CN108629785B - 基于自步学习的三维磁共振胰腺图像分割方法 - Google Patents

基于自步学习的三维磁共振胰腺图像分割方法 Download PDF

Info

Publication number
CN108629785B
CN108629785B CN201810443222.9A CN201810443222A CN108629785B CN 108629785 B CN108629785 B CN 108629785B CN 201810443222 A CN201810443222 A CN 201810443222A CN 108629785 B CN108629785 B CN 108629785B
Authority
CN
China
Prior art keywords
image
gradient
sequence
dimensional
occurrence matrix
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
CN201810443222.9A
Other languages
English (en)
Other versions
CN108629785A (zh
Inventor
缑水平
顾裕
张晓鹏
刘微
焦昶哲
焦李成
马文萍
马晶晶
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.)
Xidian University
Original Assignee
Xidian University
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 Xidian University filed Critical Xidian University
Priority to CN201810443222.9A priority Critical patent/CN108629785B/zh
Publication of CN108629785A publication Critical patent/CN108629785A/zh
Application granted granted Critical
Publication of CN108629785B publication Critical patent/CN108629785B/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
    • G06T7/11—Region-based segmentation
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06T2207/20081—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种基于自步学习的三维核磁共振胰腺图像分割方法，主要解决现有技术中胰腺分割边界不精准，存在黏连的问题。其实现方案为：1.输入三维核磁共振图像序列并归一化处理；2.将处理后的数据分为训练集和测试集；3.对测试集中图像提取二维灰度共生矩阵特征、二维灰度梯度共生矩阵特征和三维灰度梯度共生矩阵特征；4.根据训练集特征及标签，利用自步学习和支持向量机训练得到分类器；5.利用距离正则化的水平集方法得到测试集的粗分割序列；6.对粗分割序列提取特征，利用分类器得到细分割二值序列；7.对细分割二值序列进行后处理得到测试集的分割结果。本发明能得到胰腺的精准轮廓，可用于为放射治疗提供依据和指导。

Description

基于自步学习的三维磁共振胰腺图像分割方法
技术领域
本发明属于医学图像处理技术领域，更进一步涉及三维磁共振胰腺图像分割，可用于胰腺癌精确放射治疗中的胰腺目标检测。
背景技术
胰腺癌是出现在胰脏的癌症，是常见肿瘤中恶性程度最高、死亡率最高的癌症，约90％的患者无法以手术方式根治，五年存活率低于5％。根据世界卫生组织估计，胰腺癌在全世界发生率排第十三，死亡率排第八。随着科技的发展，其他癌症的治疗技术都有了一定的突破，但胰腺癌治疗却没有明显的突破，死亡率也没有明显的下降趋势。
传统胰腺癌的检查方式是医生根据经验和观察直接阅片，定性的判断患者的病情，这样易受情绪等因素影响，且随着工作量增加，阅片准确率下降，给医生带来了巨大的工作压力。胰腺癌的治疗方法中，放射治疗是一种主要的方法，该方法试图用射线杀死肿瘤，但也会对正常组织造成一次性或永久性伤害。针对目前治疗技术，精确放疗理念应运而生，精准治疗通过精确的肿瘤定位、精确的计划设计、精确的剂量计算及在治疗机上精确执行的一种全新的肿瘤放疗技术，有助于减少放射治疗中对健康组织放射造成的伤害。精确分割胰腺组织有助于帮助医生分析胰腺病情，也是精确放疗不可缺少的一步。
目前，对胰腺癌进行检查和治疗的设备主要是磁共振成像MRI系统，该设备功能强大、技术含量高、软组织图像清晰，而且对人体检测损害小，已成为对胰腺进行分析、诊断和治疗的重要手段，而从磁共振图像中精确的分割出胰腺，就是这些手段的重要前提。
传统医学图像分割方法包括基于区域的方法、基于边缘的方法、基于神经网络的方法、基于模糊聚类的方法、基于图谱的方法等。由于这些方法大多数是基于二维图像序列的分割，利用二维图像本身的特性信息完成感兴趣区域的分割，例如灰度、纹理等信息，没有利用像素的空间信息，而胰腺是一个立体的器官，因此目前的方法不能进行准确的胰腺分割；医学磁共振图像有噪声强、对比度低、软组织边界不明显的特点，目前的方法大多数对图像噪声和对比度敏感，所以难以定位目标边界，胰腺过分割或者欠分割现象明显，不精确的分割结果对后续的放射治疗造成了影响。
发明内容
本发明的目的在于针对以上现有技术的不足，提出一种基于自步学习的三维磁共振胰腺图像分割方法，以提高三维磁共振胰腺图像分割的精度。
实现上述目的，本发明的技术方案包括如下：
1.一种基于自步学习的三维磁共振胰腺图像分割方法，包括：
(1)输入三维磁共振序列图像，对其进行归一化处理，得到归一化后的序列图像集S；
(2)将序列图像S分成图像集T0和测试集A，对图像集T0选取感兴趣区域构成训练集T，并对训练集T中的内容人为勾画标签，用二值图表示，构成标签集G；
(3)对训练集T提取二维灰度共生矩阵特征F0、二维灰度梯度共生矩阵特征F1和三维灰度梯度共生矩阵特征F2；
(4)根据(3)中提取的特征F0、F1和F2以及(2)中得到的标签集G，利用自步学习和支持向量机对训练集T进行训练，得到分类器C；
(5)利用距离正则化的水平集方法对测试集A中三维磁共振图像序列进行分割，，得到粗分割结果序列R0；
(6)对粗分割结果序列R0提取二维灰度共生矩阵特征M0、二维灰度梯度共生矩阵特征M1和三维灰度梯度共生矩阵特征M2，利用(4)中训练好的分类器C和M0、M1以及M2对粗分割结果序列R0进行细分割，得到细分割二值序列R1；
(7)对细分割二值序列R1利用数学形态学得到胰腺分割的最终标签序列L，根据L得到测试集A的最终胰腺图像分割结果序列R。
本发明与现有技术相比具有以下优点：
1.本发明采用自步学习的方法，训练过程中自动根据胰腺分割难度进行由易到难的排序，然后逐步学习这些样本来训练分类器，分类器对胰腺图像分割的效果优于目前的胰腺分割方法，特别是在分割难度较大的图像上，明显优于目前的方法。
2.本发明结合图像处理和机器学习的方法，首先利用图像处理中距离正则化的水平集方法，快速地定位了目标边界轮廓，为后续细分割方法减少了大量时间，使细分割得到的目标轮廓更精确。
3.本发明利用二维灰度共生矩阵,二维灰度梯度共生矩阵与三维灰度梯度共生矩阵构造混合特征矩阵，该特征矩阵能够兼顾图像的结构信息和空间信息，提高了胰腺分割精度。
附图说明
图1是本发明的实现流程图；
图2是本发明中三维磁共振胰腺图像训练集的选取示意图；
图3是本发明中的粗分割目标区域勾画示意图；
图4是本发明中待分割图像序列中的一帧图像及其标签示意图；
图5是用本发明与现有level set和graph cut两种方法的分割结果对比图。
具体实施方式
以下结合附图对本发明的实施步骤及效果进行说明：
参照图1，本发明的实现步骤如下：
步骤1、输入数据并归一化处理。
输入三维磁共振图像序，按下列公式对其进行归一化处理，得到归一化处理后的图像序列S：
Figure BDA0001656552520000031
其中，max()作用是提取矩阵中最大元素值。
步骤2、构造训练集和测试集。
(2a)将图像序列S按照不同人的序列分为图像集T0和测试集A；
(2b)参照图2，按顺序从图像集T0中选取图像，对每张图像选取若干块感兴趣区域，每块感兴趣区域均包含部分胰腺组织与其周围软组织，保存所有的感兴趣区域作为训练集T。
步骤3、提取二维灰度共生矩阵特征。
二维灰度共生矩阵特征F0，是图像中每个像素点的6个特征的集合，这6个特征分别是是角二阶矩f0，熵f1，同质区f2，非相似性f3，非相似性f4，非相似性f5，以该像素点为中心，构造5×5矩形框，按如下公式计算：
Figure BDA0001656552520000041
Figure BDA0001656552520000042
Figure BDA0001656552520000043
Figure BDA0001656552520000044
Figure BDA0001656552520000045
Figure BDA0001656552520000046
其中，
Figure BDA0001656552520000047
Figure BDA0001656552520000048
p(i,j)表示图像中以该像素点为中心的5×5矩形框中灰度值为i和灰度值为j共同出现的概率，N是灰度值的上界，取值为255。
步骤4、提取二维灰度梯度共生矩阵特征。
二维灰度梯度共生矩阵特征F1，是图像中每个像素点的15个特征的集合，这15个特征分别是小梯度优势μ0，大梯度优势μ1，灰度分布不均匀性μ2，梯度分布不均匀性μ3，能量μ4，灰度均值μ5，梯度均值μ6，灰度标准差μ7，梯度标准差μ8，相关性μ9，灰度熵μ10，梯度熵μ11，混合熵μ12，差分矩μ13，逆差分矩μ14，以该像素点为中心，构造5×5矩形框，按如下公式计算：
Figure BDA0001656552520000049
Figure BDA0001656552520000051
Figure BDA0001656552520000052
Figure BDA0001656552520000053
Figure BDA0001656552520000054
Figure BDA0001656552520000055
Figure BDA0001656552520000056
Figure BDA0001656552520000057
Figure BDA0001656552520000058
Figure BDA0001656552520000059
Figure BDA00016565525200000510
Figure BDA00016565525200000511
Figure BDA00016565525200000512
Figure BDA00016565525200000513
Figure BDA00016565525200000514
其中，H(i,j)表示在归一化后的灰度图像和梯度图像中，以该像素点为中心的5×5矩形框中，灰度为i和梯度为j的像素出现的数目,Ng是归一化的最大梯度值，Nh是归一化后的最大灰度级，P(i,j)是以当前计算的像素点为中心的5×5矩形框中灰度值为i，梯度值为j共同出现的概率。
步骤5、提取三维灰度梯度共生矩阵特征。
(5a)根据MRI成像参数中的voxel size参数，对属于同一个人的图像序列利用样条插值在原图像序列的纵轴方向上进行层间插值，构成新的图像序列空间，使图像的分辨率在图像空间的三个方向上达到1:1:1，具体插值层数根据voxel size参数设定；
(5b)找出训练集T中图像在新图像序列空间中与之对应的图像，依次选取对应的图像；
(5c)针对(5b)中对应图像的每个像素点，计算三维灰度梯度共生矩阵特征F2，该特征是该像素点的15个特征的集合，这15个特征分别是三维空间小梯度优势σ0，三维空间大梯度优势σ1，三维空间灰度分布不均匀性σ2，三维空间梯度分布不均匀性σ3，三维空间能量σ4，三维空间灰度均值σ5，三维空间梯度均值σ6，三维空间灰度标准差σ7，三维空间梯度标准差σ8，三维空间相关性σ9，三维空间灰度熵σ10，三维空间梯度熵σ11，三维空间混合熵σ12，三维空间差分矩σ13，三维空间逆差分矩σ14，取以该像素为中心的5×5×5立方体块，按如下公式计算：
Figure BDA0001656552520000061
Figure BDA0001656552520000062
Figure BDA0001656552520000063
Figure BDA0001656552520000064
Figure BDA0001656552520000071
Figure BDA0001656552520000072
Figure BDA0001656552520000073
Figure BDA0001656552520000074
Figure BDA0001656552520000075
Figure BDA0001656552520000076
Figure BDA0001656552520000077
Figure BDA0001656552520000078
Figure BDA0001656552520000079
Figure BDA00016565525200000710
Figure BDA00016565525200000711
其中，I(i,j)表示在归一化后的灰度图像和梯度图像中，以该像素点为中心的5×5×5立方体中，灰度为i和梯度为j的像素出现的数目,NG是归一化的最大梯度值，NH是归一化后的最大灰度级，Q(i,j)是以当前计算的像素点为中心的5×5×5立方体中灰度值为i，梯度值为j共同出现的概率。
步骤6、利用自步学习和支持向量机进行学习。
(6a)将训练集T中每个训练样本的二维灰度共生矩阵特征F0，二维灰度梯度共生矩阵特征F1和三维灰度梯度共生矩阵特征F2，按照[F0,F1,F2]组合方式构成训练样本的特征向量；
(6b)构造优化函数E：
Figure BDA0001656552520000081
s.t.v∈[0,1]n
其中，xi代表第i个训练样本按(6a)方式构成的特征向量，yi是第i个训练样本的标签，n是训练样本的总数，L(yi,f(xi,w))表示支持向量机中的合页损失，f表示当前支持向量机模型，w是支持向量机的参数，
Figure BDA0001656552520000082
是自步学习中的自步正则项，λ是随着模型不断优化而逐渐增长的一个参数，用来控制当前训练集中进行训练的样本数量，vi∈[0,1]代表第i个训练样本在训练模型中的权重，具体计算公式如下：
Figure BDA0001656552520000083
v是所有vi的集合；
(6c)对训练集T中所有样本赋予[0,1)随机初始权重，赋予λ初始值；
(6d)选取权重为1的训练样本以及标签集G中对应的标签，根据优化函数E，利用现有的支持向量机学习方式优化支持向量机模型f；
(6e)根据(6d)中优化的支持向量机模型f和当前λ，重新计算当前支持向量机模型下训练样本的权重vi，计算公式如下：
Figure BDA0001656552520000084
其中，xi代表第i个训练样本的特征向量，yi是第i个训练样本的标签，L(yi,f(xi,w))表示支持向量机中的合页损失；
(6f)更新λ，具体计算公式如下：
Figure BDA0001656552520000091
其中，λold用来记录未更新前λ的值，
Figure BDA0001656552520000092
是人为设定的一个值；
(6g)重复(6d)～(6f)，直到所有的训练样本的权重都为1，输出当前f(xi,w)表示的支持向量机模型为分类器C。
步骤7、利用距离正则化的水平集方法进行粗分割。
(7a)输入测试集A中第一张图，参照图3，人工勾画胰腺轮廓并将结果保存成二值图像；
(7b)将测试集A中图像序列与(7a)中得到的二值图像一起输入到现有的距离正则化的水平集算法中，该方法将自动得到粗分割结果序列R0。
步骤8、提取粗分割结果的特征，分类得到细分割结果。
(8a)按照步骤3中二维灰度共生矩阵特征计算公式、步骤4中二维灰度梯度共生矩阵特征计算公式和步骤5中三维灰度梯度共生矩阵特征计算公式，提取粗分割结果序列R0中粗分割胰腺区域内每个像素点的二维灰度共生矩阵特征M0、二维灰度梯度共生矩阵特征M1和三维灰度梯度共生矩阵特征M2；
(8b)将每个像素点的二维灰度共生矩阵特征M0，二维灰度梯度共生矩阵特征M1和三维灰度梯度共生矩阵特征M2构成特征向量[M0,M1,M2]，将该特征向量输入到分类器C，分类器C输出该像素点所属的类别，用同一张图像中所有像素点的类别构成对应图像的细分割二值图像，再用所有的细分割二值图像构成细分割二值序列R1。
步骤9、利用数学形态学进行后处理得到最终结果。
(9a)对细分割二值序列R1，按顺序选取每张图像，利用腐蚀结构因子J0对选取的图像进行腐蚀操作，得到腐蚀图像，其中腐蚀结构因子J0为：
Figure BDA0001656552520000093
(9b)利用膨胀结构因子J1对(9a)中的腐蚀图像进行膨胀运算，得到膨胀图像，其中膨胀结构因子J1为：
Figure BDA0001656552520000101
(9c)重复(9a)～(9b)一次，得到最终的膨胀二值图像，再用所有的膨胀二值图像构成标签序列L。
(9d)根据标签序列L得到测试集A的最终胰腺图像分割结果序列R，依次找到测试集A中图像与标签序列L中对应的二值图像，将对应的两张图像进行融合，得到胰腺分割结果图像，再用所有的胰腺分割结果图像构成分割结果序列R。
以下结合仿真图对本发明的效果做进一步的说明。
1.仿真条件：
硬件平台为：CPU为Inter Core i5-3230M，主频为2.6GHz，内存为8GB；
软件平台为：Windows 10专业版64位操作系统，MatlabR2017a。
2.仿真数据：
本例中,图像集采用的是通过三维磁共振仪获取的三名志愿者腹部三维磁共振图像序列，参照图2，获得64块感兴趣区域构成训练集；测试集中待分割的数据采用的是通过三维磁共振仪获取的一名志愿者腹部三维磁共振图像序列，图像大小为512×384，一共有5帧图像，参照图4，通过人工勾画出胰腺作为人工标签，其中图4a是胰腺图像，图4b是胰腺图像的人工标签。
3.仿真内容：
为了验证算法的有效性，一般在进行图像分割以后，会以人工标签为参考图像计算指标，哈斯多夫距离、平均绝对表面距离、相似性、灵敏度、特异性五个指标作为分割精度的判断标准,哈斯多夫距离、平均绝对表面距离这两个指标数值越小分割结果越精确，相似性、灵敏度、特异性这三个指标数值越大分割结果越精确。
仿真内容：用本发明和现有level set和graph cut方法对上述仿真数据的测试集进行胰腺图像分割仿真，结果如图5所示，其中图5a为本发明的分割结果，图5b为level set的分割结果，图5c为graph cut的分割结果。从图5可以看出，用本发明分割出的胰腺轮廓更好，更精准，并且黏连较少。
分别计算三种方法仿真得到的分割结果指标：哈斯多夫距离、平均绝对表面距离、相似性、灵敏度、特异性，结果如表1所示：
表1本发明与现有level set和graph cut方法的分割指标对比表
哈斯多夫距离 平均绝对表面距离 相似性 灵敏性 特异性
本发明 10.22372mm 0.7554mm 0.8916 0.9600 0.9964
Level set 10.4808mm 3.8948mm 0.8833 0.9769 0.9957
Graph cut 64.1708mm 10.0728mm 0.5278 0.8473 0.9746
从表1可以看出，本发明的分割结果在指标上优于其他方法，其中灵敏性虽然比level set方法稍低，但是level set方法需要人为设置较多的输入参数，实际操作比较繁琐，本发明只需在粗分割阶段设置较少的参数，且对这些参数不敏感，实际操作简单。

Claims (10)

1.一种基于自步学习的三维磁共振胰腺图像分割方法，包括：
(1)输入三维磁共振序列图像，对其进行归一化处理，得到归一化后的序列图像集S；
(2)将序列图像S分成图像集T0和测试集A，对图像集T0选取感兴趣区域构成训练集T，并对训练集T中的内容人为勾画标签，用二值图表示，构成标签集G；
(3)对训练集T提取二维灰度共生矩阵特征F0、二维灰度梯度共生矩阵特征F1和三维灰度梯度共生矩阵特征F2；
(4)根据(3)中提取的特征F0、F1和F2以及(2)中得到的标签集G，利用自步学习和支持向量机对训练集T进行训练，得到分类器C；
(5)利用距离正则化的水平集方法对测试集A中三维磁共振图像序列进行分割，得到粗分割结果序列R0；
(6)对粗分割结果序列R0提取二维灰度共生矩阵特征M0、二维灰度梯度共生矩阵特征M1和三维灰度梯度共生矩阵特征M2，利用(4)中训练好的分类器C和M0、M1以及M2对粗分割结果序列R0进行细分割，得到细分割二值序列R1；
(7)对细分割二值序列R1利用数学形态学得到胰腺分割的最终标签序列L，根据L得到测试集A的最终胰腺图像分割结果序列R。
2.根据权利要求1所述的方法，其中步骤(2)中对图像集T0选取感兴趣区域构成训练集T，是按顺序从图像集T0中选取图像，对每张图像选取若干块感兴趣区域，每块感兴趣区域均包含部分胰腺组织与其周围软组织，保存所有的感兴趣区域作为训练集T。
3.根据权利要求1所述的方法，其中步骤(3)中对训练集T提取二维灰度共生矩阵特征F0，是图像中每个像素点的6个特征的集合，这6个特征分别是角二阶矩f0，熵f1，同质区f2，非相似性f3，非相似性f4，非相似性f5，以该像素点为中心，构造5×5矩形框，按如下公式计算：
Figure FDA0003164835960000021
Figure FDA0003164835960000022
Figure FDA0003164835960000023
Figure FDA0003164835960000024
Figure FDA0003164835960000025
Figure FDA0003164835960000026
其中，
Figure FDA0003164835960000027
Figure FDA0003164835960000028
p(i,j)表示图像中以该像素点为中心的5×5矩形框中灰度值为i和灰度值为j共同出现的概率，N是灰度值的上界，取值为255。
4.根据权利要求1所述的方法，其中步骤(3)中对训练集T提取二维灰度梯度共生矩阵特征F1，是图像中每个像素点的15个特征的集合，这15个特征分别是小梯度优势μ0，大梯度优势μ1，灰度分布不均匀性μ2，梯度分布不均匀性μ3，能量μ4，灰度均值μ5，梯度均值μ6，灰度标准差μ7，梯度标准差μ8，相关性μ9，灰度熵μ10，梯度熵μ11，混合熵μ12，差分矩μ13，逆差分矩μ14，以该像素点为中心，构造5×5矩形框，按如下公式计算：
Figure FDA0003164835960000029
Figure FDA00031648359600000210
Figure FDA00031648359600000211
Figure FDA0003164835960000031
Figure FDA0003164835960000032
Figure FDA0003164835960000033
Figure FDA0003164835960000034
Figure FDA0003164835960000035
Figure FDA0003164835960000036
Figure FDA0003164835960000037
Figure FDA0003164835960000038
Figure FDA0003164835960000039
Figure FDA00031648359600000310
Figure FDA00031648359600000311
Figure FDA00031648359600000312
其中，H(i,j)表示在归一化后的灰度图像和梯度图像中，以该像素点为中心的5×5矩形框中，灰度为i和梯度为j的像素出现的数目,Ng是归一化的最大梯度值，Nh是归一化后的最大灰度级，P(i,j)是以当前计算的像素点为中心的5×5矩形框中灰度值为i，梯度值为j共同出现的概率。
5.根据权利要求1所述的方法，其中步骤(3)中对训练集T提取三维灰度梯度共生矩阵特征F2，按如下步骤进行：
(3a)根据MRI成像参数中的voxel size参数，对属于同一个人的图像序列利用样条插值在原图像序列的纵轴方向上进行层间插值，构成新的图像序列空间，使图像的分辨率在图像空间的三个方向上达到1:1:1，具体插值层数根据voxel size参数设定；
(3b)找出训练集T中图像在新图像序列空间中与之对应的图像，依次选取对应的图像；
(3c)针对(5b)中对应图像的每个像素点，计算三维灰度梯度共生矩阵特征，该特征是该像素点的15个特征的集合，这15个特征分别是三维空间小梯度优势σ0，三维空间大梯度优势σ1，三维空间灰度分布不均匀性σ2，三维空间梯度分布不均匀性σ3，三维空间能量σ4，三维空间灰度均值σ5，三维空间梯度均值σ6，三维空间灰度标准差σ7，三维空间梯度标准差σ8，三维空间相关性σ9，三维空间灰度熵σ10，三维空间梯度熵σ11，三维空间混合熵σ12，三维空间差分矩σ13，三维空间逆差分矩σ14，取以该像素为中心的5×5×5立方体块，按如下公式计算：
Figure FDA0003164835960000041
Figure FDA0003164835960000042
Figure FDA0003164835960000043
Figure FDA0003164835960000044
Figure FDA0003164835960000045
Figure FDA0003164835960000046
Figure FDA0003164835960000047
Figure FDA0003164835960000051
Figure FDA0003164835960000052
Figure FDA0003164835960000053
Figure FDA0003164835960000054
Figure FDA0003164835960000055
Figure FDA0003164835960000056
Figure FDA0003164835960000057
Figure FDA0003164835960000058
其中，I(i,j)表示在归一化后的灰度图像和梯度图像中，以该像素点为中心的5×5×5立方体中，灰度为i和梯度为j的像素出现的数目,NG是归一化的最大梯度值，NH是归一化后的最大灰度级，Q(i,j)是以当前计算的像素点为中心的5×5×5立方体中灰度值为i，梯度值为j共同出现的概率。
6.根据权利要求1所述的方法，其中步骤(4)所述的利用自步学习和支持向量机对训练集T进行训练，得到分类器C，按如下步骤进行：
(4a)将训练集T中每个训练样本的二维灰度共生矩阵特征F0，二维灰度梯度共生矩阵特征F1和三维灰度梯度共生矩阵特征F2，按照[F0,F1,F2]组合方式构成训练样本的特征向量；
(4b)构造优化函数E：
Figure FDA0003164835960000059
s.t.v∈[0,1]n
其中，xi代表第i个训练样本按(4a)方式构成的特征向量，yi是第i个训练样本的标签，n是训练样本的总数，L(yi,f(xi,w))表示支持向量机中的合页损失，f表示当前支持向量机模型，w是支持向量机的参数，
Figure FDA0003164835960000061
是自步学习中的自步正则项，λ是随着模型不断优化而逐渐增长的一个参数，用来控制当前训练集中进行训练的样本数量，vi∈[0,1]代表第i个训练样本在训练模型中的权重，具体计算公式如下：
Figure FDA0003164835960000062
v是所有vi的集合；
(4c)对训练集T中所有样本赋予[0,1)随机初始权重，赋予λ初始值；
(4d)选取权重为1的训练样本以及标签集G中对应的标签，根据优化函数E，利用现有的支持向量机学习方式优化f(xi,w)；
(4e)根据(4d)中优化的f(xi,w)以及(4b)中vi的计算公式，重新计算当前支持向量机模型下的vi；
(4f)更新λ，具体计算公式如下：
Figure FDA0003164835960000063
其中，λold用来记录未更新前λ的值，
Figure FDA0003164835960000064
是人为设定的一个值；
(4g)重复(4d)～(4f)，直到所有的训练样本的权重都为1，输出当前f(xi,w)表示的支持向量机模型为分类器C。
7.根据权利要求1所述的方法，其中步骤(5)中利用距离正则化的水平集方法对测试集A中三维磁共振图像序列进行分割，是将测试集A中图像序列的第一张进行人工勾画得到二值图像，将该二值图像与图像序列一起输入到现有的距离正则化的水平集算法中，该方法将自动得到粗分割结果序列R0。
8.根据权利要求1所述的方法，其中步骤(6)利用训练好的分类器C对粗分割结果序列R0进行细分割，得到细分割二值序列R1，按如下步骤进行：
(6a)按照步骤(3)中二维灰度共生矩阵特征、二维灰度梯度共生矩阵特征和三维灰度梯度共生矩阵特征计算公式，提取粗分割结果序列R0中粗分割胰腺区域内每个像素点的二维灰度共生矩阵特征、二维灰度梯度共生矩阵特征和三维灰度梯度共生矩阵特征；
(6b)将每个像素点的二维灰度共生矩阵特征，二维灰度梯度共生矩阵特征和三维灰度梯度共生矩阵特征构成特征向量，将该特征向量输入到分类器C，分类器C输出该像素点所属的类别，用同一张图像中所有像素点的类别构成对应图像的细分割二值图像，再用所有的细分割二值图像构成细分割二值序列R1。
9.根据权利要求1所述的方法，其中步骤(7)对细分割二值序列R1利用数学形态学得到胰腺分割的最终标签序列L，按如下步骤进行：
(7a)对细分割二值序列R1，按顺序选取每张图像，利用腐蚀结构因子J0对选取的图像进行腐蚀操作，得到腐蚀图像，其中腐蚀结构因子J0为：
Figure FDA0003164835960000071
(7b)利用膨胀结构因子J1对(7a)中的腐蚀图像进行膨胀运算，得到膨胀图像，其中膨胀结构因子J1为：
Figure FDA0003164835960000072
(7c)重复(7a)～(7b)一次，得到最终的膨胀二值图像，再用所有的膨胀二值图像构成标签序列L。
10.根据权利要求1所述的方法，其中步骤(7)中根据标签序列L得到测试集A的最终胰腺图像分割结果序列R，是依次找到测试集A中图像与标签序列L中对应的二值图像，将对应的两张图像进行融合，得到胰腺分割结果图像，再用所有的胰腺分割结果图像构成分割结果序列R。
CN201810443222.9A 2018-05-10 2018-05-10 基于自步学习的三维磁共振胰腺图像分割方法 Active CN108629785B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810443222.9A CN108629785B (zh) 2018-05-10 2018-05-10 基于自步学习的三维磁共振胰腺图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810443222.9A CN108629785B (zh) 2018-05-10 2018-05-10 基于自步学习的三维磁共振胰腺图像分割方法

Publications (2)

Publication Number Publication Date
CN108629785A CN108629785A (zh) 2018-10-09
CN108629785B true CN108629785B (zh) 2021-09-10

Family

ID=63692499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810443222.9A Active CN108629785B (zh) 2018-05-10 2018-05-10 基于自步学习的三维磁共振胰腺图像分割方法

Country Status (1)

Country Link
CN (1) CN108629785B (zh)

Families Citing this family (7)

* 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
CN109636806B (zh) * 2018-11-22 2022-12-27 浙江大学山东工业技术研究院 一种基于多步学习的三维核磁共振胰腺图像分割方法
CN109754860B (zh) * 2018-12-21 2020-11-10 苏州雷泰医疗科技有限公司 一种基于dvh预测模型的自动预测计划难易程度的方法
CN110648317B (zh) * 2019-09-18 2023-06-30 上海交通大学 适用于脊柱转移肿瘤骨质的质量分类方法及系统
CN111340773B (zh) * 2020-02-24 2022-11-22 齐鲁工业大学 一种视网膜图像血管分割方法
CN111967499B (zh) * 2020-07-21 2023-04-07 电子科技大学 基于自步学习的数据降维方法
CN113160233A (zh) * 2021-04-02 2021-07-23 易普森智慧健康科技（深圳）有限公司 利用稀疏标注数据集训练实例分割神经网络模型的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103578099A (zh) * 2012-08-08 2014-02-12 深圳市慧康精密仪器有限公司 基于超声弹性成像的肿瘤弹性特征的提取方法
CN106447682A (zh) * 2016-08-29 2017-02-22 天津大学 基于帧间相关性的乳腺mri病灶的自动分割方法
CN106600607A (zh) * 2016-11-22 2017-04-26 武汉大学 一种基于水平集分割极化sar影像的水体精确提取方法
CN107516082A (zh) * 2017-08-25 2017-12-26 西安电子科技大学 基于自步学习的sar图像变化区域检测方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7240094B2 (en) * 1997-07-03 2007-07-03 Centra Software Inc. Method and system for synchronizing and serving multimedia in a distributed network
US7876937B2 (en) * 2006-09-15 2011-01-25 Carestream Health, Inc. Localization of nodules in a radiographic image

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103578099A (zh) * 2012-08-08 2014-02-12 深圳市慧康精密仪器有限公司 基于超声弹性成像的肿瘤弹性特征的提取方法
CN106447682A (zh) * 2016-08-29 2017-02-22 天津大学 基于帧间相关性的乳腺mri病灶的自动分割方法
CN106600607A (zh) * 2016-11-22 2017-04-26 武汉大学 一种基于水平集分割极化sar影像的水体精确提取方法
CN107516082A (zh) * 2017-08-25 2017-12-26 西安电子科技大学 基于自步学习的sar图像变化区域检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CT图像的肾脏组织分割及其病变检测方法的研究;张品;《万方》;20150930;第1-133页 *
Self-Paced Learning with Diversity;Lu Jiang 等;《Neural Information Processing System(NIPS)》;20141231;第1-9页 *
基于支持向量机和水平集方法的核磁共振脑图像分割;王克;《中国优秀硕士学位论文全文数据库信息科技辑》;20111215(第(2011)S1期);I138-1538 *

Also Published As

Publication number Publication date
CN108629785A (zh) 2018-10-09

Similar Documents

Publication Publication Date Title
CN108629785B (zh) 基于自步学习的三维磁共振胰腺图像分割方法
US11967072B2 (en) Three-dimensional object segmentation of medical images localized with object detection
Zhang et al. ME‐Net: multi‐encoder net framework for brain tumor segmentation
CN112270660B (zh) 基于深度神经网络的鼻咽癌放疗靶区自动分割方法
US10593035B2 (en) Image-based automated measurement model to predict pelvic organ prolapse
Gao et al. Prostate segmentation by sparse representation based classification
US8290568B2 (en) Method for determining a property map of an object, particularly of a living being, based on at least a first image, particularly a magnetic resonance image
CN108257135A (zh) 基于深度学习方法解读医学图像特征的辅助诊断系统
CN111640120A (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
Wu et al. A supervoxel classification based method for multi-organ segmentation from abdominal ct images
CN111080658A (zh) 基于可形变配准和dcnn的宫颈mri图像分割方法
CN113706486A (zh) 基于密集连接网络迁移学习的胰腺肿瘤图像分割方法
CN109949288A (zh) 肿瘤类型确定系统、方法及存储介质
Onal et al. MRI-based segmentation of pubic bone for evaluation of pelvic organ prolapse
Li et al. BrainK for structural image processing: creating electrical models of the human head
CN106898000A (zh) 一种磁共振成像大脑灰质核团的自动分割方法
CN113989551A (zh) 一种基于改进ResNet网络的阿尔茨海默病分类方法
Xiao et al. RefineNet‐based 2D and 3D automatic segmentations for clinical target volume and organs at risks for patients with cervical cancer in postoperative radiotherapy
CN110458842A (zh) 基于双通道三维密集连接网络的脑肿瘤分割方法
CN106097374B (zh) 基于稀疏低秩与Atlas集的3D MRI胰腺分割方法
Verburg et al. Knowledge‐based and deep learning‐based automated chest wall segmentation in magnetic resonance images of extremely dense breasts
Cairone et al. Robustness of radiomics features to varying segmentation algorithms in magnetic resonance images
CN114926487A (zh) 多模态影像脑胶质瘤靶区分割方法、系统及设备
Li et al. A multistep liver segmentation strategy by combining level set based method with texture analysis for CT images
Hu et al. Pseudo CT generation based on 3D group feature extraction and alternative regression forest for MRI-only radiotherapy

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