CN108596924A - 一种基于距离场融合和椭球先验的mr前列腺图像分割方法 - Google Patents
一种基于距离场融合和椭球先验的mr前列腺图像分割方法 Download PDFInfo
- Publication number
- CN108596924A CN108596924A CN201810472328.1A CN201810472328A CN108596924A CN 108596924 A CN108596924 A CN 108596924A CN 201810472328 A CN201810472328 A CN 201810472328A CN 108596924 A CN108596924 A CN 108596924A
- Authority
- CN
- China
- Prior art keywords
- prostate
- image
- ellipsoid
- pixel
- priori
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—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
- G06T2207/20—Special algorithmic details
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20101—Interactive definition of point of interest, landmark or seed
-
- 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
- G06T2207/30081—Prostate
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种基于距离场融合和椭球先验的MR前列腺图像分割方法,基于距离场融合算法引入一种椭球先验,将椭球先验与多图谱分割进行结合,并通过十个步骤方法处理得到分割的MR前列腺图像。克服了现有技术中,在MR前列腺图像基于整幅图像进行图谱选择,前列腺周围组织与器官会对图谱选择造成严重干扰图谱选择不正确缺陷。同时也改善了标号融合并没有利用到待分割目标的形状先验信息,造成分割精度有所限制现象。本发明方法能准确地分割MR图像中的前列腺,能用于辅助前列腺癌的诊断和治疗。同时该基于距离场融合和椭球先验的MR前列腺图像分割方法具有提高分割精度的优点。
Description
技术领域
本发明涉及医学图像分析技术领域,特别涉及一种基于距离场融合和椭球先验的MR前列腺图像分割方法。
背景技术
前列腺炎、前列腺增生、前列腺癌等疾病在男性中越来越普遍,前列腺癌已经是全球范围内男性第二位最常见的癌症。临床上,前列腺的大小、形状、相对周围组织器官的位置信息是对前列腺疾病及其病理阶段进行诊断和分析的重要前提,同时在前列腺切除术、放射治疗中也起着关键性的指导作用。因此,准确分割前列腺是至关重要的。磁共振(Magnetic Resonance,MR)凭借其较高的空间分辨率和软组织对比度,在前列腺疾病检查方面有着不可替代的优势。它能较为明显地显示前列腺的外部形态以及内部组织结构,做到早期发现,同时也能更加准确地测量前列腺的体积及位置,便于医生制定有效的治疗方案。随着MR前列腺检查技术在临床上的广泛应用,采用MR图像对前列腺的体积及位置进行测量的需求也越来越巨大。目前临床上,MR前列腺图像割仍需医生手动勾画,花费了医生大量的时间和精力,因此研究出一种自动化程度高、分割精确、鲁棒性强的MR前列腺图像分割算法十分必要。
在MR图像中,由于成像技术的限制、前列腺内部组织结构在灰度和纹理上的复杂性以及不同个体之间前列腺形状和大小的差异性,前列腺分割一直是近些年的一个难点。
迄今为止,MR图像前列腺分割方法主要有如下三类:
第一类是基于分类器的方法。这类方法是将分割问题看成是图像中像素点的分类问题,该算法一般可以归结为三步:(1)对图像中目标和背景区域的像素点进行特征提取,构建正负样本;(2)依据这些正负样本训练分类器;(3)对待分割图像中的像素点进行同样的特征提取,并利用训练好的分类器对其进行分类。基于分类器的分割算法的精度很大程度上依赖于分类器和提取的特征的性能。
第二类是基于参数形变模型的方法。这类方法是根据手动或其它自动算法标记的控制点构成的连续曲线来表示测试图像的初始轮廓,然后在内部能量(内力)和外部能量(外力)的作用下,使得初始的轮廓线朝图像的突出特征(线和边缘)处运动,最终曲线(曲面)收敛于目标边界处。基于参数形变模型的方法计算复杂度高,不能很好地处理前列腺图像中较大的形变或者复杂的拓扑结构,同时对初始轮廓的形状和位置、图像中的伪边缘敏感,常易陷入局部极值,存在鲁棒性差和抗干扰性差的问题。
第三类是基于多图谱的方法。这类方法把图谱配准到测试图像,对形变后的图谱标号图像,通过某种方法实现标号融合,得到最终的分割结果。在基于多图谱的分割方法中,通过选取合适的图谱选择和标号融合策略可以在一定程度上降低配准误差对分割过程所带来的影响,有效提高分割精度。在MR前列腺图像中,基于整幅图像进行图谱选择,前列腺周围组织与器官会对图谱选择造成严重干扰,导致图谱选择不正确;标号融合并没有利用到待分割目标的形状先验信息,分割精度有所限制。
因此针对现有技术不足,提供一种基于距离场融合和椭球先验的MR前列腺图像分割方法以解决现有技术不足甚为必要。
发明内容
本发明的目的在于避免现有技术的不足之处而提供一种基于距离场融合和椭球先验的MR前列腺图像分割方法。该基于距离场融合和椭球先验的MR前列腺图像分割方法具有分割精度高的优点。
本发明的上述目的通过以下技术措施实现:
提供一种基于距离场融合和椭球先验的MR前列腺图像分割方法,
基于距离场融合算法引入一种椭球先验,将椭球先验与多图谱分割进行结合,具体步骤如下:
步骤一,数据库的建立和预处理:
建立包括多组对象的MR前列腺数据的数据库,每组前列腺数据包括同一对象的T2加权MR图像和操作人员手动勾画的前列腺标号图像,采用留一法交叉验证的方式对每组前列腺数据进行分割,即每组图像的分割都采用余下的其他组前列腺数据作为图谱,对MR图像灰度归一化处理,再使用N3算法去除偏移场后,使用ELASTIX软件工具将图谱中的MR图像和对应的标号图像配准到MR测试图像,使得图谱和测试集在空间位置上对齐;
步骤二,在测试图像中,勾画出测试对象的前列腺中间层上的四个边界点以及前列腺底部和尖端的中心点,依据这些标记点,预估算出椭球的中心像素点坐标(x0,y0,z0)以及三个方向上的轴半径xr,yr,zr,采用椭球方程式(Ⅰ)对前列腺形状进行拟合,初步确定前列腺区域D,并将其作为形状先验引入多图谱分割过程;
其中,(x,y,z)为前列腺图像上任意一像素点x的坐标;
步骤三,针对步骤二中的椭球先验D约束的前列腺感兴趣区域,采用基于归一化互信息的相似性度进行图谱选择,从中选出配准效果最好的图谱;
步骤四,将步骤二中的椭球先验D和步骤三中选出的配准效果最好的图谱对应的标号图像经过距离变换得到距离场DF,像素点x所对应的距离场的值为:
其中C表示分割目标的边界,像素点B表示距离像素点x最近的像素点,并且B∈C,dist(x,B)表示像素点x和像素点B的欧氏距离;
步骤五,对MR测试图像中的像素点x,以x为中心分别取一个图像块xMR和椭球先验D对应的距离场图像块x0 DF,把xMR、x0 DF分别转化成一个列向量用来作为像素点x的特征,m为选择的图谱的个数;
步骤六,分别在训练集MR图像和DF图像上以像素点x为中心定义搜索窗选取图像块和构建MR字典和DF字典
步骤七,用DMR局部线性表达测试样本用进行约束,构建最小化能量方程并用LAE求得字典权重系数
由于MR图像块和DF图像块位于两个非线性流形上,一个MR图像块可以由其所在流形的局部空间内的近邻样本线性表达,故,通过MR字典DMR线性表示MR测试样本并采用进行约束,构建最小化能量方程并用LAE求解字典权重系数其表达式如下:
表示测试样本在字典DMR中的k个近邻;λ为补偿项的全局权重,其表达式如下:
其中L’i为第i个图谱变形后的标号图像;
Wr为补偿项的局部权重,对于测试样本的每一像素点,其定义如下:
其中d(p)为椭球先验对应的距离场图像中像素点p的值,Dmax和Dmin分别为椭球先验对应的距离场图像中的最大值、最小值;dmax=pf·Dmax和dmin=pb·Dmin为设置的阈值;pf和pb为0~1之间的任意数值;
步骤八,步骤七所得的线性组合DF字典DDF中的样本,得到测试样本的DF预测图像块向量并把转化为图像块xDF;
可得:
在局部约束条件下,MR到DF的映射近似于一个微分同胚映射,可得:
由于f是局部线性,可得:
把转化为图像块xDF即可得到预测的距离场图像块xDF;
步骤九,对MR测试集图像中的每个像素点重复步骤五至步骤八,对DF预测图像块重叠部分加权平均,获得每个像素点的DF值;
用P(x)表示以像素点x为中心,大小与xDF一样的图像块,对于P(x)中的任一像素点u,其权重为:
像素点x的DF值为:
其中表示以像素点u为中心的图像块所预测的像素点x的DF值;
步骤十,对预测出来的DF图像进行阈值处理,得到测试图像每个像素点所对应的标号,由方程式(Ⅰ)所定义的距离场可知,像素点x的标号可以由如下式导出:
其中方程式(Ⅺ)中1的像素点表示该像素点属于目标,且还表示该像素点属于分割目标,方程式(Ⅺ)中的0表示背景。
优选的,上述步骤一具体是采用灰度归一化方法对MR图像进行归一化处理,用N3算法去除偏移场,使用ELASTIX软件工具将图谱配准到测试图像。
优选的,上述步骤二具体是在测试图像上,勾画出前列腺中间层上的四个边界点以及前列腺底部和尖端的中心点,采用椭球方程对前列腺形状进行拟合,并将其作为形状先验引入多图谱分割过程。
优选的,上述步骤三具体是针对步骤二中的椭球先验D约束的前列腺感兴趣区域,采用基于归一化互信息的相似性度进行图谱选择。
优选的,上述步骤四具体是求椭球先验D和步骤三中选出的配准效果最好的图谱对应的标号图像所对应的距离场。
优选的,上述步骤五具体是提取测试图像中的每个像素点的特征,用来作为测试样本。
优选的,上述步骤六具体是在MR和DF图像中使用局部搜索窗构建MR和DF字典。
优选的,上述步骤七具体是在的约束下构建最小化能量方程并用LAE求得字典权重系数
优选的,上述步骤八具体是线性组合DF字典中的样本,从而得到一个以像素点x为中心的DF预测图像块。
优选的,上述步骤九具体是对重叠的DF预测图像块加权平均,最终获得每个像素点的DF预测值。
优选的,上述步骤十具体是通过阈值处理,得到待分割图像的标号图像,即最终的分割结果。
本发明方法提供一种基于距离场融合和椭球先验约束的多图谱MR图像前列腺分割方法,本发明方法能准确地分割MR图像中的前列腺,能用于辅助前列腺癌的诊断和治疗。同时该基于距离场融合和椭球先验的MR前列腺图像分割方法具有提高分割精度的优点。
附图说明
利用附图对本发明作进一步的说明,但附图中的内容不构成对本发明的任何限制。
图1为本发明一种基于距离场融合和椭球先验的MR前列腺图像分割方法流程图。
图2为本发明方法下12个测试图像的前列腺分割结果三维显示图。
图3为本发明方法用标号融合(LF)和距离场融合(DF)对50个测试图像的分割结果。
图4为本发明方法引入椭球先验与未引入椭球先验对50个测试图像的分割结果。
图5为本发明方法引入椭球先验和未引入椭球先验时在四个测试图像上分割结果的截面图。
具体实施方式
结合以下实施例对本发明的技术方案作进一步说明。
实施例1。
一种基于距离场融合和椭球先验的MR前列腺图像分割方法,如图1所示,基于距离场融合算法引入一种椭球先验,将椭球先验与多图谱分割进行结合,具体步骤如下:
步骤一,数据库的建立和预处理:
建立包括多组对象的MR前列腺数据的数据库,每组前列腺数据包括同一对象的T2加权MR图像和操作人员手动勾画的前列腺标号图像,采用留一法交叉验证的方式对每组前列腺数据进行分割,即每组图像的分割都采用余下的其他组前列腺数据作为图谱,对MR图像灰度归一化处理,再使用N3算法去除偏移场后,使用ELASTIX软件工具将图谱中的MR图像和对应的标号图像配准到MR测试图像,使得图谱和测试集在空间位置上对齐;
步骤二,在测试图像中,勾画出测试对象的前列腺中间层上的四个边界点以及前列腺底部和尖端的中心点,依据这些标记点,预估算出椭球的中心像素点坐标(x0,y0,z0)以及三个方向上的轴半径xr,yr,zr,采用椭球方程式(Ⅰ)对前列腺形状进行拟合,初步确定前列腺区域D,并将其作为形状先验引入多图谱分割过程;
其中,(x,y,z)为前列腺图像上任意一像素点x的坐标;
步骤三,针对步骤二中的椭球先验D约束的前列腺感兴趣区域,采用基于归一化互信息的相似性度进行图谱选择,从中选出配准效果最好的图谱;
步骤四,将步骤二中的椭球先验D和步骤三中选出的配准效果最好的图谱对应的标号图像经过距离变换得到距离场DF,像素点x所对应的距离场的值为:
其中C表示分割目标的边界,像素点B表示距离像素点x最近的像素点,并且B∈C,dist(x,B)表示像素点x和像素点B的欧氏距离;
步骤五,对MR测试图像中的像素点x,以x为中心分别取一个图像块xMR和椭球先验D对应的距离场图像块x0 DF,把xMR、x0 Df分别转化成一个列向量用来作为像素点x的特征,m为选择的图谱的个数;
步骤六,分别在训练集MR图像和DF图像上以像素点x为中心定义搜索窗选取图像块和构建MR字典和DF字典
步骤七,用DMR局部线性表达测试样本用进行约束,构建最小化能量方程并用LAE求得字典权重系数
由于MR图像块和DF图像块位于两个非线性流形上,一个MR图像块可以由其所在流形的局部空间内的近邻样本线性表达,故,通过MR字典DMR线性表示MR测试样本并采用进行约束,构建最小化能量方程并用LAE求解字典权重系数其表达式如下:
表示测试样本在字典DMR中的k个近邻;λ为补偿项的全局权重,其表达式如下:
其中L’i为第i个图谱变形后的标号图像;
Wr为补偿项的局部权重,对于测试样本的每一像素点,其定义如下:
其中d(p)为椭球先验对应的距离场图像中像素点p的值,Dmax和Dmin分别为椭球先验对应的距离场图像中的最大值、最小值;dmax=pf·Dmax和dmin=pb·Dmin为设置的阈值;pf和pb为0~1之间的任意数值;
步骤八,步骤七所得的线性组合DF字典DDF中的样本,得到测试样本的DF预测图像块向量并把转化为图像块xDF;
可得:
在局部约束条件下,MR到DF的映射近似于一个微分同胚映射,可得:
由于f是局部线性,可得:
把转化为图像块xDF即可得到预测的距离场图像块xDF;
步骤九,对MR测试集图像中的每个像素点重复步骤五至步骤八,对DF预测图像块重叠部分加权平均,获得每个像素点的DF值;
用P(x)表示以像素点x为中心,大小与xDF一样的图像块,对于P(x)中的任一像素点u,其权重为:
像素点x的DF值为:
其中表示以像素点u为中心的图像块所预测的像素点x的DF值;
步骤十,对预测出来的DF图像进行阈值处理,得到测试图像每个像素点所对应的标号,由方程式(Ⅰ)所定义的距离场可知,像素点x的标号可以由如下式导出:
其中方程式(Ⅺ)中1的像素点表示该像素点属于目标,且还表示该像素点属于分割目标,方程式(Ⅺ)中的0表示背景。
步骤一具体是采用灰度归一化方法对MR图像进行归一化处理,用N3算法去除偏移场,使用ELASTIX软件工具将图谱配准到测试图像。
步骤二具体是在测试图像上,勾画出前列腺中间层上的四个边界点以及前列腺底部和尖端的中心点,采用椭球方程对前列腺形状进行拟合,并将其作为形状先验引入多图谱分割过程。
步骤三具体是针对步骤二中的椭球先验D约束的前列腺感兴趣区域,采用基于归一化互信息的相似性度进行图谱选择。
步骤四具体是求椭球先验D和步骤三中选出的配准效果最好的图谱对应的标号图像所对应的距离场。
步骤五具体是提取测试图像中的每个像素点的特征,用来作为测试样本。
步骤六具体是在MR和DF图像中使用局部搜索窗构建MR和DF字典。
步骤七具体是在的约束下构建最小化能量方程并用LAE求得字典权重系数
步骤八具体是线性组合DF字典中的样本,从而得到一个以像素点x为中心的DF预测图像块。
步骤九具体是对重叠的DF预测图像块加权平均,最终获得每个像素点的DF预测值。
步骤十具体是通过阈值处理,得到待分割图像的标号图像,即最终的分割结果。
本发明方法提供一种基于距离场融合和椭球先验约束的多图谱MR图像前列腺分割方法,本发明方法能准确地分割MR图像中的前列腺,能用于辅助前列腺癌的诊断和治疗。同时该基于距离场融合和椭球先验的MR前列腺图像分割方法具有提高分割精度的优点。
实施例2。
一种基于距离场融合和椭球先验约束的多图谱MR图像前列腺分割方法实验结果如图2至图5,结果如下:
本发明在基于距离场融合和椭球先验约束的多图谱MR图像前列腺分割方法下12个测试图像的前列腺分割结果三维显示图,手动分割线所围成的范围表示手动分割结果,应用本发明的分分割线所围成的范围表示本发明方法的分割结果。对比手动分割线深色线段和应用本发明的分割线重合度可以直观的看出,本发明方法的分割结果与人工手动分割结果很接近,这说明本发明方法能有效的完成MR图像中前列腺的分割。
图3为于距离场融合和椭球先验约束的多图谱MR图像前列腺分割方法用标号融合(LF)和距离场融合(DF)对50个测试图像的分割结果,可以看出DF分割的结果的DSC明显比LF方法好。
图4为于距离场融合和椭球先验约束的多图谱MR图像前列腺分割方法引入椭球先验与未引入椭球先验对50个测试图像的分割结果,可以看出引入椭球先验DF分割的结果的DSC明显比未引入椭球先验的好。
图5为这两种方法在四个测试图像上分割结果的截面图,标号为3轮廓表示手动分割结果,标号为1轮廓是引入椭球先验时的分割结果,标号为2轮廓是未引入椭球先验时的分割结果。从图中可以看出,可以看出椭球先验的引入能有效的对配准引入的形状先验进行校正和补偿,避免了由配准误差过大引起的分割效果较差的情况,具有较高的分割精度以及较好的一致性,同时改善了原有算法出现的毛刺或凹陷现象,分割结果相对来说也更加光滑。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细说明,本领域的普通技术人员应当理解,可以对本发明技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (10)
1.一种基于距离场融合和椭球先验的MR前列腺图像分割方法,其特征在于:
基于距离场融合算法引入一种椭球先验,将椭球先验与多图谱分割进行结合,具体步骤如下:
步骤一,数据库的建立和预处理:
建立包括多组对象的MR前列腺数据的数据库,每组前列腺数据包括同一对象的T2加权MR图像和操作人员手动勾画的前列腺标号图像,采用留一法交叉验证的方式对每组前列腺数据进行分割,即每组图像的分割都采用余下的其他组前列腺数据作为图谱,对MR图像灰度归一化处理,再使用N3算法去除偏移场后,使用ELASTIX软件工具将图谱中的MR图像和对应的标号图像配准到MR测试图像,使得图谱和测试集在空间位置上对齐;
步骤二,在测试图像中,勾画出测试对象的前列腺中间层上的四个边界点以及前列腺底部和尖端的中心点,依据这些标记点,预估算出椭球的中心像素点坐标(x0,y0,z0)以及三个方向上的轴半径xr,yr,zr,采用椭球方程式(Ⅰ)对前列腺形状进行拟合,初步确定前列腺区域D,并将其作为形状先验引入多图谱分割过程;
其中,(x,y,z)为前列腺图像上任意一像素点x的坐标;
步骤三,针对步骤二中的椭球先验D约束的前列腺感兴趣区域,采用基于归一化互信息的相似性度进行图谱选择,从中选出配准效果最好的图谱;
步骤四,将步骤二中的椭球先验D和步骤三中选出的配准效果最好的图谱对应的标号图像经过距离变换得到距离场DF,像素点x所对应的距离场的值为:
其中C表示分割目标的边界,像素点B表示距离像素点x最近的像素点,并且B∈C,dist(x,B)表示像素点x和像素点B的欧氏距离;
步骤五,对MR测试图像中的像素点x,以x为中心分别取一个图像块xMR和椭球先验D对应的距离场图像块x0 DF,把xMR、x0 DF分别转化成一个列向量 用来作为像素点x的特征,m为选择的图谱的个数;
步骤六,分别在训练集MR图像和DF图像上以像素点x为中心定义搜索窗选取图像块和构建MR字典和DF字典i=1,2,…,n;
步骤七,用DMR局部线性表达测试样本用进行约束,构建最小化能量方程并用LAE求得字典权重系数
由于MR图像块和DF图像块位于两个非线性流形上,一个MR图像块可以由其所在流形的局部空间内的近邻样本线性表达,故,通过MR字典DMR线性表示MR测试样本并采用进行约束,构建最小化能量方程并用LAE求解字典权重系数其表达式如下:
表示测试样本在字典DMR中的k个近邻;λ为补偿项的全局权重,其表达式如下:
其中L′i为第i个图谱变形后的标号图像;
Wr为补偿项的局部权重,对于测试样本的每一像素点,其定义如下:
其中d(p)为椭球先验对应的距离场图像中像素点p的值,Dmax和Dmin分别为椭球先验对应的距离场图像中的最大值、最小值;dmax=pf·Dmax和dmin=pb·Dmin为设置的阈值;pf和pb为0~1之间的任意数值;
步骤八,步骤七所得的线性组合DF字典DDF中的样本,得到测试样本的DF预测图像块向量并把转化为图像块xDF;
可得:
在局部约束条件下,MR到DF的映射近似于一个微分同胚映射,可得:
由于f是局部线性,可得:
把转化为图像块xDF即可得到预测的距离场图像块xDF;
步骤九,对MR测试集图像中的每个像素点重复步骤五至步骤八,对DF预测图像块重叠部分加权平均,获得每个像素点的DF值;
用P(x)表示以像素点x为中心,大小与xDF一样的图像块,对于P(x)中的任一像素点u,其权重为:
像素点x的DF值为:
其中表示以像素点u为中心的图像块所预测的像素点x的DF值;
步骤十,对预测出来的DF图像进行阈值处理,得到测试图像每个像素点所对应的标号,由方程式(Ⅰ)所定义的距离场可知,像素点x的标号可以由如下式导出:
其中方程式(Ⅺ)中1的像素点表示该像素点属于目标,且还表示该像素点属于分割目标,方程式(Ⅺ)中的0表示背景。
2.根据权利要求1所述的一种基于距离场融合和椭球先验的MR前列腺图像分割方法,其特征在于:所述步骤一具体是采用灰度归一化方法对MR图像进行归一化处理,用N3算法去除偏移场,使用ELASTIX软件工具将图谱配准到测试图像。
3.根据权利要求2所述的一种基于距离场融合和椭球先验的MR前列腺图像分割方法,其特征在于:所述步骤二具体是在测试图像上,勾画出前列腺中间层上的四个边界点以及前列腺底部和尖端的中心点,采用椭球方程对前列腺形状进行拟合,并将其作为形状先验引入多图谱分割过程。
4.根据权利要求3所述的一种基于距离场融合和椭球先验的MR前列腺图像分割方法,其特征在于:所述步骤三具体是针对步骤二中的椭球先验D约束的前列腺感兴趣区域,采用基于归一化互信息的相似性度进行图谱选择。
5.根据权利要求4所述的一种基于距离场融合和椭球先验的MR前列腺图像分割方法,其特征在于:所述步骤四具体是求椭球先验D和步骤三中选出的配准效果最好的图谱对应的标号图像所对应的距离场。
6.根据权利要求5所述的一种基于距离场融合和椭球先验的MR前列腺图像分割方法,其特征在于:所述步骤五具体是提取测试图像中的每个像素点的特征,用来作为测试样本。
7.根据权利要求6所述的一种基于距离场融合和椭球先验的MR前列腺图像分割方法,其特征在于:所述步骤六具体是在MR和DF图像中使用局部搜索窗构建MR和DF字典。
8.根据权利要求7所述的一种基于距离场融合和椭球先验的MR前列腺图像分割方法,其特征在于:所述步骤七具体是在的约束下构建最小化能量方程并用LAE求得字典权重系数
9.根据权利要求8所述的一种基于距离场融合和椭球先验的MR前列腺图像分割方法,其特征在于:所述步骤八具体是线性组合DF字典中的样本,从而得到一个以像素点x为中心的DF预测图像块。
10.根据权利要求9所述的一种基于距离场融合和椭球先验的MR前列腺图像分割方法,其特征在于:所述步骤九具体是对重叠的DF预测图像块加权平均,最终获得每个像素点的DF预测值;
所述步骤十具体是通过阈值处理,得到待分割图像的标号图像,即最终的分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810472328.1A CN108596924A (zh) | 2018-05-17 | 2018-05-17 | 一种基于距离场融合和椭球先验的mr前列腺图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810472328.1A CN108596924A (zh) | 2018-05-17 | 2018-05-17 | 一种基于距离场融合和椭球先验的mr前列腺图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108596924A true CN108596924A (zh) | 2018-09-28 |
Family
ID=63631664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810472328.1A Pending CN108596924A (zh) | 2018-05-17 | 2018-05-17 | 一种基于距离场融合和椭球先验的mr前列腺图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596924A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753995A (zh) * | 2018-12-14 | 2019-05-14 | 中国科学院深圳先进技术研究院 | 一种基于3d目标分类和场景语义分割的网络优化结构 |
CN114994587A (zh) * | 2022-08-04 | 2022-09-02 | 国网江西省电力有限公司电力科学研究院 | 一种局部放电检测仪器抗干扰性能量化评价方法 |
CN116228634A (zh) * | 2022-12-07 | 2023-06-06 | 辉羲智能科技(上海)有限公司 | 用于图像检测的距离变换计算方法、应用、终端及介质 |
CN116958176A (zh) * | 2023-09-21 | 2023-10-27 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备及介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205810A (zh) * | 2015-08-30 | 2015-12-30 | 南方医科大学 | 基于距离场融合的mr图像海马体分割方法 |
-
2018
- 2018-05-17 CN CN201810472328.1A patent/CN108596924A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105205810A (zh) * | 2015-08-30 | 2015-12-30 | 南方医科大学 | 基于距离场融合的mr图像海马体分割方法 |
Non-Patent Citations (1)
Title |
---|
李雪丽: "基于多图谱的MR前列腺图像分割算法研究", 《中国优秀硕士论文全文数据库医药卫生科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753995A (zh) * | 2018-12-14 | 2019-05-14 | 中国科学院深圳先进技术研究院 | 一种基于3d目标分类和场景语义分割的网络优化结构 |
CN114994587A (zh) * | 2022-08-04 | 2022-09-02 | 国网江西省电力有限公司电力科学研究院 | 一种局部放电检测仪器抗干扰性能量化评价方法 |
CN114994587B (zh) * | 2022-08-04 | 2022-12-30 | 国网江西省电力有限公司电力科学研究院 | 一种局部放电检测仪器抗干扰性能量化评价方法 |
CN116228634A (zh) * | 2022-12-07 | 2023-06-06 | 辉羲智能科技(上海)有限公司 | 用于图像检测的距离变换计算方法、应用、终端及介质 |
CN116228634B (zh) * | 2022-12-07 | 2023-12-22 | 辉羲智能科技(上海)有限公司 | 用于图像检测的距离变换计算方法、应用、终端及介质 |
CN116958176A (zh) * | 2023-09-21 | 2023-10-27 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备及介质 |
CN116958176B (zh) * | 2023-09-21 | 2024-01-09 | 腾讯科技(深圳)有限公司 | 图像分割方法、装置、计算机设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111311592B (zh) | 一种基于深度学习的三维医学图像自动分割方法 | |
CN109584252B (zh) | 基于深度学习的ct影像的肺叶段分割方法、装置 | |
CN108596924A (zh) | 一种基于距离场融合和椭球先验的mr前列腺图像分割方法 | |
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 | |
CN107274399B (zh) | 一种基于Hession矩阵和三维形状指数的肺结节分割方法 | |
CN111798462A (zh) | 一种基于ct图像的鼻咽癌放疗靶区自动勾画方法 | |
CN110717907A (zh) | 一种基于深度学习的手部肿瘤智能检测方法 | |
Wu et al. | A supervoxel classification based method for multi-organ segmentation from abdominal ct images | |
CN113706487A (zh) | 基于自监督特征小样本学习的多器官分割方法 | |
CN112215844A (zh) | 基于ACU-Net的MRI多模态图像分割方法和系统 | |
Vu et al. | Unsupervised tumor characterization via conditional generative adversarial networks | |
CN114581474A (zh) | 一种基于宫颈癌ct影像的临床靶区自动勾画方法 | |
Shao et al. | Application of an improved u2-net model in ultrasound median neural image segmentation | |
CN112348826B (zh) | 一种基于测地线距离和V-net的交互式肝脏分割方法 | |
Zhou et al. | HAUNet-3D: a novel hierarchical attention 3D UNet for lung nodule segmentation | |
CN111667488B (zh) | 一种基于多角度U-Net的医学图像分割方法 | |
CN117409201A (zh) | 基于半监督学习的mr医学影像结直肠癌分割方法及系统 | |
CN112734762A (zh) | 基于协方差自注意力机制的双路径UNet网络肿瘤分割方法 | |
CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 | |
CN117115437A (zh) | 一种基于区域的多指标多器官医学图像分割模型评估系统 | |
CN114926486B (zh) | 一种基于多层级改进的甲状腺超声图像智能分割方法 | |
CN115797308A (zh) | 一种基于dce-mri的乳腺肿瘤分割方法 | |
CN115131628A (zh) | 一种基于分型辅助信息的乳腺图像分类方法及设备 | |
Shen et al. | Measuring distance from lowest boundary of rectal tumor to anal verge on ct images using pyramid attention pooling transformer | |
CN115409837B (zh) | 一种基于多模态ct图像的子宫内膜癌ctv自动勾画方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180928 |
|
RJ01 | Rejection of invention patent application after publication |