj是指输入向量
对应的期望输出，所以对于所有的输入特征向量则有：
其中N为输入向量的总个数，因为行列式行数为N，列数为k，且P＞k，可以使用求伪逆的方式得到wi的值：
Φ+＝(ΦTΦ)-1ΦT，
W＝Φ+D，
其中
D＝[d1，d2，...，dP]T，
W＝[w1，w2，...，wk]T，
使用K-means聚类算法得出各个隐藏层节点径向基函数的数据中心点ci。得到k个数据中心点C＝[c1，c2，...，ck]后，对C进行排序处理，按从小到大的顺序得到顺序中心点C’＝[c1，c2，...，ck]，计算各个隐藏层节点径向基函数基函数对应的扩展常数εi，如下
(3-3)输出层目的是对隐藏层的输出进行分类，分类0表示输入图像区域为甲状腺区域，分类为1表示输入图像区域为非甲状腺区域。任意一个输入向量
隐藏层的输出为
T为阈值。
进一步的，步骤(4)消除分类错误的区域和消除锯齿，具体包括：
(4-1)消除分类错误的区域，选择所有被分类为甲状腺区域中最大的区域作为真正的甲状腺区域，其他区域标识为非甲状腺区域；
(4-2)平滑分割边界，消除锯齿。
与现有技术相比，本发明具有以下优点和有益效果：
(1)本发明是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，分割处理过程完全自动化，无需人工参与，克服传统需要人工参与标定甲状腺区域的不足。
(2)选取的特征具有良好的分类效果，在分类甲状腺区域和非甲状腺区域时有很高的鉴别能力，并且采用的特征比较全面，融合了灰度信息，空间信息和纹理信息。
(3)消除错误的分类区域大大提高了超声图像分割的准确性，可应用于医学超声仪器中，提高设备的性能。
附图说明
图1为本发明的实施例的基于径向基神经网络的甲状腺超声图像自动分割方法的流程图。
图2(a)为原始甲状腺超声图像。
图2(b)为对原始图像使用AEMF滤波后的结果图。
图2(c)为对滤波后的图像使用形态学操作后的结果图。
图2(d)为对图像进行直方图均衡化处理。
图3(a)为原始甲状腺超声图像。
图3(b)为经过径向基神经网络分割后的图像。
图3(c)为经过消除错误分类区域后的图像。
图3(d)为经过消除锯齿后的图像，也是最终的分割结果图像。
图4为用来消除分割边界锯齿的4个匹配模板。
图5为包含输入图像，人工分割图像和使用本发明方法产生的分割结果图像。
具体实施方式
下面结合实施例，对本发明做进一步地详细说明，但本发明的实施方式不限于此。
如图1所示，本实施例的基于径向基神经网络的甲状腺超声图像自动分割方法，包括以下步骤：
(1)输入原始图像，如图2(a)；
(2)对原始图像进行预处理；
(2-1)使用自适应权重中值滤波(AWMF)对原始图像进行降噪处理，滤波的结果如图2(b)；
AWMF通过对局部区域进行统计来计算区域内每个像素点的权值wi，j。对于M×M的区域模板，位置为(i，j)的点权重系数wi，j可以定义如下：
其中μx，y和
分别为模板区域内像素灰度值的平均值以及方差，模板区域的中心点的位置为(x，y)。g是比例因子，w0是模板中心点(x，y)的权值，D是模板区域中各个像素点到中心点的欧几里得距离，[·]表示四舍五入的函数。如果计算出来的权值wi，j为负值，则将这个权值wi，j设为0。当计算出模板区域内每个像素的权重值wi，j之后，将像素值按灰阶强度大小进行从小到大地排序，排序结束后可以得到一个有序序列。这个序列中像素值Ii，j会连续wi，j次，找到这个序列的中值作为中心点像素的灰度值。本实例中使用了9×9的区域模板，参数设置为w0＝10和g＝0.25；
(2-2)使用形态学开闭操作去除使用AWMF滤波器产生的噪声，结果如图2(c)；
(2-3)使用直方图均衡化标准化输入图像，直方图均衡后结果如图2(b)；
(3)提取超声图像中16×16区域的特征，共10个特征包括局部变化系数(CV)，直方图均值(HM)，直方图方差(HV)，逆概率块差(BDIP)，归一化尺度强度差(NMSID)，均匀度(GLCMU)，逆差矩(GLCMOIDM)，对比度(GLCMCON)，惯性矩(GLCMIM)，相关性(GLCME)
(4)训练阶段使用训练数据集中的图像构建径向基神经网络，在测试阶段使用构造好的神经网络进行分类；具体训练阶段和测试阶段如下：
(4-1)训练阶段中，训练集包含850张甲状腺组织区域图像和1400个非甲状腺组织区域想，每个区域图像大小为16×16像素。从这些区域图像中提取特征，构成有标签的数据集。在径向基神经网络的输入层中，将数据标准化为输入向量，向量长度为10。隐藏层设置128个节点，以高斯径向基函数作为节点的基函数，通过行列式的方式求解各个节点基函数的数据中心ci，扩展常数εi以及节点的权值wi。输出层中用来判别的阈值设置为T＝0.9。
(4-2)测试阶段中，在经过预处理的甲状腺超声图像上，通过大小为16×16像素的滑窗来判断当前区域为甲状腺区域或非甲状腺区域。一个像素有一次及以上被分类为甲状腺区域，则标记为甲状腺区域。滑窗以从左往右，自上而下的方式滑动，每次滑动两个像素。滑动完整幅图像后，根据表标记画出甲状腺区域，如图3(a)为输入图像，图3(b)为经过径向基神经网络分割后的图像。
(5)将分类错误的区域消除并消除分割边缘的锯齿；具体步骤如下：
(5-1)在所有被分类为甲状腺的联通区域中找出最大的区域设为真正的甲状腺区域，并将其他区域重新划分为非甲状腺组织区域，如图3(c)所示。
(5-2)消除甲状腺分割边界的锯齿，用到4个模板，如图4所示。“×”表示不考虑这个像素，白色表示像素的标记为非甲状腺，黑色表示为像素的标记为甲状腺。用着4个模板与由步骤(5-1)产生的图像进行匹配，若匹配到其中任何一个，则将中间白色方格代表的像素划分为甲状腺，结果如图3(d)所示，即为最终分割的结果。
本发明使用的甲状腺超声图像的尺寸大小为500×400，一共使用了2250个尺寸大小为16×16的图像区域作为训练样本，其中包含1400个非甲状腺组织区域样本和850个甲状腺组织区域样本。在获取训练样本时，手动分割出甲状腺区域，以手动分割为参照标准提取样本区域。在测试阶段，一共使用了70张甲状腺超声图像，得到分割后的甲状腺超声图像以及相应的量化指标。量化指标如下：
其中TP，TN，FP，FN，AP，and AN分别表示真正类(True Positive)，真负类(Truenegative)，假正类(False Positive)，假负类(False negative)，正类(All Positive)，负类(All Negative)。对70张图像进行分割后得到的平均量化指标如表1。
表1测试集分割量化结果
图5为包含输入图像，人工分割图像和使用本发明方法产生的分割结果图像。其中(a)(b)(c)为输入图像，(d)(e)(f)为人工分割图像，(g)(h)(i)为使用本发明方法产生的分割结果图像。
有上表可知本发明在超声甲状腺区域分割上有很好的分割效果和准确性，同时简化人工操作、减少人工干预。本发明以甲状腺区域的自动分割为研究目的，以甲状腺超声图像为研究对象，着重阐述了如何利用径向基神经网络自动分割出甲状腺区域。有望进一步提高甲状腺计算机辅助系统的自动化程度，同时自动化分割，减少人工的工作量和干预，并提高甲状腺超声图像分割的准确性。
Claims (3)
1.基于径向基神经网络的甲状腺超声图像自动分割方法，其特征在于包括如下步骤：
(1)对原始甲状腺超声图像进行预处理，包括去除斑点噪声和图像标准化；
(2)对图像进行特征提取，特征包括：局部变化系数(CV)、直方图均值(HM)、直方图方差(HV)、逆概率块差(BDIP)、归一化尺度强度差(NMSID)、均匀度(GLCMU)、逆差矩(GLCMOIDM)、对比度(GLCMCON)、惯性矩(GLCMIM)、相关性(GLCME)；对M×M的图像区域提取特征，具体包括：
(2-1)局部变化系数(CV)用来衡量局部区域内像素的分布特性，甲状腺组织区域内的像素分布不同与非甲状腺区域内的像素分布，所以局部变化系数具有很好的分类特性，局部变化系数定义为：
其中(x，y)是指M×M区域中像素点的位置，而μx，y和σx，y是指这个区域像素灰度强度的平均值和标准差；
(2-2)直方图特征包括直方图均值(HM)和直方图方差(HV)；直方图特征反映图像的局部纹理属性和灰度强度分布，HM和HV定义为：
histo(i)是指M×M图像区域的灰度分布直方图，i是灰度强度；
(2-3)逆概率块差(BDIP)是使用局部概率来衡量图像局部区域内亮度的变化，逆概率块差被定义为区域内像素的总个数与像素灰度值总和的差值除以区域内最大的像素值：
其中I(x，y)是指M×M图像区域内像素位置为(x，y)的灰度值；
(2-4)归一化尺度强度差(NMISD)代表区域在水平方向，竖直方向及对角线方向上相对像素的差，
(2-4)灰度共生矩阵是使用数学来表达纹理的空间依赖性，通过灰度共生矩阵得到均匀度(GLCMU)，逆差矩(GLCMOIDM)，对比度(GLCMCON)，惯性矩(GLCMIM)和相关性(GLCME)；
P(i，j)是灰度共生矩阵中对应点(i，j)的值；
(3)使用训练数据集构建径向基神经网络，包含输入层、隐藏层和输出层；构建径向基神经网络，分为输入层，隐藏层和输出层；具体包括：
(3-1)输入层将有步骤(2)中提取出的特征向量转化为标准化输入向量，其中特征向量：
Xj＝[fj，1，fj，2，...，fj，m，...，fj，10]，
fj，m表示第j个特征向量的第m个特征值，得到训练数据集特征的均值μm和标准差σm，标准化特征为：
由标准化特征构成的输入向量为：
(3-2)隐藏层是径向基神经网络中重要的部分；使用高斯径向基函数作为隐藏层节点的基函数，隐藏层节点个数为k，在构造隐藏层时，求解各个节点基函数的数据中心ci，扩展常数εi以及节点的权值wi，对于任意一个输入向量
第i个隐藏层节点的基函数可以表示为：
其中ci指第i个隐藏层节点的中心点，εi是指第i个隐藏层节点的扩展常数，令
可以得到第i个隐藏层节点的输出为：
其中wi表示隐藏层第i个节点的权重，则对于任意一个输入向量
经过隐藏层k个节点后，隐藏层节点输出与期望输出值关系为：
其中dj是指输入向量
对应的期望输出，所以对于所有的输入特征向量则有：
其中N为输入向量的总个数，因为行列式行数为N，列数为k，且P＞k，可以使用求伪逆的方式得到wi的值：
Φ+＝(ΦTΦ)-1ΦT，
W＝Φ+D，
其中
D＝[d1，d2，...，dP]T，
W＝[w1，w2，...，wk]T，
使用K-means聚类算法得出各个隐藏层节点径向基函数的数据中心点ci；得到k个数据中心点C＝[c1，c2，...，ck]后，对C进行排序处理，按从小到大的顺序得到顺序中心点C’＝[c1，c2，...，ck]，计算各个隐藏层节点径向基函数对应的扩展常数εi，如下
(3-3)输出层目的是对隐藏层的输出进行分类，分类0表示输入图像区域为甲状腺区域，分类为1表示输入图像区域为非甲状腺区域；任意一个输入向量
隐藏层的输出为
输出层分类为：
T为阈值；其中，训练阶段使用训练数据集中的图像构建径向基神经网络，在测试阶段使用构造好的神经网络进行分类；具体训练阶段和测试阶段如下：
训练阶段中，训练集包含850张甲状腺组织区域图像和1400个非甲状腺组织区域想，每个区域图像大小为16×16像素；从这些区域图像中提取特征，构成有标签的数据集；在径向基神经网络的输入层中，将数据标准化为输入向量，向量长度为10；隐藏层设置128个节点，以高斯径向基函数作为节点的基函数，通过行列式的方式求解各个节点基函数的数据中心ci，扩展常数εi以及节点的权值wi；输出层中用来判别的阈值设置为T＝0.9；
测试阶段中，在经过预处理的甲状腺超声图像上，通过大小为16×16像素的滑窗来判断当前区域为甲状腺区域或非甲状腺区域；一个像素有一次及以上被分类为甲状腺区域，则标记为甲状腺区域；滑窗以从左往右，自上而下的方式滑动，每次滑动两个像素；滑动完整幅图像后，根据表标记画出甲状腺区域；
(4)将分类错误的区域消除并消除分割边缘的锯齿；具体步骤如下：
(4-1)在所有被分类为甲状腺的联通区域中找出最大的区域设为真正的甲状腺区域，并将其他区域重新划分为非甲状腺组织区域；
(4-2)消除甲状腺分割边界的锯齿，用到4个模板，“×”表示不考虑这个像素，白色表示像素的标记为非甲状腺，黑色表示为像素的标记为甲状腺；用着4个模板与由步骤(4-1)产生的图像进行匹配，若匹配到其中任何一个，则将中间白色方格代表的像素划分为甲状腺；使用的甲状腺超声图像的尺寸大小为500×400，一共使用了2250个尺寸大小为16×16的图像区域作为训练样本，其中包含1400个非甲状腺组织区域样本和850个甲状腺组织区域样本；在获取训练样本时，手动分割出甲状腺区域，以手动分割为参照标准提取样本区域；在测试阶段，一共使用了70张甲状腺超声图像，得到分割后的甲状腺超声图像以及相应的量化指标；量化指标如下：
其中TP，TN，FP，FN，AP，and AN分别表示真正类(True Positive)，真负类(Truenegative)，假正类(False Positive)，假负类(False negative)，正类(All Positive)，负类(All Negative)；对70张图像进行分割后得到的平均量化指标。
2.根据权利要求1所述基于径向基神经网络的甲状腺超声图像自动分割方法，其特征在于步骤(4)消除分类错误的区域和消除锯齿，具体包括：
(4-1)消除分类错误的区域，选择所有被分类为甲状腺区域中最大的区域作为真正的甲状腺区域，其他区域标识为非甲状腺区域；
(4-2)平滑分割边界，消除锯齿；
(4)消除分类错误的区域以及消除锯齿。
3.根据权利要求1所述基于径向基神经网络的甲状腺超声图像自动分割方法，其特征在于步骤(1)对原始图像进行预处理，具体包括：
(1-1)采用自适应权重中值滤波(AWMF)对原始甲状腺超声图像进行去噪处理；
(1-2)采用形态学开闭操作去除由步骤(1-1)使用滤波器产生的噪声；
(1-3)采用直方图均衡化来标准化甲状腺超声图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810277505.0A CN108537751B (zh) | 2018-03-31 | 2018-03-31 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810277505.0A CN108537751B (zh) | 2018-03-31 | 2018-03-31 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108537751A CN108537751A (zh) | 2018-09-14 |
| CN108537751B true CN108537751B (zh) | 2022-05-24 |
Family
ID=63482071
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810277505.0A Active CN108537751B (zh) | 2018-03-31 | 2018-03-31 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108537751B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109358059A (zh) * | 2018-10-12 | 2019-02-19 | 东华大学 | 一种基于激光动态散斑技术的油漆干燥分析仪 |
| CN109350089B (zh) * | 2018-10-25 | 2022-03-08 | 杭州医学院 | 一种基于ct图像的甲状腺区域自动分割方法 |
| CN109472791B (zh) * | 2018-10-31 | 2020-10-27 | 深圳大学 | 超声图像分割方法和计算机设备 |
| CN111582111B (zh) * | 2020-04-29 | 2022-04-29 | 电子科技大学 | 一种基于语义分割的细胞各成分分割方法 |
| CN111598001B (zh) * | 2020-05-18 | 2023-04-28 | 哈尔滨理工大学 | 一种基于图像处理的苹果树病虫害的识别方法 |
| CN112001896B (zh) * | 2020-08-03 | 2021-05-11 | 什维新智医疗科技(上海)有限公司 | 一种甲状腺边界不规则度检测装置 |
| CN116188499B (zh) * | 2023-05-04 | 2023-06-30 | 北京易优联科技有限公司 | 一种用于肺部超声图像的分割方法 |
| CN117054943A (zh) * | 2023-10-11 | 2023-11-14 | 山东奥新医疗科技有限公司 | 基于径向基网络的磁共振成像方法、装置、设备及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102928435A (zh) * | 2012-10-15 | 2013-02-13 | 南京航空航天大学 | 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置 |
| WO2013038333A2 (en) * | 2011-09-18 | 2013-03-21 | Forus Health Pvt. Ltd. | Method and system for enhancing image quality |
| CN104000619A (zh) * | 2014-06-16 | 2014-08-27 | 彭文献 | 一种甲状腺ct图像计算机辅助诊断系统及方法 |
-
2018
- 2018-03-31 CN CN201810277505.0A patent/CN108537751B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013038333A2 (en) * | 2011-09-18 | 2013-03-21 | Forus Health Pvt. Ltd. | Method and system for enhancing image quality |
| CN102928435A (zh) * | 2012-10-15 | 2013-02-13 | 南京航空航天大学 | 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置 |
| CN104000619A (zh) * | 2014-06-16 | 2014-08-27 | 彭文献 | 一种甲状腺ct图像计算机辅助诊断系统及方法 |
Non-Patent Citations (3)
| Title |
|---|
| Thyroid Segmentation and Volume Estimation in Ultrasound Images;Chuan-Yu Chang等;《IEEE TRANSACTIONS ON BIOMEDICAL ENGINEERING》;20101231;第1348页至第1356页 * |
| 基于云计算的神经网络并行实现及其学习方法研究;张海军;《中国博士学位论文全文数据库（信息科技辑）》;20160415;第I140-17页 * |
| 甲状腺结节超声图像分割及特征提取算法研究;祁永梅;《中国优秀硕士学位论文全文数据库（信息科技辑）》;20141015;第I138-794页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108537751A (zh) | 2018-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN110334706B (zh) | 一种图像目标识别方法及装置 | |
| CN107437245B (zh) | 基于深度卷积神经网络的高速铁路接触网故障诊断方法 | |
| Viswanathan | Fuzzy C means detection of leukemia based on morphological contour segmentation | |
| JP6660313B2 (ja) | 画像解析を用いた核のエッジの検出 | |
| 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 | |
| CN109447998B (zh) | 基于PCANet深度学习模型下的自动分割方法 | |
| WO2022001571A1 (zh) | 一种基于超像素图像相似度的计算方法 | |
| Yogesh et al. | Computer vision based analysis and detection of defects in fruits causes due to nutrients deficiency | |
| Al-Hafiz et al. | Red blood cell segmentation by thresholding and Canny detector | |
| CN107909081B (zh) | 一种深度学习中图像数据集的快速获取和快速标定方法 | |
| US20060204953A1 (en) | Method and apparatus for automated analysis of biological specimen | |
| CN112396619B (zh) | 一种基于语义分割的内部复杂组成的小型颗粒分割方法 | |
| Chen et al. | Segmentation of overlapping cervical cells with mask region convolutional neural network | |
| CN110021019B (zh) | 一种aga临床图像的ai辅助毛发的粗细分布分析方法 | |
| CN112183237A (zh) | 基于颜色空间自适应阈值分割的白细胞自动分类方法 | |
| CN108805181B (zh) | 一种基于多分类模型的图像分类装置及分类方法 | |
| CN106548195A (zh) | 一种基于改进型hog‑ulbp特征算子的目标检测方法 | |
| CN107729863B (zh) | 人体指静脉识别方法 | |
| CN114373079A (zh) | 一种快速准确的探地雷达目标检测方法 | |
| CN111325282B (zh) | 适应多机型的乳腺x射线影像识别方法和装置 | |
| CN105528791B (zh) | 一种面向触摸屏手绘图像的质量评价装置及其评价方法 | |
| Gunawan et al. | Fuzzy Region Merging Using Fuzzy Similarity Measurement on Image Segmentation | |
| CN109460768B (zh) | 一种用于组织病理学显微图像的文本检测与去除方法 | |
| Tamilarasi et al. | Automatic detection of microaneurysms using microstructure and wavelet methods |
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 |