CN108765427A - 一种前列腺图像分割方法 - Google Patents
一种前列腺图像分割方法 Download PDFInfo
- Publication number
- CN108765427A CN108765427A CN201810465747.2A CN201810465747A CN108765427A CN 108765427 A CN108765427 A CN 108765427A CN 201810465747 A CN201810465747 A CN 201810465747A CN 108765427 A CN108765427 A CN 108765427A
- Authority
- CN
- China
- Prior art keywords
- prostate
- segmentation
- module
- region
- result
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
Abstract
本发明提供了一种前列腺图像分割方法,包括以下步骤:S1.获取前列腺区域训练样本,并标记;S2.对训练前列腺区域进行预处理,获得预处理结果;S3.构建前列腺兴趣区域分割的全卷积网络结构;S4.利用训练样本训练前列腺分割模型,以获取最优前列腺图像分割模型;S5.获取被试者前列腺区域样本,并标记;S6.对测试前列腺区域进行预处理,获得预处理结果;S7.训练好的分割模型对测试集进行分割;S8.对全卷积网络的分割结果进行后处理;S9.选择图像分割的评价指标,进行分割结果统计评价。本发明提高了像素分类精度,具有尺度不变性,并且分割速度较快,具有很好的应用前景。
Description
技术领域
本发明涉及医学图像领域,尤其是涉及医学图像中的前列腺的分割。
背景技术
前列腺癌是老年男性的主要健康问题之一。研究发现,男性慢性前列腺炎的发病率高达2.5%~16%,是导致男性死亡的第二大癌症。前列腺疾病的诊断一直以来是影像学研究的重点,目前常见的前列腺影像学诊疗手段有直肠超声(TRUS)、计算机断层扫描(CT)和磁共振成像(MRI)。相比于其他成像方法,磁共振成像的图像质量对区分前列腺解剖区域更为清晰,对于病变组织更加敏感。因此,磁共振成像公认为目前诊断癌变前列腺的最有效方法,对评估前列腺病变的性质发挥重要作用。
磁共振成像因其能够获取高对比度的清晰图像而被广泛应用于肿瘤检测等临床应用中。针对前列腺病变的检测与治疗规划,医生首先需要勾勒出前列腺组织轮廓,区分前列腺与周围器官,然后决定采取相对应的治疗手段。但是,这一过程目前主要依赖于医师手工,这是一个十分耗时的过程,并且分割的结果好坏也因人而异。过去数十年中,一些自动的前列腺图像分割算法取得了一定成果,但是效果有限,由于以下原因,前列腺磁共振图像分割仍然是一个极具挑战性的任务:1)前列腺组织与周围其他组织的对比度较低,它们的边界难以区分;2)在一幅磁共振图像中,属于前列腺组织的区域很小,可以获取的有效信息较少;3)较长的算法时间消耗有可能推迟临床诊断。
发明内容
为了解决上述的技术问题,本发明提供了一种前列腺图像分割方法。本发明提出基于全卷积神经网络(FCN)的图像分割方法,并对其进行了改进,提高了像素分类精度,分割结果并未收到尺度影响,具有尺度不变性,对小区域遮挡具有很好的鲁棒性,对光照变化具有很好的鲁棒性,解决了光线不均给分割带来的困难,并且运行速度较快。
本发明提供一种前列腺图像分割方法,包括以下步骤:
S1.获取前列腺区域训练样本,并标记;
S2.对训练前列腺区域进行预处理,获得预处理结果;
S3.构建前列腺兴趣区域分割的全卷积网络结构;
S4.利用训练样本训练前列腺分割模型,以获取最优前列腺图像分割模型;
S5.获取被试者前列腺区域样本,并标记;
S6.对测试前列腺区域进行预处理,获得预处理结果;
S7.训练好的分割模型对测试集进行分割;
S8.对全卷积网络的分割结果进行后处理;
S9.选择图像分割的评价指标,进行分割结果统计评价。
作为本发明进一步的改进,S2和S6包括:
S21或S62.计算全部图像的平均强度值和标准偏差;
S22或S62.进行了一次归一化运算,包括减去均值和除以方差;
S23或S63.定位感兴趣区域;
S24或S64.用一个96×96的平方箱来分割感兴趣区域图像。
作为本发明进一步的改进,S3包括:
S31.卷积模组;
S311.移除了VGG-16的最后两个全连接层;
S312.移除了最后一个卷积模块的最大池化层;
S32.边输出模组;
S321.每个边输出模块的输入是相对应的VGG-16模块的输出,在每个边输出模块中,用1×1的卷积层来将特征通道降低至一个特定的数量,第二至第五个模块拥有128个特征通道,第一个模块拥有64个特征通道;
S322.用一个上采样层来对第二至第五个模块进行分辨率重建,第一个模块,不做任何处理;
S323.在每个模块的最后一步,用1×1的卷积核作为分类器来获取每个像素是前列腺或背景的预测概率图,获取五个概率图,这五个概率图包含不同尺度特征的信息;
S324.使用一个融合模块来融合五个边输出模块的输出,融合模块包括了一个用于堆叠五个边输出层输出的连接层和一个用于获取最终分割结果的卷积层。
作为本发明进一步的改进,S9是用六个度量指标对分割的性能进行量化,包括:
(1)DSC方程,计算的是分割图和真实图的重叠,与它们之间的相似性呈正相关:
其中,TP为真阳性,FN为假阴性,FP为假阳性;
(2)PPV方程,用来计算FP和TP的值:
(3)专一性方程,用来计算TN和FP的值:
(4)敏感性方程,用来计算TP和FN的值:
(5)HM方程,评估结果与实际真相之间的差异:
(6)HD方程,比较结果和真实值:
其中,A代表分割的结果,B代表真实值,||·||是欧式距离函数。
作为本发明进一步的改进,S9是用五个评价指标对分割的结果进行统计,定义分割结果的区域为A,“金标准”区域为B,S(*)为数据“*”的表面体素,S*为“*”表面体素上的一点,D(*)为欧氏距离,包括:
(1)VOE=100×(1-(|A∩B|/|AUB|))
(2)RVD=100×((|A|-|B|)/|B|)
(3)其中,||·||是欧式距离函数
(4)
(5)
本发明的有益效果是:
1、提高了像素分类精度;
2、分割结果并未收到尺度影响,具有尺度不变性;
3、对小区域遮挡具有很好的鲁棒性;
4、对光照变化具有很好的鲁棒性;
5、运行速度较快。
附图说明
图1是本发明前列腺图像分割方法流程图;
图2是基于传统卷积神经网络(CNN)的图像分割方法图;
图3是基于全卷积神经网络(FCN)的图像分割方法图;
图4是基于全卷积神经网络(FCN)的图像分割网络架构图;
图5是本发明基于改进全卷积神经网络(FCN)的图像分割网络架构图;
其中,1.原始图像;2.深层神经网络;3.校准;4.结果图像;5.全连接层;6.全卷积层;7.FCN-32s;8.FCN-16s;9.FCN-8s;10.卷积模块;11.卷积模组;12.边输出模块;13.边输出模组;14.融合模块。
具体实施方式
下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所述的实施例只是本发明的部分具有代表性的实施例,而不是全部实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的其他所有实施例都属于本发明的保护范围。
实施例1基于传统卷积神经网络(CNN)的图像分割方法由卷积层、池化层、全连接层和softmax分类器层组成。如附图2,图像经过一系列卷积、池化和全连接后,输出的特征向量能准确识别图像类别。
第l层卷积特征图hl的计算方法为:
式中,Mx和My分别表示卷积滤波器M的长和宽,wjk是卷积核中学习的权值,hl-1表示卷积层l的输入,bl表示第l层滤波器的偏置,f(·)是激活函数。现在流行的深度神经网络多采用ReLu激活函数代替传统的Sigmoid函数,以加速网络收敛,其数学表达式为:
f(x)=max(0,x)
全连接层学习与卷积层不同的部分连接方式不同,深度卷积网络的最后几层通常采用完全连接的方式,即完全连接层,用于连接最后的分类器层。定义完全连接层l的输出向量为hl,即:
hl=f(Wlhl-1+bl)
式中,hl-1为该层的输入,Wl与bl分别表示网络权重与偏置,f是对应的激活函数。
实施例2基于全卷积神经网络(FCN)的图像分割方法以CNN分类网络为基础,如附图3,将全连接层转换为卷积层,以保留空间二维信息,再对卷积二维特征图进行反卷积恢复出原始图像大小,最后通过逐像素分类,获取每个像素类别,从而实现图像分割目的。
本发明可以采用基于隶属程度的模糊集思想进行分类,采用
e为自然对数,a和c为参数。π型函数可以用S型函数定义。
从像素分类来看,标准S型函数符合前列腺图像边缘的过渡变化过程,所以以S型函数作为模糊函数的基本变换形式是本实施例的发明点。
采用由S型函数变换得到的模糊分布作为隶属函数:
该函数是一种能快速实现曾强的的升半梯形函数。其中,i=1,2,...,M,j=1,2,...,N,T为阈值参数,下一节介绍如何选取和确定。xmax是图像的最大灰度值;上式表明了xij相对于最大灰度xmax的模糊分布,显然μA(x)∈[-1,1],由此产生的集合μ={μij}扩大了普通模糊集合的动态范围,因此是一种广义的模糊集;我们将大小为M×N,灰度级为L的待处理图像表示为X=[x(i,j)]M×N的矩阵,和G={0,1,...,L-1}的集合,x(i,j)∈G是坐标(i,j)处像素的灰度值,将图像中像素的灰度值归一化到[0,1]区间,以图像的灰度级为论域,可以定义一个具有某种特征的模糊集合,其隶属度为
式中C为常数,以保证0≤μm(x(i,j))≤1,也就是说任一像素的隶属度不希望小于0.5,
在此基础上,定义一个模糊熵Hm(μm(x(i,j))),用熵来判断人眼区分目标区域细节的能力Hm(μm(x(i,j)))=-(μm(x(i,j)))log2(μm(x(i,j)))-[1-(μm(x(i,j)))]log2[1-(μm(x(i,j)))];
为了保证本算法有效去除噪声,给出模糊熵测度为
用模糊熵测度来表征平滑区和边缘区灰度分布的不同,则目标体系的模糊熵测度R(i,j)为
取m=x(i,j)。因此本发明改进的算法中的选取阈值参数的过程如下:
(1)首先把图像中全部像素点R(i,j)的值得到,构成代表图像边缘特征的矩阵R=[R(i,j)]M×N,选取阈值D,定义R(i,j)≥D的像素点为图像的边缘点,R(i,j)<D的像素点是非边缘点。
(2)第二步,把那些非边缘点的像素去掉。
(3)然后采用直方图的方法统计处理图像边缘点处的像素灰度值。
(4)最后一步是计算出该直方图的各局部包络的最大值,把它作为该增强算法中的阈值参数。
具体在选取阈值参数时候,可以先去掉那些非边缘点的像素点,然后再利用剩下的图像像素(即图像边缘处附近的像素)提取出图像的主要边缘对应的灰度值,并以其作为图像增强算法的阈值参数。
实施例3本发明基于改进全卷积神经网络(FCN)的二维图像分割方法,如附图4,按照以下步骤进行:
S1.获取前列腺区域训练样本,并标记;
S11.用1.5T磁共振系统和8通道相控阵对训练前列腺部位进行自旋回波单次激发EPI成像获得,其成像参数为:TR 4800-5000ms,TE 102ms,层厚3.0mm,层距0.5mm,回波链长度24,相256,频率288,NEX 4.0,带宽31.255kHz,像素512×512;
S12.工作者用MITK软件手动分割图像。
S2.对训练前列腺区域进行预处理,获得预处理结果;
S21.计算全部训练图像的平均强度值和标准偏差;
S22.进行了一次归一化运算,包括减去均值和除以方差;
S23.定位感兴趣区域;
S24.用一个96×96的平方箱来分割感兴趣区域图像。
S3.构建前列腺兴趣区域分割的全卷积网络结构;
S31.卷积模组;
S311.移除了VGG-16的最后两个全连接层;
S312.移除了最后一个卷积模块的最大池化层;
S32.边输出模组;
S321.每个边输出模块的输入是相对应的VGG-16模块的输出,在每个边输出模块中,用1×1的卷积层来将特征通道降低至一个特定的数量,第二至第五个模块拥有128个特征通道,第一个模块拥有64个特征通道;
S322.用一个上采样层来对第二至第五个模块进行分辨率重建,第一个模块,不做任何处理;
S323.在每个模块的最后一步,用1×1的卷积核作为分类器来获取每个像素是前列腺或背景的预测概率图,获取五个概率图,这五个概率图包含不同尺度特征的信息;
S324.使用一个融合模块来融合五个边输出模块的输出,融合模块包括了一个用于堆叠五个边输出层输出的连接层和一个用于获取最终分割结果的卷积层。
S4.利用训练样本训练前列腺分割模型,以获取最优前列腺图像分割模型;
S5.获取被试者前列腺区域样本,并标记;
S51.用1.5T磁共振系统和8通道相控阵对测试前列腺部位进行自旋回波单次激发EPI成像获得,其成像参数为:TR 4800-5000ms,TE 102ms,层厚3.0mm,层距0.5mm,回波链长度24,相256,频率288,NEX 4.0,带宽31.255kHz,像素512×512;
S52.工作者用MITK软件手动分割图像。
S6.对测试前列腺区域进行预处理,获得预处理结果;
S62.计算全部测试图像的平均强度值和标准偏差;
S62.进行了一次归一化运算,包括减去均值和除以方差;
S63.定位感兴趣区域;
S64.用一个96×96的平方箱来分割感兴趣区域图像。
S7.训练好的分割模型对测试集进行分割;
S8.对全卷积网络的分割结果进行后处理;
S9.选择图像分割的评价指标,进行分割结果统计评价。
本发明利用4种语义分割评价指标:统计像素准确率(pixel acc)、类别平均准确率(mean acc)、平均区域重合度(mean IU,intersection over union)和频率加权区域重合度(fw IU),进行分割结果的评价。各指标定义如下:
pixel acc=∑inii/∑iti (1)
mean acc=1/ncl∑inii/∑iti (2)
mean IU=1/ncl∑inii/(ti+∑jnji-nii) (3)
fw IU=(∑ktk)-1∑itinii/(ti+∑jnji-nii) (4)
式中nij表示属于i类被判为j类的像素点个数,ncl表示类别个数(ncl=2),ti=∑jnij表示i类像素点总个数,k表示类别。由于平均IU反映分割区域的完整性和分割位置的准确性,通常被用来作为最终评价指标。
实施例4本发明基于改进全卷积神经网络(FCN)的三维图像分割方法,按照以下步骤进行:
S1.获取前列腺区域三维训练样本,并标记;
S11.用1.5T磁共振系统和8通道相控阵对训练前列腺部位进行自旋回波单次激发EPI成像获得,其成像参数为:TR 4800-5000ms,TE 102ms,层厚3.0mm,层距0.5mm,回波链长度24,相256,频率288,NEX 4.0,带宽31.255kHz,像素512×512;
S12.工作者用MITK软件手动分割图像。
S2.对训练前列腺区域进行预处理,获得预处理结果;
S21.计算全部训练图像的平均强度值和标准偏差;
S22.进行了一次归一化运算,包括减去均值和除以方差;
S23.定位感兴趣区域;
S24.用一个96×96×96的立方箱来分割感兴趣区域图像。
S3.构建前列腺兴趣区域分割的全卷积网络结构;
S31.卷积模组;
S311.移除了VGG-16的最后两个全连接层;
S312.移除了最后一个卷积模块的最大池化层;
S32.边输出模组;
S321.每个边输出模块的输入是相对应的VGG-16模块的输出,在每个边输出模块中,用1×1×1的卷积层来将特征通道降低至一个特定的数量,第二至第五个模块拥有128个特征通道,第一个模块拥有64个特征通道;
S322.用一个上采样层来对第二至第五个模块进行分辨率重建,第一个模块,不做任何处理;
S323.在每个模块的最后一步,用1×1×1的卷积核作为分类器来获取每个像素是前列腺或背景的预测概率图,获取五个立体概率图,这五个概率图包含不同尺度特征的信息;
S324.使用一个融合模块来融合五个边输出模块的输出,融合模块包括了一个用于堆叠五个边输出层输出的连接层和一个用于获取最终分割结果的卷积层。
S4.利用训练样本训练前列腺立体分割模型,以获取最优前列腺图像分割模型;
S5.获取被试者前列腺区域样本,并标记;
S51.用1.5T磁共振系统和8通道相控阵对测试前列腺部位进行自旋回波单次激发EPI成像获得,其成像参数为:TR 4800-5000ms,TE 102ms,层厚3.0mm,层距0.5mm,回波链长度24,相256,频率288,NEX 4.0,带宽31.255kHz,像素512×512;
S52.工作者用MITK软件手动分割图像。
S6.对测试前列腺区域进行预处理,获得预处理结果;
S62.计算全部测试图像的平均强度值和标准偏差;
S62.进行了一次归一化运算,包括减去均值和除以方差;
S63.定位感兴趣区域;
S64.用一个96×96×96的立方箱来分割感兴趣区域图像。
S7.训练好的分割模型对测试集进行分割;
S8.对全卷积网络的分割结果进行后处理;
S9.选择图像分割的评价指标,进行分割结果统计评价。
S9用六个度量指标对分割的性能进行量化,包括:
(1)DSC方程,计算的是分割图和真实图的重叠,与它们之间的相似性呈正相关:
其中,TP为真阳性,FN为假阴性,FP为假阳性;
(2)PPV方程,用来计算FP和TP的值:
(3)专一性方程,用来计算TN和FP的值:
(4)敏感性方程,用来计算TP和FN的值:
(5)HM方程,评估结果与实际真相之间的差异:
(6)HD方程,比较结果和真实值:
其中,A代表分割的结果,B代表真实值,||·||是欧式距离函数。
实施例5本发明基于改进全卷积神经网络(FCN)的三维图像分割的评价方法,按照以下步骤进行:
S1.获取前列腺区域三维训练样本,并标记;
S11.用1.5T磁共振系统和8通道相控阵对训练前列腺部位进行自旋回波单次激发EPI成像获得,其成像参数为:TR 4800-5000ms,TE 102ms,层厚3.0mm,层距0.5mm,回波链长度24,相256,频率288,NEX 4.0,带宽31.255kHz,像素512×512;
S12.工作者用MITK软件手动分割图像。
S2.对训练前列腺区域进行预处理,获得预处理结果;
S21.计算全部训练图像的平均强度值和标准偏差;
S22.进行了一次归一化运算,包括减去均值和除以方差;
S23.定位感兴趣区域;
S24.用一个96×96×96的立方箱来分割感兴趣区域图像。
S3.构建前列腺兴趣区域分割的全卷积网络结构;
S31.卷积模组;
S311.移除了VGG-16的最后两个全连接层;
S312.移除了最后一个卷积模块的最大池化层;
S32.边输出模组;
S321.每个边输出模块的输入是相对应的VGG-16模块的输出,在每个边输出模块中,用1×1×1的卷积层来将特征通道降低至一个特定的数量,第二至第五个模块拥有128个特征通道,第一个模块拥有64个特征通道;
S322.用一个上采样层来对第二至第五个模块进行分辨率重建,第一个模块,不做任何处理;
S323.在每个模块的最后一步,用1×1×1的卷积核作为分类器来获取每个像素是前列腺或背景的预测概率图,获取五个立体概率图,这五个概率图包含不同尺度特征的信息;
S324.使用一个融合模块来融合五个边输出模块的输出,融合模块包括了一个用于堆叠五个边输出层输出的连接层和一个用于获取最终分割结果的卷积层。
S4.利用训练样本训练前列腺立体分割模型,以获取最优前列腺图像分割模型;
S5.获取被试者前列腺区域样本,并标记;
S51.用1.5T磁共振系统和8通道相控阵对测试前列腺部位进行自旋回波单次激发EPI成像获得,其成像参数为:TR 4800-5000ms,TE 102ms,层厚3.0mm,层距0.5mm,回波链长度24,相256,频率288,NEX 4.0,带宽31.255kHz,像素512×512;
S52.工作者用MITK软件手动分割图像。
S6.对测试前列腺区域进行预处理,获得预处理结果;
S62.计算全部测试图像的平均强度值和标准偏差;
S62.进行了一次归一化运算,包括减去均值和除以方差;
S63.定位感兴趣区域;
S64.用一个96×96×96的立方箱来分割感兴趣区域图像。
S7.训练好的分割模型对测试集进行分割;
S8.对全卷积网络的分割结果进行后处理;
S9.选择图像分割的评价指标,进行分割结果统计评价。
S9是用五个评价指标对分割的结果进行统计,采用体积重叠误差(VOE)、相对体积误差(RVD)、平均对称表面距离(ASD)、均方差对称表面距离(RMSD)、最大对称表面距离(MSD)等五个评价指标分别对结果进行评价,五种评价标准均是越小越好。定义分割结果的区域为A,“金标准”区域为B,S(*)为数据“*”的表面体素,S*为“*”表面体素上的一点,D(*)为欧氏距离,包括:
(1)VOE=100×(1-(|A∩B|/|AUB|))
(2)RVD=100×((|A|-|B|)/|B|)
(3)其中,||·||是欧式距离函数。
(4)
(5)
本发明实施例1-5基于改进的FCN三维图像分割方法的像素准确率、类别评价准确率、平均区域重合度以及频率加权区域重合度性能指标均超过90%,具有很高的精度。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (6)
1.一种前列腺图像分割方法,其特征在于,包括以下步骤:
S1.获取前列腺区域训练样本,并标记;
S2.对训练前列腺区域进行预处理,获得预处理结果;
S3.构建前列腺兴趣区域分割的全卷积网络结构;
S4.利用训练样本训练前列腺分割模型,以获取最优前列腺图像分割模型;
S5.获取被试者前列腺区域样本,并标记;
S6.对测试前列腺区域进行预处理,获得预处理结果;
S7.训练好的分割模型对测试集进行分割;
S8.对全卷积网络的分割结果进行后处理;
S9.选择图像分割的评价指标,进行分割结果统计评价。
2.根据权利要求1所述的一种前列腺图像分割方法,其特征在于,所述S2和S6包括:
S21或S62.计算全部图像的平均强度值和标准偏差;
S22或S62.进行了一次归一化运算,包括减去均值和除以方差;
S23或S63.定位感兴趣区域;
S24或S64.用一个96×96的平方箱来分割感兴趣区域图像。
3.根据权利要求1所述的一种前列腺图像分割方法,其特征在于,所述S3包括:
S31.卷积模组;
S311.移除了VGG-16的最后两个全连接层;
S312.移除了最后一个卷积模块的最大池化层;
S32.增加边输出模组;
S321.每个边输出模块的输入是相对应的VGG-16模块的输出,在每个边输出模块中,用1×1的卷积层来将特征通道降低至一个特定的数量,第二至第五个模块拥有128个特征通道,第一个模块拥有64个特征通道;
S322.用一个上采样层来对第二至第五个模块进行分辨率重建,第一个模块,我们不做任何处理;
S323.在每个模块的最后一步,用1×1的卷积核作为分类器来获取每个像素是前列腺或背景的预测概率图,获取五个概率图,这五个概率图包含不同尺度特征的信息;
S324.使用一个融合模块来融合五个边输出模块的输出,融合模块包括了一个用于堆叠五个边输出层输出的连接层和一个用于获取最终分割结果的卷积层。
4.根据权利要求1所述的一种前列腺图像分割方法,其特征在于,所述S9是用六个度量指标对分割的性能进行量化,包括:
(1)DSC方程,计算的是分割图和真实图的重叠,与它们之间的相似性呈正相关:
其中,TP为真阳性,FN为假阴性,FP为假阳性;
(2)PPV方程,用来计算FP和TP的值:
(3)专一性方程,用来计算TN和FP的值:
其中,TN为真阴性;
(4)敏感性方程,用来计算TP和FN的值:
(5)HM方程,评估结果与实际真相之间的差异:
(6)HD方程,比较结果和真实值:
其中,A代表分割的结果,B代表真实值,||·||是欧式距离函数。
5.根据权利要求1所述的一种前列腺图像分割方法,其特征在于,所述S2和S6包括:
S21或S62.计算全部图像的平均强度值和标准偏差;
S22或S62.进行了一次归一化运算,包括减去均值和除以方差;
S23或S63.定位感兴趣区域;
S24或S64.用一个96×96×96的立方箱来分割感兴趣区域图像。
6.根据权利要求5所述的一种前列腺图像分割方法,其特征在于,所述S9是用五个评价指标对分割的结果进行统计,采用体积重叠误差(VOE)、相对体积误差(RVD)、平均对称表面距离(ASD)、均方差对称表面距离(RMSD)、最大对称表面距离(MSD)等五个评价指标分别对结果进行评价,定义分割结果的区域为A,“金标准”区域为B,S(*)为数据“*”的表面体素,S*为“*”表面体素上的一点,D(*)为欧氏距离,包括:
(1)VOE=100×(1-(|A∩B|/|AUB|))
(2)RVD=100×((|A|-|B|)/|B|)
(3)其中,||·||是欧式距离函数
(4)
(5)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810465747.2A CN108765427A (zh) | 2018-05-17 | 2018-05-17 | 一种前列腺图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810465747.2A CN108765427A (zh) | 2018-05-17 | 2018-05-17 | 一种前列腺图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108765427A true CN108765427A (zh) | 2018-11-06 |
Family
ID=64008026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810465747.2A Pending CN108765427A (zh) | 2018-05-17 | 2018-05-17 | 一种前列腺图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765427A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163852A (zh) * | 2019-05-13 | 2019-08-23 | 北京科技大学 | 基于轻量化卷积神经网络的输送带实时跑偏检测方法 |
CN110223300A (zh) * | 2019-06-13 | 2019-09-10 | 北京理工大学 | Ct图像腹部多器官分割方法及装置 |
CN110533676A (zh) * | 2019-09-06 | 2019-12-03 | 青岛海信医疗设备股份有限公司 | 肿瘤图像分割方法、装置及终端设备 |
CN111265317A (zh) * | 2020-02-10 | 2020-06-12 | 上海牙典医疗器械有限公司 | 一种牙齿正畸过程预测方法 |
CN111275714A (zh) * | 2020-01-13 | 2020-06-12 | 武汉大学 | 一种基于注意力机制的3d卷积神经网络的前列腺mr图像分割方法 |
CN112215814A (zh) * | 2020-10-12 | 2021-01-12 | 海南大学 | 基于3dhog辅助卷积神经网络的前列腺图像分割方法 |
CN113476033A (zh) * | 2021-08-18 | 2021-10-08 | 华中科技大学同济医学院附属同济医院 | 基于深度神经网络的mri良性前列腺增生目标区域自动生成方法 |
CN115619810A (zh) * | 2022-12-19 | 2023-01-17 | 中国医学科学院北京协和医院 | 一种前列腺分区分割方法、系统及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663750A (zh) * | 2012-03-31 | 2012-09-12 | 西北工业大学 | 数字图像边缘检测方法 |
CN107886510A (zh) * | 2017-11-27 | 2018-04-06 | 杭州电子科技大学 | 一种基于三维全卷积神经网络的前列腺mri分割方法 |
-
2018
- 2018-05-17 CN CN201810465747.2A patent/CN108765427A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102663750A (zh) * | 2012-03-31 | 2012-09-12 | 西北工业大学 | 数字图像边缘检测方法 |
CN107886510A (zh) * | 2017-11-27 | 2018-04-06 | 杭州电子科技大学 | 一种基于三维全卷积神经网络的前列腺mri分割方法 |
Non-Patent Citations (4)
Title |
---|
JUNMING JIAN 等: "Fully convolutional networks (FCNs)-based segmentation method for colorectal tumors on T2-weighted magnetic resonance images", 《SPRINGER》 * |
LEI TAI 等: "PCA-aided fully convolutional networks for semantic segmentation of multi-channel fMRI", 《ARXIV》 * |
YONGCHANG ZHENG 等: "Automatic liver segmentation based on appearance and context information", 《BIOMEDICAL ENGINEERING ONLINE》 * |
王保平 等: "一种新的自适应图像模糊增强算法", 《西安电子科技大学学报(自然科学版)》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163852A (zh) * | 2019-05-13 | 2019-08-23 | 北京科技大学 | 基于轻量化卷积神经网络的输送带实时跑偏检测方法 |
CN110223300A (zh) * | 2019-06-13 | 2019-09-10 | 北京理工大学 | Ct图像腹部多器官分割方法及装置 |
CN110533676A (zh) * | 2019-09-06 | 2019-12-03 | 青岛海信医疗设备股份有限公司 | 肿瘤图像分割方法、装置及终端设备 |
CN110533676B (zh) * | 2019-09-06 | 2022-08-16 | 青岛海信医疗设备股份有限公司 | 肿瘤图像分割方法、装置及终端设备 |
CN111275714A (zh) * | 2020-01-13 | 2020-06-12 | 武汉大学 | 一种基于注意力机制的3d卷积神经网络的前列腺mr图像分割方法 |
CN111265317A (zh) * | 2020-02-10 | 2020-06-12 | 上海牙典医疗器械有限公司 | 一种牙齿正畸过程预测方法 |
CN112215814A (zh) * | 2020-10-12 | 2021-01-12 | 海南大学 | 基于3dhog辅助卷积神经网络的前列腺图像分割方法 |
CN112215814B (zh) * | 2020-10-12 | 2023-12-22 | 海南大学 | 基于3dhog辅助卷积神经网络的前列腺图像分割方法 |
CN113476033A (zh) * | 2021-08-18 | 2021-10-08 | 华中科技大学同济医学院附属同济医院 | 基于深度神经网络的mri良性前列腺增生目标区域自动生成方法 |
CN115619810A (zh) * | 2022-12-19 | 2023-01-17 | 中国医学科学院北京协和医院 | 一种前列腺分区分割方法、系统及设备 |
CN115619810B (zh) * | 2022-12-19 | 2023-10-03 | 中国医学科学院北京协和医院 | 一种前列腺分区分割方法、系统及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765427A (zh) | 一种前列腺图像分割方法 | |
Arunkumar et al. | K-means clustering and neural network for object detecting and identifying abnormality of brain tumor | |
Pathan et al. | Techniques and algorithms for computer aided diagnosis of pigmented skin lesions—A review | |
Tang et al. | A two-stage approach for automatic liver segmentation with Faster R-CNN and DeepLab | |
CN110338841B (zh) | 三维成像数据的显示处理方法和三维超声成像方法及系统 | |
Reboucas Filho et al. | New approach to detect and classify stroke in skull CT images via analysis of brain tissue densities | |
Tosun et al. | Graph run-length matrices for histopathological image segmentation | |
CN107798679B (zh) | 乳腺钼靶图像乳房区域分割与钙化点检测方法 | |
Hsu et al. | Breast tumor classification using different features of quantitative ultrasound parametric images | |
Singh et al. | Integrating radiologist feedback with computer aided diagnostic systems for breast cancer risk prediction in ultrasonic images: An experimental investigation in machine learning paradigm | |
CN107977952A (zh) | 医学图像分割方法及装置 | |
Huang et al. | VP-Nets: Efficient automatic localization of key brain structures in 3D fetal neurosonography | |
CN105654490A (zh) | 一种基于超声弹性图像的病变区域提取方法及装置 | |
Nandihal et al. | Glioma Detection using Improved Artificial Neural Network in MRI Images | |
Rahman et al. | Developing a retrieval based diagnostic aid for automated melanoma recognition of dermoscopic images | |
Güler et al. | Interpretation of MR images using self-organizing maps and knowledge-based expert systems | |
Das et al. | Techniques for MRI brain tumor detection: a survey | |
Masood et al. | Development of automated diagnostic system for skin cancer: Performance analysis of neural network learning algorithms for classification | |
Mishra et al. | Digital Mammogram Inferencing System Using Intuitionistic Fuzzy Theory. | |
Jiang et al. | Segmentation of prostate ultrasound images: the state of the art and the future directions of segmentation algorithms | |
Ayu et al. | Amniotic fluid segmentation based on pixel classification using local window information and distance angle pixel | |
Masood et al. | Automated segmentation of skin lesions: Modified Fuzzy C mean thresholding based level set method | |
Mishra et al. | A skin cancer image detection interface tool using vlf support vector machine classification | |
Song et al. | Liver segmentation based on SKFCM and improved GrowCut for CT images | |
Xu et al. | Segmentation of breast lesions in ultrasound images using spatial fuzzy clustering and structure tensors |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |