CN108596933A - 一种无须标记的有监督的肾脏动态图像全自动分割方法 - Google Patents
一种无须标记的有监督的肾脏动态图像全自动分割方法 Download PDFInfo
- Publication number
- CN108596933A CN108596933A CN201810361287.9A CN201810361287A CN108596933A CN 108596933 A CN108596933 A CN 108596933A CN 201810361287 A CN201810361287 A CN 201810361287A CN 108596933 A CN108596933 A CN 108596933A
- Authority
- CN
- China
- Prior art keywords
- image
- kidney
- cortex
- medullary substance
- renal plevis
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/30084—Kidney; Renal
Abstract
本发明公开了一种无须标记的有监督的肾脏动态图像全自动分割方法,属于计算机视觉及机器学习领域。具体方法由三个步骤对肾脏动态增强磁共振图像序列进行自动分割。步骤1:利用空间维度信息自动提取皮质、髓质和肾盂的代表性区域作为种子区域;步骤2:将种子区域的时间信号曲线作为算法输入,将种子区域的像素点类标作为算法输出,来训练分类模型;步骤3:当训练得到满意的分类模型后,使用该模型对肾脏区域内每个像素的时间信号曲线进行分类得到其类标,从而最终完成三种肾脏组织的分割。
Description
技术领域
本发明涉及计算机视觉及机器学习领域,更具体的,涉及一种无须标记的基于有监督学习的肾脏动态增强磁共振图像的全自动分割方法。
背景技术
动态增强磁共振扫描的图像序列提供了很好的皮质、髓质和肾盂的对比,但基于图像序列的手工分割时间开销较大,且枯燥乏味,容易引起疲劳。
目前有不少图像处理方法用于肾脏图像的自动或半自动分割。目前公开的方法主要有单帧图像分割的方法,以及基于图像序列进行无监督聚类的分割方法。其中,基于单帧图像分割方法利用了图像序列在某一时刻的空间维度信息,忽略了时间维度信息。实际上,肾脏皮质、髓质和肾盂不同组织的对比呈现在不同的时相上,而单帧图像分割的方法仅仅利用了一个时相上的组织对比,因而该方法不能一次性全自动地分割出皮质、髓质和肾盂的三个组织。而基于图像序列进行无监督聚类的方法通过对像素点的时间信号曲线的聚类操作来赋予像素点不同的类标,从而达到分割目的。由于时间信号曲线体现像素点随着时间变化的信号强度,所以无监督聚类方法能够利用图像序列在时间维度上的信息,但是其忽略空间上的结构信息。尤其是,由于腹部器官成像受到运动伪影和噪声的影响,直接使用无监督聚类方法将像素点聚集成三类往往不能达到满意的分割效果。总的来说,前人的方法主要是通过人工变换聚类数量来解决聚集成三类效果不佳的问题,但是聚类方法中聚类数量作为超参数难以根据经验确定,常常需要通过多次测试来手工选择最佳的聚类效果。同时最后需要人工合并聚类结果以及人工标记每个类标对应的具体组织,这就导致了这类方法也不能做到全自动分割。
通常而言,与无监督方法相比,有监督方法具有更高的准确率,并且有无需选择聚类数量的优势,本发明公开一种全自动地基于有监督分类策略的肾脏动态增强磁共振扫描图像的分割方法。其中,有监督机制体现在能够使用一个提取代表性区域的预处理步骤确定肾脏三种组织种子区域内的像素点的类标,从而使用这些像素点的时间信号曲线和类标来自动训练有监督分类模型,最后再使用该有监督分类模型来对肾脏内部所有像素点进行分类完成图像分割。由于肾脏三个组织种子点区域的提取过程是全自动实现的,所以该方法无须人工标定种子区域以获取训练集,因而本发明专利公开的方法是一种无须标定的肾脏动态增强磁共振图像序列的全自动有监督分割方法。该分割方法同时利用了图像的空间维度信息和时间维度信息,且克服传统单帧图像分割方法和无监督聚类分割方法的局限性,是一种肾脏组织的全自动高效分割方法。
发明内容
本发明提供了一种基于动态增强磁共振肾脏扫描图像的全自动分割方法,其能同时利用肾脏动态增强磁共振扫描图像的时间维度和空间维度信息,可以一次性的完成肾脏皮质、髓质和肾盂组织的全自动分割任务。克服了单帧图像分割和基于图像序列聚类分割的局限性。其有三个步骤组成:种子区域提取、有监督分类模型训练和肾脏三种组织分割,分别将这三个步骤简记为S1,S2和S3。流程示意图如图1所示。值得指出的是,图像分割任务等价于肾脏内像素点的分类任务。
下面进一步描述以上三个步骤的具体内容:
其中S1由以下步骤组成:
S11:自动选定图像序列中肾脏皮质和髓质对比明显的一帧,记为皮质期图像J1。再自动选定图像序列中肾盂与皮髓质对比明显的一帧图像,记为皮髓质期图像J2;示意图如图2所示。
S12:对皮质期图像J1和皮髓质期图像J2进行图像增强,突出肾脏相应组织,并得到四张增强的图像,分别为:皮质增强图B1、髓质肾盂增强图B2、皮髓质增强图B3和肾盂增强图B4。
S13:对S12输出的四张增强图进行自适应阈值化,得到相应阈值化后的二值图像,分别为皮质二值图像C1、髓质肾盂二值图像C2、皮髓质二值图像C3和肾盂二值图像C4。
S14:对二值图像C1、C2、C3、C4采用形态学处理方法得到肾脏整体区域X0以及皮质、髓质和肾盂组织的种子区域,分别为X1、X2和X3。
其中S2由以下步骤组成:
S21:将种子区域内每个像素点的时间信号曲线作为为特征向量,即作为有监督训练模型的输入;将像素点对应的类标作为有监督训练模型的输出,例如,可分别用1、2和3来分别表示皮质、髓质和肾盂的类标。具体地,将S21中得到的肾脏三个组织的种子区域X1、X2和X3内所有像素点的特征向量和对应的类标作为训练集数据。
S22:使用S21得到的训练集数据对有监督分类模型进行训练,得到满意的分类判别模型。
其中S3步骤为:
将肾脏整体区域X0内的所有像素点的时间信号曲线作为特征向量,输入到S22中得到的分类判别模型中,分类判别模型即输出肾脏整体区域内每个像素点的类标,完成肾脏内部组织的自动化分割任务。示意图如图3所示,其中X0表示肾脏整体区域,图Y1、图Y2与图Y3分别为皮质、髓质与肾盂的分割结果示意图,图Z为用灰度区分三个组织分割结果的示意图。
附图说明
图1:肾脏组织自动分割流程图
图2:自动选定皮质期典型图像J1与皮髓质期J2典型图像的示意图
图3:有监督分类模型实现三种肾脏组织的自动分割流程图
图4:图像增强流程图
图5:图像自适应阈值化示意图
图6:自动化种子区域提取步骤示意图
图7:种子区域单个像素点的时间信号曲线示意图
具体实施方式
以下通过实施例对本发明中部分步骤的具体实施过程做进一步说明,以便更好地理解本发明的技术方案。
S11:在动态增强成像时,对于确定的成像方案,如使用确定的扫描机器、成像参数、对比剂注入方法,皮质期和皮髓质期出现的时相一般较为稳定。因此我们可以选择图像序列中特定的2个时相作为皮质期和皮髓质期的典型图像。
例如,我们使用如下的扫描方案进行扫描时,可以固定选择第10帧和第20帧作为皮质期图像和皮髓质期图像。扫描方案设定:机器型号为通用电气Signa TM的3特斯拉临床磁共振扫描机器,成像序列为三维的快速梯度回波T1加权序列;其中主要扫描参数:TR时间为4毫秒,TE时间为0.8毫秒,偏转角为12度,成像矩阵大小为256*256,采集时间为每4秒采集一帧,总共采集70帧,即70个时相;团注的Gd-DTPA造影剂浓度为0.025mmol/kg,团注开始后,随即进行成像。
S12:图像增强可以采用如图4所示的增强方案,以获取皮质增强图B1、髓质肾盂增强图B2、皮髓质增强图B3和肾盂增强图B4。其中图J1表示皮质期图像,图J2为皮髓质期图像,图K1为皮质期图像J1的取反,图K2为皮髓质期图像J2的取反。通过对图像J1、K1、J2、K2分别增强得到图像B1,B2,B3和B4;在每一张增强图中,相应区域的信号得到增强。在具体实现时,选择将J1和J2图像的亮度范围线性标准化到[0,1]范围内,然后使用公式K1=1-J1和公式K2=1-J2来得到取反的图像K1和K2。
具体图像增强方法可以使用curvelet变换来实现,首先使用二维的curvelet变换获取待增强图像的curvelet系数,变换过程简记如下:
其中表示curvelet变换的基函数,f表示待增强的二维图像。下标j,l和k分别表示频率尺度,旋转角度和平移参数,Cj,l(k1,k2)为curvelet变换的系数。
增强的过程如下,使用如下的增强函数来对curvelet系数进行变换
H(x)=S*a*x*{g|[c(x-b)]-g[-c(x+b)]}
其中g(x)=1/(1+e-x)。公式中S、b和c均为增强参数。S为幅值,b为增强或抑制的分界点,c为变化速率。通过调整这三个参数,实现不同的增强对比效果。使用该增强函数处理不同频带的curvelet变换系数来实现对相应频带信号的增强作用,对增强函数处理后的系数再进行curvelet反变换即得到增强后的图像。
本发明在具体实现时选用了两种增强方案,如图4所知,图中由B1得到C1、由B2得到C2、由B4得到C4采用的方案均简记为增强方案一,而由B3得到C3采用的方案简记为增强方案二。方案一突出图像纹理信息,保留图像中高亮的局部纹理。在实现时,由于纹理信息主要由高频子带上较大值的curvelet变换系数所体现,该方案对于高频子带(j≥2)和低频子带(j=1)均使用具有较大幅值的增强函数进行处理。方案二突出图像的低频信息,抑制高频信息,以突出图像中大范围的高亮区域,丢弃局部纹理。在实现时,对于低频子带(j=1),使用具有较大幅值的增强函数进行处理;而对于高频子带(j≥2),使用具有较小幅值的增强函数进行处理。
参数的设置可选择如下:在方案一中,对于低频子带的增强参数设置为:b=0、c=20、s=1.5。对于高频子带的增强参数设置为:b=0.3、c=20、s=4。在方案二中,对于低频子带的增强参数设置为:b=0.2、c=20、s=1.5,对于高频子带的增强参数设置为:b=0.3、c=20、s=0.8。
S13:通过对S12增强后的图像B1、B2、B3、B4进行自适应阈值化,可以分别得到皮质二值图像C1、髓质肾盂二值图像C2、皮髓质二值图像C3和肾盂二值图像C4,其示意图如图5所示。自适应阈值化方法的实现优选基于Otsu的方法。首先使用Otsu方法来计算B1、B2、B3、B4图像各自对应的Otsu自适应阈值,该阈值实现了将图像中所有像素点的亮度分布划分为组内方差最小的两类。我们将该Otsu定量出的Otsu自适应阈值称为图像基准阈值,真实使用的阈值为在基准阈值基础上再加上一个线性偏置。对于B1、B2、B3、B4四张图像,其线性偏置量分别设置为0、0、0.15、0.1。
S14:通过数学形态学处理方法即可从S13步骤获取的C1、C2、C3、C4图像中提取出肾脏整体区域,以及皮质、髓质和肾盂的种子区域,其示意图如图6所示。首先对皮质二值图像C1进行闭运算、孔洞填充,之后再提取最大连通域得到肾脏整体区域X0,然后再通过对图像X0、C1、C2、C3、C4图像相互组合进行像素级别的代数与运算得到肾脏皮质、髓质、肾盂部分的种子区域,其分别对应图像X1,图像X2和图像X3。其中X1由X0和C1运算得到;X2由X0、C2和C3运算得到;X3由X0和C4运算得到。
S21与S22:通过步骤S14获取皮质、髓质、肾盂的种子区域之后,再提取种子区域内每个像素点的时间信号曲线。其中肾脏皮质、髓质和肾盂种子区域内某一像素点的典型时间信号曲线变化模式如图7所示。选择使用数字1、2和3来表示皮质、髓质和肾盂的类标,将种子区域内每个像素点的时间信号曲线作为有监督分类模型的输入,将该像素点对应的类标数字作为有监督分类模型的输出。将种子区域内所有像素点作为训练集,对有监督分类模型进行训练,确定分类模型参数。
S3:在完成训练之后,再使用训练得到的分类模型对肾脏整体区域内所有像素点进行分类,赋予每个像素点类标,即完成分割任务。具体分类模型的选取可以采用支持向量机模型(SVM)。在选用支持向量机时,其具体的设置为:选用多分类的C-SVM作为分类器,并选用径向基函数作为变换的核函数,惩罚参数设置为1,核函数参数设置为图像序列帧数的倒数。
虽然本发明已以较佳实施例披露如上,然而并非用以限定本发明。任何熟悉本领域的技术人员,在不脱离本发明技术方案范围情况下,都可利用上述揭示的方法和技术内容对本发明技术方案作出许多可能的变动和修饰,或修改为等同变化的等效实施例。因此,凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均仍属于本发明技术方案保护的范围内。
Claims (4)
1.一种无须标记的有监督的肾脏动态图像全自动分割方法,其特征在于,使用以下三个步骤对肾脏动态增强磁共振扫描图像序列进行自动分割:
S1:根据肾脏不同结构在不同时相上的亮度差异,从磁共振动态增强图像序列中自动提取肾脏整体区域以及皮质、髓质和肾盂组织的代表性区域作为三种组织各自的种子区域,并将种子区域内所有像素赋予相应组织的类标;
S2:将种子区域内所有像素点的时间信号曲线和相应的类标分别作为有监督分类模型的输入和输出,进行训练得到判别模型;
S3:利用训练好的判别模型,将肾脏整体区域内所有像素点的时间信号曲线作为输入,得到的输出即为每个像素点的类标,完成肾脏内三种组织的分割。
2.如权利要求1所述的自动分割方法,其特征在于,自动提取肾脏整体区域以及皮质、髓质和肾盂三个组织代表性区域采用的方法为图像增强,图像自适应阈值化,最后进行形态学操作;其中,选择一张典型皮质期的图像J1,进行图像增强得到皮质增强图B1、髓质肾盂增强图B2;选择一张典型皮髓质期的图像J2,进行图像增强得到皮髓质增强图B3、肾盂增强图B4;进一步,对B1、B2、B3、B4四张增强图进行自适应阈值化处理,分别得到四张对应的二值图像,即皮质二值图像C1、髓质肾盂二值图像C2、皮髓质二值图像C3和肾盂二值图像C4;最后,对二值图像C1、C2、C3、C4采用形态学处理方法分析得到肾脏整体区域X0以及皮质、髓质和肾盂组织的代表性区域,分别为X1、X2、X3。
3.如权利要求2所述的形态学处理方法,其特征在于,对皮质二值图像C1进行闭运算、孔洞填充之后进行最大连通域提取得到肾脏整体区域X0,进而,将肾脏整体区域X0与皮质二值图像C1进行代数与运算得到皮质组织代表性区域X1;将肾脏整体区域X0与髓质肾盂二值图像C2、皮髓质二值图像C3进行代数与运算得到髓质组织代表性区域X2;将肾脏整体区域X0与肾盂二值图像C4进行代数与运算得到肾盂组织代表性区域X3。
4.如权利要求2所述的图像增强策略,其特征在于,使用curvelet变换实施图像增强,其中,curvelet系数x经过以下形式的函数变换进行调整,S、a、b均为预设常数;
H(x)=S*a*x*{g[c(x-b)]-g[-c(x+b)]}
其中g(x)=1/(1+e-x),对于亮度范围为[0,1]的图像,参数S的选择范围为[0.5,5],参数b的选择范围为[0.1,0.9],参数c的选择范围为[10,50]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810361287.9A CN108596933B (zh) | 2018-04-20 | 2018-04-20 | 一种无须标记的有监督的肾脏动态图像全自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810361287.9A CN108596933B (zh) | 2018-04-20 | 2018-04-20 | 一种无须标记的有监督的肾脏动态图像全自动分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108596933A true CN108596933A (zh) | 2018-09-28 |
CN108596933B CN108596933B (zh) | 2022-03-25 |
Family
ID=63614298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810361287.9A Active CN108596933B (zh) | 2018-04-20 | 2018-04-20 | 一种无须标记的有监督的肾脏动态图像全自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596933B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115641961A (zh) * | 2022-09-14 | 2023-01-24 | 中国医学科学院北京协和医院 | 用于预测肾脏年龄的方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060110018A1 (en) * | 2004-11-22 | 2006-05-25 | Shoupu Chen | Automatic abnormal tissue detection in MRI images |
CN101138498A (zh) * | 2007-10-17 | 2008-03-12 | 北京大学 | 一种基于磁共振三维肾图的图像处理方法 |
US20130084246A1 (en) * | 2010-05-17 | 2013-04-04 | Children's Hospital Los Angeles | Method and system for quantitative renal assessment |
CN104318567A (zh) * | 2014-10-24 | 2015-01-28 | 东北大学 | 一种基于医学影像分割肾脏血管房室的方法 |
US20150286786A1 (en) * | 2014-04-02 | 2015-10-08 | University Of Louisville Research Foundation, Inc. | Computer aided diagnostic system for classifying kidneys |
CN106971389A (zh) * | 2017-01-26 | 2017-07-21 | 苏州大学 | 一种基于统计形状模型的肾皮质定位方法 |
-
2018
- 2018-04-20 CN CN201810361287.9A patent/CN108596933B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060110018A1 (en) * | 2004-11-22 | 2006-05-25 | Shoupu Chen | Automatic abnormal tissue detection in MRI images |
CN101138498A (zh) * | 2007-10-17 | 2008-03-12 | 北京大学 | 一种基于磁共振三维肾图的图像处理方法 |
US20130084246A1 (en) * | 2010-05-17 | 2013-04-04 | Children's Hospital Los Angeles | Method and system for quantitative renal assessment |
US20150286786A1 (en) * | 2014-04-02 | 2015-10-08 | University Of Louisville Research Foundation, Inc. | Computer aided diagnostic system for classifying kidneys |
CN104318567A (zh) * | 2014-10-24 | 2015-01-28 | 东北大学 | 一种基于医学影像分割肾脏血管房室的方法 |
CN106971389A (zh) * | 2017-01-26 | 2017-07-21 | 苏州大学 | 一种基于统计形状模型的肾皮质定位方法 |
Non-Patent Citations (1)
Title |
---|
ROBERT LUCHT等: "Neural network-based segmentation of dynamic MR mammographic images", 《MAGNETIC RESONANCE IMAGING》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115641961A (zh) * | 2022-09-14 | 2023-01-24 | 中国医学科学院北京协和医院 | 用于预测肾脏年龄的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108596933B (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Larroza et al. | Texture analysis in magnetic resonance imaging: review and considerations for future applications | |
Wei et al. | Relevance vector machine for automatic detection of clustered microcalcifications | |
Bengtsson et al. | Robust cell image segmentation methods | |
Karim et al. | DeepKneeExplainer: explainable knee osteoarthritis diagnosis from radiographs and magnetic resonance imaging | |
CN104794708A (zh) | 一种基于多特征学习的动脉粥样硬化斑块成分分割方法 | |
CN104102928B (zh) | 一种基于纹理基元的遥感图像分类方法 | |
Kapse et al. | Literature survey on detection of brain tumor from MRI images | |
Berks et al. | Detecting and classifying linear structures in mammograms using random forests | |
Antony et al. | A new approach to determine the classification of mammographic image using K-means clustering algorithm | |
Aldasoro et al. | Volumetric texture segmentation by discriminant feature selection and multiresolution classification | |
CN112150477B (zh) | 脑影像动脉全自动分割方法及装置 | |
Swaraja et al. | Segmentation and detection of brain tumor through optimal selection of integrated features using transfer learning | |
Gambino et al. | Automatic skull stripping in MRI based on morphological filters and fuzzy c-means segmentation | |
CN108596933A (zh) | 一种无须标记的有监督的肾脏动态图像全自动分割方法 | |
Banchpalliwar et al. | A review on brain MRI image segmentation clustering algorithm | |
Ganesh et al. | Brain tumor detection and classification using image processing techniques | |
Saha et al. | A review on various image segmentation techniques for brain tumor detection | |
Joseph et al. | Local binary patterns, haar wavelet features and haralick texture features for mammogram image classification using artificial neural networks | |
CN105184799A (zh) | 一种改进的无监督脑部肿瘤mri图像分割方法 | |
Khode et al. | Efficient brain tumor detection using wavelet transform | |
Boulehmi et al. | Bone cancer diagnosis using GGD analysis | |
Kawadiwale et al. | Clustering techniques for brain tumor detection | |
Xu et al. | A new ANN-based detection algorithm of the masses in digital mammograms | |
Dosil et al. | Data-driven synthesis of composite-feature detectors for 3D image analysis | |
Acharjya et al. | A Literature Review on Mathematical Morphology Based Image Segmentation Techniques |
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 |