CN108846838B - 一种三维mri半自动病灶图像分割方法及系统 - Google Patents

一种三维mri半自动病灶图像分割方法及系统 Download PDF

Info

Publication number
CN108846838B
CN108846838B CN201810565455.6A CN201810565455A CN108846838B CN 108846838 B CN108846838 B CN 108846838B CN 201810565455 A CN201810565455 A CN 201810565455A CN 108846838 B CN108846838 B CN 108846838B
Authority
CN
China
Prior art keywords
focus
region
initial
slice
lesion
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
CN201810565455.6A
Other languages
English (en)
Other versions
CN108846838A (zh
Inventor
胡联亭
卢龙
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201810565455.6A priority Critical patent/CN108846838B/zh
Publication of CN108846838A publication Critical patent/CN108846838A/zh
Application granted granted Critical
Publication of CN108846838B publication Critical patent/CN108846838B/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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06T7/12—Edge-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
    • G06T2207/10—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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明属于医学图像处理技术领域，公开了一种三维MRI半自动病灶图像分割方法及系统，通过观察MRI三维图像确定病灶切片的范围、初始切片的位置，并在初始切片上划分出初始病灶区域和初始正常区域；初始切片病灶分割，使用分类器对扩展区域中的体素进行分类，多次迭代之后得到初始切片的最终病灶区域和最终正常区域；将初始切片上的最终病灶区域和最终正常区域投影到相邻的切片上，得到相邻切片的初始病灶区域和初始正常区域；其他切片病灶分割，即重复切片病灶分割和区域投影的过程，将病灶切片范围内的病灶都分割出来，并将其组合得到整个病灶区域；经过上述操作，本发明即可得到三维MRI的病灶图像。

Description

一种三维MRI半自动病灶图像分割方法及系统
技术领域
本发明属于医学图像处理技术领域，尤其涉及一种三维MRI半自动病灶图像分割方法及系统。
背景技术
目前，业内常用的现有技术是这样的：
磁共振成像(MRI)能够清晰的显示软组织结构，同时很好的区分各种组织和病灶，因此已经成功的运用到了全身各个系统的诊断治疗之中。针对各种疾病的检测与治疗，例如脑中风的再灌注治疗以及乳腺癌、肺癌等癌症的早期检测和放射治疗等都需要对病灶区域进行快速精确的分割，然而人工对病灶进行手动分割需要花费大量的时间和精力，且分割的精度受医生职业能力、经验等主观因素的影响。近些年来，基于医学影像的计算机辅助诊断(Computer Aided Detection，CAD)技术飞速发展，因此开发出高精度的自动或者半自动MRI病灶分割方法及系统就越来越受到研究者的关注。
综上所述，现有技术存在的问题是：
研究者们提出了大量的针对MRI病灶分割的自动方法，但这些方法都未能解决到以下几点：
(1)近年来，新提出的MRI病灶分割方法大多都是基于机器学习的全自动方法，研究者们希望不在人为干预的情况下，机器学习能够解决病灶分割过程中的所有问题，但从这些方法的分割效果来看，还远远达不到临床应用的水平。同时这也是相应的病灶分割系统无法落地应用的原因。
(2)目前的MRI病灶分割方法都是对所有切片上的体素进行分类，但大多数情况下，病灶只存在于部分切片上。因此对不含有病灶的切片上的体素进行分类，不仅增加了被错误分类体素的数量，而且降低了方法效率。
(3)未能利用到MRI相邻切片上病灶形状轮廓的相似性。
(4)未能利用到病灶体素集群分布的特点，即病灶体素四周的体素有很大的可能也是病灶体素。
(5)训练分类器的体素和待分类器分类的体素来自于不同的被试，由于被试之间的差别，使得待分割被试的病灶体素具有一些训练被试的病灶体素所不具有的特点，从而导致分类的结果并不理想。
基于以上的不足，本发明提出了一种带有人为干预的三维MRI半自动病灶分割方法。
解决上述技术问题的难度和意义：
(1)在MRI中，病灶内部具有很强的不均匀性，而病灶外部与白质等高强度信号又连接在一起，使得目前基于机器学习的全自动分割方法的分割效果还无法达到临床应用的标准。因此在MRI病灶分割方法中，加入人为干预，以便相应的分割系统尽早的投入到临床上使用。
(2)在分割之前，确定病灶切片的范围，能减少切片病灶分割以及区域投影的次数，增加方法效率，另外可以降低分类为病灶体素实为正常体素的数量，降低假阳性率。
(3)利用相邻切片上病灶形状轮廓的相似性，进行区域投影操作，得到相邻切片上的初始病灶区域和初始正常区域，可以降低操作员的劳动强度，即只用在初始切片上划分出初始病灶区域和初始正常区域，而不用在每一张病灶切片上都进行区域的划分，
(4)利用病灶体素集群分布的特点，由病灶区域向外扩展，得到扩展区域，然后对扩展区域中的体素进行分类。这样做一方面降低了被分类体素的数量，提高了效率，即不再对整个切片的体素进行分类，而只对扩展区域类的少数体素分类；另一方面由于扩展区域中病灶体素较多，所以分类得到的病灶体素准确率也就越高。
(5)训练分类器的体素和分类器分类的体素来自于同一被试的MRI数据，这样分类器能更好的学习待分类体素的特点，从而分类的精度也就会更高。
发明内容
针对现有技术存在的问题，本发明提供了一种三维MRI半自动病灶图像分割方法及系统。
本发明是这样实现的，一种三维MRI半自动病灶图像分割方法，包括：
确定三维MRI病灶切片的范围、三维MRI初始切片位置，并在初始切片上划分出初始病灶区域和初始正常区域；
进行初始切片病灶图像分割，使用从初始病灶区域和初始正常区域的体素中提取出的数据训练得到分类器，然后由初始病灶区域向外扩展，得到扩展区域，并使用分类器对扩展区域中的体素进行分类，多次迭代后得到初始切片的最终病灶区域和最终正常区域；
进行切片间区域投影，将初始切片上的最终病灶区域和最终正常区域投影到相邻的切片上，得到相邻切片的可能病灶区域和可能正常区域，然后使用从初始切片上最终病灶区域和最终正常区域中体素提取的数据训练得到的分类器，对可能病灶区域和可能正常区域中的体素进行分类，得到相邻切片的初始病灶区域和初始正常区域；
进行其他切片病灶图像分割，重复切片病灶图像分割和区域投影的过程，将病灶切片范围内的病灶图像都分割出来并组合，得到整个病灶区域的图像。
具体包括：
人工操作；
MRI图像预处理；
切片病灶图像分割；
切片间区域投影；
其他切片病灶图像分割；
病灶图像组合。
进一步，所述的人工操作的步骤包括：
确定病灶切片的范围；
确定最先进行病灶图像分割的初始切片的位置；
在初始切片上划分出初始病灶区域和初始正常区域。
进一步，所述的切片病灶分割的步骤包括：
使用从初始病灶区域和初始正常区域的体素中提取出的数据训练得到分类器；
初始病灶区域向外扩展，得到扩展区域；
训练得到的分类器对扩展区域中的体素进行分类，得到扩展病灶区域，并将扩展病灶区域加入到病灶区域中；
重复上述步骤得到切片的最终病灶区域和最终正常区域。
进一步，所述的切片间区域投影的步骤包括：
将切片分割得到的最终病灶区域和最终正常区域投影到与其相邻的切片上，得到相邻切片的可能病灶区域和可能正常区域；
使用从初始切片的最终病灶区域和最终正常区域的体素中提取出的数据训练得到分类器；
分类器对可能病灶区域和可能正常区域中的体素进行分类，得到相邻切片上的初始病灶区域和初始正常区域。
初始切片的选择标准包括：
初始切片中的病灶面积要比其他切片中的病灶面积大，且其病灶的形状与相邻切片中的病灶形状无明显差别；
若所有的病灶切片并不是连续相接的，则需要在每一个分段中选择一个初始切片；
若病灶切片是连续的，但若某两张切片上的病灶形状存在巨大差异，则可以考虑在此处断开，以两个分段来处理。
进一步，初始切片上的初始病灶区域和初始正常区域的划分标准包括：
初始病灶区域中不能存在操作员认为的正常体素；
初始正常区域中不能存在操作员认为的病灶体素。
本发明另一目的提供一种实现所述三维MRI半自动病灶图像分割方法的计算机程序。
本发明另一目的提供一种实现所述三维MRI半自动病灶图像分割方法的信息数据处理终端。
本发明另一目的提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的三维MRI半自动病灶图像分割方法。
本发明另一目的提供一种三维MRI半自动病灶图像分割系统包括：
人工操作模块；用于确定病灶切片的范围；确定最先进行病灶分割的初始切片的位置；在初始切片上划分出初始病灶区域
Figure BDA0001684291230000051
和初始正常区域
Figure BDA0001684291230000052
MRI图像预处理模块，用于采用高斯滤波对图像进行预处理；
切片病灶图像分割模块；用于进行病灶切片的病灶分割，使用从初始病灶区域和初始正常区域的体素中提取出的数据训练得到分类器，然后由初始病灶区域向外扩展，得到扩展区域，并使用分类器对扩展区域中的体素进行分类，多次迭代后得到病灶切片的最终病灶区域和最终正常区域；
切片间区域投影模块；用于进行切片间区域投影，将上一张进行病灶分割的病灶切片的最终病灶区域和最终正常区域投影到相邻的切片上，得到相邻切片的可能病灶区域和可能正常区域，然后使用由最终病灶区域和最终正常区域中体素提取的数据训练得到的分类器，对可能病灶区域和可能正常区域中的体素进行分类，得到相邻切片的初始病灶区域和初始正常区域；
病灶组合模块，重复运行病灶图像分割模块和切片间区域投影模块，完成对所有病灶切片的病灶分割；还用于将病灶切片范围内的病灶都分割出来的图形进行组合，得到整个病灶区域的图像。
本发明另一目的提供一种实现所述三维MRI半自动病灶图像分割系统的信息数据处理终端。
综上所述，本发明的优点及积极效果为：
(1)本发明的方法效率高。这主要体现在以下点：一、正式进行病灶分割之前确定了病灶切片的范围，使得病灶切片的分割以及投影只需要在病灶切片范围内进行即可，降低了计算量；二、切片之间的区域投影使得操作员只需在初始切片上进行区域的划分，降低了操作员的工作量，同时也节约了时间；三、充分利用病灶体素集群分布的特点，使得分类器只需对扩展区域内的体素进行分类，降低了计算量。
(2)本发明的MRI病灶分割效果好。这主要是因为以下几点：一、加入了人为的干预，人工分割的病灶轮廓作为机器学习方法分割结果评价的“黄金标准”，目前其精度是机器学习方法无法达到的，因此本发明中人为干预能提升病灶分割的精度；二、利用相邻病灶切片上病灶轮廓的相似性，进行区域投影为切片上进行分类的分类器提供了真实的数据特征，保证了分类器的分类性能；三、病灶切片范围的确定以及扩展操作提升了待分类体素中病灶体素的数量，提升了分割效果；四、在切片的病灶分割过程中，分类器的训练体素以及待分类体素都来自于同一三维MRI中，训练体素与待分类体素具有更多的相同特点，使得分割的精度更高。该方法与缺血性脑卒中分割(ischemic stroke lesion segmentation,ISLES)挑战中方法对比，其方块系数(dice's coefficient,DC)超过了12种方法。
(3)本发明提供了一种MRI病灶分割系统。针对MRI病灶的分割问题，研究学者们希望机器学习能够解决病灶分割过程中的所有问题，致使相应的病灶分割系统无法投入到实际的临床应用中。本发明首先引入操作员的人为干预，提升了病灶分割的效果，同时提供了一种三维MRI半自动病灶图像分割系统，实现了方法的临床实际应用。
附图说明
图1是本发明实施例提供的三维MRI半自动病灶图像分割方法流程图。
图2是本发明实施例提供的切片病灶分割流程图；
图3是本发明实施例提供切片的分割和投影示例。
图4是本发明实施例提供的三维MRI半自动病灶图像分割系统示意图。
图中：1、人工操作模块；2、MRI图像预处理模块；3、切片病灶分割模块；4、切片间区域投影模块；5、病灶组合模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1，本发明实施例提供的三维MRI半自动病灶图像分割方法，
步骤1：人工操作。操作员通过观察三维MRI图像确定以下三个方面的信息：
信息一：病灶切片的范围[imin,imax]，即确定在整个大脑中哪些切片上存在病灶；
信息二：初始切片的位置i，从所有的病灶切片中选中一张切片作为初始切片(见图3a)，选择标准如下：
1)初始切片中的病灶面积要比其他切片中的病灶面积大，且其病灶的形状与相邻切片中的病灶形状无明显差别；
2)若所有的病灶切片并不是连续相接的，则需要在每一个分段中选择一个初始切片；
3)若病灶切片是连续的，但若某两张切片上的病灶形状存在巨大差异，则可以考虑在此处断开，以两个分段来处理。
注：实施例中MRI图像的病灶切片是连续相接的，且病灶形状在切片间无明显差别。
信息三：在初始切片上划分出初始病灶区域
Figure BDA0001684291230000071
(见图3b)和初始正常区域
Figure BDA0001684291230000072
(见图3c)，
Figure BDA0001684291230000073
和
Figure BDA0001684291230000074
的划分应满足以下标准：
1)
Figure BDA0001684291230000075
中不能存在操作员认为的正常体素；
2)
Figure BDA0001684291230000081
中不能存在操作员认为的病灶体素；
3)
Figure BDA0001684291230000082
和
Figure BDA0001684291230000083
都可以由多个小的区域组成；
4)操作员只需提供区域的外轮廓点即可，算法会根据所提供的点找出能够框住所有点的最小凸多边形，因此操作员若想构建凹多边形，可以通过分别构建多个小的区域代替；
5)操作员只需在方法开始时，划分出
Figure BDA00016842912300000820
和
Figure BDA00016842912300000821
即可，后面算法迭代过程中，就不再需要重复这项工作。
步骤2：MRI图像预处理(见图3d)。采用高斯滤波对图像进行预处理，消除噪声的干扰。
步骤3：切片病灶分割。根据操作员提供的
Figure BDA0001684291230000084
和
Figure BDA0001684291230000085
经过多次迭代分类得到最终病灶区域
Figure BDA0001684291230000086
(见图3e)和最终正常区域
Figure BDA0001684291230000087
(见图3c，
Figure BDA0001684291230000088
和
Figure BDA0001684291230000089
一样)。
步骤3-1：从
Figure BDA00016842912300000810
和
Figure BDA00016842912300000811
的体素中提取特征，其中提取的特征包括：体素信号强度值；体素信号强度等级(总共划分了32个等级)；以目标体素为中心的立方体中所有体素(后面简称“立方体”，立方体大小为5×5×5)的信号强度中值；立方体信号强度均值；立方体信号强度标准差；立方体信号强度信息熵；立方体信号强度能量；立方体信号强度最大值；立方体信号强度最小值；体素x轴坐标；体素y轴坐标；体素z轴坐标。特征提取完之后，分别为
Figure BDA00016842912300000812
中的体素附上类别标签1，
Figure BDA00016842912300000813
中的体素附上类别标签0。
步骤3-2：以步骤3-1中提取出的特征和标签为训练数据，训练BP神经网络分类器。
步骤3-3：
Figure BDA00016842912300000814
向外扩展，得到扩展区域
Figure BDA00016842912300000815
首先对
Figure BDA00016842912300000816
进行结构元素为圆形的形态学膨胀操作，然后用膨胀之后的图像减去
Figure BDA00016842912300000817
便可得
Figure BDA00016842912300000818
步骤3-4：使用步骤3-2训练得到的分类器对
Figure BDA00016842912300000819
中的体素进行分类，若某一体素被分类为病灶体素，则该体素的分类分数Sci就加1，若被分类为正常体素，则Sci就减1，其中Sci的初始值都为0。
步骤3-5：将
Figure BDA0001684291230000091
中Sci大于1的体素保留，其余的体素舍去，从而得到扩展病灶区域
Figure BDA0001684291230000092
将
Figure BDA0001684291230000093
与
Figure BDA0001684291230000094
合并得到病灶区域
Figure BDA0001684291230000095
步骤3-6：迭代步骤3-1到步骤3-5，迭代过程中
Figure BDA0001684291230000096
由
Figure BDA0001684291230000097
代替，
Figure BDA0001684291230000098
保持不变。迭代停止的条件为
Figure BDA0001684291230000099
其中
Figure BDA00016842912300000910
为第j次迭代得到的病灶区域，
Figure BDA00016842912300000911
为第(j+1)次迭代得到的病灶区域，count()为计数函数，threshold为停止条件阈值。该步骤完成后得到初始切片的最终病灶区域
Figure BDA00016842912300000912
和最终正常区域
Figure BDA00016842912300000913
步骤4：切片间区域投影。与初始切片i相邻的两张切片分别是切片(i+1)和切片(i-1)，将由切片i向切片(i+1)投影称为正投影，由切片i向切片(i-1)投影称为负投影，因为正投影和负投影的原理一样，因此实施例中只介绍正投影。
步骤4-1：将初始切片i上的
Figure BDA00016842912300000914
和
Figure BDA00016842912300000915
投影到切片(i+1)得到可能病灶区域
Figure BDA00016842912300000916
(见图3f)和可能正常区域
Figure BDA00016842912300000917
(见图3g)。具体操作为：使用
Figure BDA00016842912300000918
的掩膜点乘切片(i+1)的图像即可得到
Figure BDA00016842912300000919
使用
Figure BDA00016842912300000920
的掩膜点乘切片(i+1)的图像即可得到
Figure BDA00016842912300000921
步骤4-2：从
Figure BDA00016842912300000922
和
Figure BDA00016842912300000923
的体素中提取特征，所提取的特征与步骤3-1中所提取的特征一致。特征提取完之后，分别为
Figure BDA00016842912300000924
中的体素附上类别标签1，
Figure BDA00016842912300000925
中的体素附上类别标签0。
步骤4-3：以步骤4-2中提取出的特征和标签为训练数据，训练BP神经网络分类器。
步骤4-4：使用步骤4-3中训练得到的分类器对
Figure BDA00016842912300000926
和
Figure BDA00016842912300000927
中的体素进行分类。将
Figure BDA00016842912300000928
中被分类为病灶的体素留下，其余的体素舍去，然后对得到的区域(见图3h)进行形态学的腐蚀操作，从而得到
Figure BDA00016842912300000929
(见图3i)；将
Figure BDA00016842912300000930
中被分类为正常的体素留下，其余的体素舍去，从而得到
Figure BDA00016842912300000931
(见图3j)。
步骤5：其他切片病灶分割。使用切片(i+1)中的
Figure BDA0001684291230000101
和
Figure BDA0001684291230000102
进行病灶分割得到
Figure BDA0001684291230000103
(见图3k)和
Figure BDA0001684291230000104
(见图3j，
Figure BDA0001684291230000105
和
Figure BDA0001684291230000106
一样)，然后投影到得到切片(i+2)的
Figure BDA0001684291230000107
和
Figure BDA0001684291230000108
重复上述步骤，直到分割得到
Figure BDA0001684291230000109
和
Figure BDA00016842912300001010
为止。
步骤6：病灶组合。将切片imin到切片imax的最终病灶区域组合到一起得到整个大脑的病灶区域，即
Figure BDA00016842912300001011
如图4所示，本发明实施例提供的三维MRI半自动病灶图像分割系统，包括：
人工操作模块1；在该模块中，系统首先会将整个三维MRI中的所有切片都显示出来，操作员需要观察切片上的病灶以及相邻病灶切片之间的病灶形状，然后将病灶切片的范围、初始切片的位置以及初始切片上的初始病灶区域
Figure BDA00016842912300001012
和初始正常区域
Figure BDA00016842912300001013
至此该系统中所有的人为干预就以全部完成；
MRI图像预处理模块2；系统根据输入的三维MRI数据的大小自动调整高斯滤波的参数，并完成对MRI图像数据的预处理；
切片病灶图像分割模块3；该模块用于对病灶切片范围内的所有病灶切片进行病灶分割。在对某一张病灶切片进行分割时需要该切片的两个数据参数，即该切片的初始病灶区域和初始正常区域，对于初始切片来说，这两个数据参数是人工操作模块中操作员划分的，而对于其他病灶切片，这两个数据参数由与其相邻的上一张进行病灶分割切片的最终病灶区域和最终正常区域投影得到的。随后进行病灶分割，使用从初始病灶区域和初始正常区域的体素中提取出的数据训练得到分类器，然后由初始病灶区域向外扩展，得到扩展区域，并使用分类器对扩展区域中的体素进行分类，多次迭代后得到该切片的最终病灶区域和最终正常区域；
切片间区域投影模块4；用于进行切片间区域投影，将上一张进行完病灶分割的病灶切片上的最终病灶区域和最终正常区域投影到相邻的切片上，得到相邻切片的可能病灶区域和可能正常区域，然后使用由最终病灶区域和最终正常区域中体素提取的数据训练得到的分类器，对可能病灶区域和可能正常区域中的体素进行分类，得到相邻切片的初始病灶区域和初始正常区域；
病灶图像组合模块5；多次重复运行模块3和模块4，即可完成对所有病灶切片的病灶分割。模块5的作用就是将将病灶切片范围内的病灶都分割出来的图形进行组合，得到整个病灶区域的图像。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种三维MRI半自动病灶图像分割方法，其特征在于，所述三维MRI半自动病灶图像分割方法包括：
确定三维MRI病灶切片的范围、三维MRI初始切片的位置，并在初始切片上划分出初始病灶区域和初始正常区域；
进行初始切片病灶分割，使用从初始病灶区域和初始正常区域的体素中提取出的数据训练得到分类器，然后由初始病灶区域向外扩展，得到扩展区域，并使用分类器对扩展区域中的体素进行分类，多次迭代后得到初始切片的最终病灶区域和最终正常区域；
进行切片间区域投影，将初始切片上的最终病灶区域和最终正常区域投影到相邻的切片上，得到相邻切片的可能病灶区域和可能正常区域，然后使用由最终病灶区域和最终正常区域中体素提取的数据训练得到的分类器，对可能病灶区域和可能正常区域中的体素进行分类，得到相邻切片的初始病灶区域和初始正常区域；
进行其他病灶切片病灶分割，重复切片病灶分割和区域投影的过程，将病灶切片范围内的病灶图像都分割出来并组合，得到整个三维MRI的病灶区域；
所述三维MRI半自动病灶图像分割方法具体包括：
人工操作；
MRI图像预处理；
切片病灶图像分割；
切片间区域投影；
其他切片病灶图像分割；
病灶图像组合；
所述的人工操作的步骤包括：
确定病灶切片的范围；
确定最先进行病灶分割的初始切片的位置；
在初始切片上划分出初始病灶区域
Figure FDA0002980950480000021
和初始正常区域
Figure FDA0002980950480000022
切片病灶图像分割的方法中，根据
Figure FDA0002980950480000023
和
Figure FDA0002980950480000024
经过多次迭代分类得到最终病灶区域
Figure FDA0002980950480000025
和最终正常区域
Figure FDA0002980950480000026
具体包括：
步骤1)：从
Figure FDA0002980950480000027
和
Figure FDA0002980950480000028
的体素中提取特征，提取的特征包括：体素信号强度值；体素信号强度等级；以目标体素为中心的立方体中所有体素的信号强度中值；立方体信号强度均值；立方体信号强度标准差；立方体信号强度信息熵；立方体信号强度能量；立方体信号强度最大值；立方体信号强度最小值；体素x轴坐标；体素y轴坐标；体素z轴坐标；特征提取完之后，分别为
Figure FDA0002980950480000029
中的体素附上类别标签1，
Figure FDA00029809504800000210
中的体素附上类别标签0；
步骤2)：以步骤1)中提取出的特征和标签为训练数据，训练BP神经网络分类器；
步骤3)：
Figure FDA00029809504800000211
向外扩展，得到扩展区域
Figure FDA00029809504800000212
首先对
Figure FDA00029809504800000213
进行结构元素为圆形的形态学膨胀操作，然后用膨胀之后的图像减去
Figure FDA00029809504800000214
得
Figure FDA00029809504800000215
步骤4)：使用步骤2)训练得到的分类器对
Figure FDA00029809504800000216
中的体素进行分类，若某一体素被分类为病灶体素，则所述体素的分类分数Sci就加1，若被分类为正常体素，则Sci就减1，其中Sci的初始值都为0；
步骤5)：将
Figure FDA00029809504800000217
中Sci大于1的体素保留，其余的体素舍去，从而得到扩展病灶区域
Figure FDA00029809504800000218
将
Figure FDA00029809504800000219
与
Figure FDA00029809504800000220
合并得到病灶区域
Figure FDA00029809504800000221
步骤6)：迭代步骤1)到步骤5)，迭代过程中
Figure FDA00029809504800000222
由
Figure FDA00029809504800000223
代替，
Figure FDA00029809504800000224
保持不变；
迭代停止的条件为
Figure FDA00029809504800000225
其中
Figure FDA00029809504800000226
为第j次迭代得到的病灶区域，
Figure FDA00029809504800000227
为第j+1次迭代得到的病灶区域，count()为计数函数，threshold为停止条件阈值；该步骤完成后得到初始切片的最终病灶区域
Figure FDA0002980950480000031
和最终正常区域
Figure FDA0002980950480000032
切片间区域投影的方法包括：
步骤a)：将初始切片i上的
Figure FDA0002980950480000033
和
Figure FDA0002980950480000034
投影到切片i+1得到可能病灶区域
Figure FDA0002980950480000035
和可能正常区域
Figure FDA0002980950480000036
步骤b)：从
Figure FDA0002980950480000037
和
Figure FDA0002980950480000038
的体素中提取特征，特征提取完之后，分别为
Figure FDA0002980950480000039
中的体素附类别标签1，
Figure FDA00029809504800000310
中的体素附类别标签0；
步骤c)：以步骤b)中提取出的特征和标签为训练数据，训练BP神经网络分类器；
步骤d)：使用步骤c)中训练得到的分类器对
Figure FDA00029809504800000311
和
Figure FDA00029809504800000312
中的体素进行分类；将
Figure FDA00029809504800000313
中被分类为病灶的体素留下，其余的体素舍去，然后对得到的区域进行形态学的腐蚀操作，得到
Figure FDA00029809504800000314
将
Figure FDA00029809504800000315
中被分类为正常的体素留下，其余的体素舍去，得到
Figure FDA00029809504800000316
其他切片病灶分割的方法包括：
使用切片i+1中的
Figure FDA00029809504800000317
和
Figure FDA00029809504800000318
进行病灶分割得到
Figure FDA00029809504800000319
和
Figure FDA00029809504800000320
然后投影到得到的切片i+2的
Figure FDA00029809504800000321
和
Figure FDA00029809504800000322
上，直到分割得到
Figure FDA00029809504800000323
和
Figure FDA00029809504800000324
病灶组合的方法包括：
将切片imin到切片imax的最终病灶区域组合到一起得到整个病灶区域，
Figure FDA00029809504800000325
其中L表示整个三维MRI的病灶区域，
Figure FDA00029809504800000326
表示病灶切片i上的最终病灶区域，imin表示病灶切片范围内的第一张病灶切片，imax表示病灶切片范围内的最后一张病灶切片。
2.一种实现权利要求1所述三维MRI半自动病灶图像分割方法的信息数据处理终端。
3.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1所述的三维MRI半自动病灶图像分割方法。
4.一种如权利要求1所述的三维MRI半自动病灶图像分割方法的三维MRI半自动病灶图像分割系统，其特征在于，所述三维MRI半自动病灶图像分割系统包括：
人工操作模块；用于确定病灶切片的范围；确定最先进行病灶分割的初始切片的位置；在初始切片上划分出初始病灶区域
Figure FDA0002980950480000041
和初始正常区域
Figure FDA0002980950480000042
MRI图像预处理模块，用于采用高斯滤波对图像进行预处理；
切片病灶图像分割模块；用于进行病灶切片的病灶分割，使用从初始病灶区域和初始正常区域的体素中提取出的数据训练得到分类器，然后由初始病灶区域向外扩展，得到扩展区域，并使用分类器对扩展区域中的体素进行分类，多次迭代后得到病灶切片的最终病灶区域和最终正常区域；
切片间区域投影模块；用于进行切片间区域投影，将上一张进行病灶分割的病灶切片的最终病灶区域和最终正常区域投影到相邻的切片上，得到相邻切片的可能病灶区域和可能正常区域，然后使用由最终病灶区域和最终正常区域中体素提取的数据训练得到的分类器，对可能病灶区域和可能正常区域中的体素进行分类，得到相邻切片的初始病灶区域和初始正常区域；
病灶组合模块，重复运行病灶图像分割模块和切片间区域投影模块，完成对所有病灶切片的病灶分割；还用于将病灶切片范围内的病灶都分割出来的图形进行组合，得到整个病灶区域的图像。
5.一种实现权利要求4所述三维MRI半自动病灶图像分割系统的信息数据处理终端。
CN201810565455.6A 2018-06-04 2018-06-04 一种三维mri半自动病灶图像分割方法及系统 Active CN108846838B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810565455.6A CN108846838B (zh) 2018-06-04 2018-06-04 一种三维mri半自动病灶图像分割方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810565455.6A CN108846838B (zh) 2018-06-04 2018-06-04 一种三维mri半自动病灶图像分割方法及系统

Publications (2)

Publication Number Publication Date
CN108846838A CN108846838A (zh) 2018-11-20
CN108846838B true CN108846838B (zh) 2021-05-11

Family

ID=64210142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810565455.6A Active CN108846838B (zh) 2018-06-04 2018-06-04 一种三维mri半自动病灶图像分割方法及系统

Country Status (1)

Country Link
CN (1) CN108846838B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109726752A (zh) * 2018-12-25 2019-05-07 脑玺(上海)智能科技有限公司 基于时间信号曲线的灌注动态影像的分割方法及系统
CN109949307B (zh) * 2019-02-27 2024-01-12 昆明理工大学 一种基于主成分分析的图像分割的方法
CN110648311B (zh) * 2019-09-03 2023-04-18 南开大学 一种基于多任务学习的痤疮图像病灶分割与计数网络模型
CN113870169B (zh) * 2020-06-12 2023-12-01 杭州普健医疗科技有限公司 一种医学影像标注方法、介质及电子设备
CN112053769B (zh) * 2020-09-30 2023-03-10 沈阳东软智能医疗科技研究院有限公司 一种三维医学影像标注方法、装置及相关产品
CN116936033B (zh) * 2023-09-18 2023-11-17 海杰亚（北京）医疗器械有限公司 一种经皮消融手术规划方法、装置、介质及设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09253108A (ja) * 1996-03-19 1997-09-30 Tanaka Kikaku:Kk 趾サポータ
CN102842136A (zh) * 2012-07-19 2012-12-26 湘潭大学 一种综合血管分布和视盘外观特性的视盘投影定位方法
CN104217437A (zh) * 2014-09-19 2014-12-17 西安电子科技大学 前列腺kvct图像的病变区域分割方法
CN104899926A (zh) * 2015-07-06 2015-09-09 上海联影医疗科技有限公司 医学图像分割方法和装置
CN105654490A (zh) * 2015-12-31 2016-06-08 中国科学院深圳先进技术研究院 一种基于超声弹性图像的病变区域提取方法及装置
CN105956620A (zh) * 2016-04-29 2016-09-21 华南理工大学 一种基于稀疏表示的肝脏超声图像识别方法
CN105976393A (zh) * 2016-05-30 2016-09-28 北京理工大学 大脑局灶性病变自动探测方法及装置
CN106021524A (zh) * 2016-05-24 2016-10-12 成都希盟泰克科技发展有限公司 用于大数据挖掘的二阶依赖树增广贝叶斯分类器工作方法
CN107205624A (zh) * 2014-10-29 2017-09-26 光谱Md公司 用于组织分类的反射式多光谱时间分辨光学成像方法和装备
CN107590806A (zh) * 2017-09-19 2018-01-16 陈烨 一种基于大脑医学成像的检测方法和系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9684967B2 (en) * 2015-10-23 2017-06-20 International Business Machines Corporation Imaging segmentation using multi-scale machine learning approach
US11069054B2 (en) * 2015-12-30 2021-07-20 Visiongate, Inc. System and method for automated detection and monitoring of dysplasia and administration of immunotherapy and chemotherapy

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09253108A (ja) * 1996-03-19 1997-09-30 Tanaka Kikaku:Kk 趾サポータ
CN102842136A (zh) * 2012-07-19 2012-12-26 湘潭大学 一种综合血管分布和视盘外观特性的视盘投影定位方法
CN104217437A (zh) * 2014-09-19 2014-12-17 西安电子科技大学 前列腺kvct图像的病变区域分割方法
CN107205624A (zh) * 2014-10-29 2017-09-26 光谱Md公司 用于组织分类的反射式多光谱时间分辨光学成像方法和装备
CN104899926A (zh) * 2015-07-06 2015-09-09 上海联影医疗科技有限公司 医学图像分割方法和装置
CN105654490A (zh) * 2015-12-31 2016-06-08 中国科学院深圳先进技术研究院 一种基于超声弹性图像的病变区域提取方法及装置
CN105956620A (zh) * 2016-04-29 2016-09-21 华南理工大学 一种基于稀疏表示的肝脏超声图像识别方法
CN106021524A (zh) * 2016-05-24 2016-10-12 成都希盟泰克科技发展有限公司 用于大数据挖掘的二阶依赖树增广贝叶斯分类器工作方法
CN105976393A (zh) * 2016-05-30 2016-09-28 北京理工大学 大脑局灶性病变自动探测方法及装置
CN107590806A (zh) * 2017-09-19 2018-01-16 陈烨 一种基于大脑医学成像的检测方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Automated lesion detection on MRI scans using combined unsupervised and supervised methods;Dazhou Guo等;《BMC Medical Imaging》;20151030;第50卷;1-8 *
基于超声图像的病灶区自动检测和分析系统的实现;刘辰;《中国优秀硕士学位论文全文数据库信息科技辑》;20080615(第6期);I140-192 *
磁敏感加权成像技术的研究与实现;徐鹏;《中国优秀硕士学位论文全文数据库信息科技辑》;20151215(第12期);I138-686 *

Also Published As

Publication number Publication date
CN108846838A (zh) 2018-11-20

Similar Documents

Publication Publication Date Title
CN108846838B (zh) 一种三维mri半自动病灶图像分割方法及系统
CN108010021B (zh) 一种医学图像处理系统和方法
CN107563983B (zh) 图像处理方法以及医学成像设备
WO2021115313A1 (zh) 医学影像中正常器官的轮廓线自动勾画系统
CN104978725B (zh) 一种冠状动脉分割方法和装置
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
US20210110547A1 (en) Method for segmentation of the head-neck arteries, brain and skull in medical images
US20190026897A1 (en) Brain tumor automatic segmentation method by means of fusion of full convolutional neural network and conditional random field
CN106846317B (zh) 一种基于特征提取和相似匹配的医学影像检索方法
CN112716446B (zh) 高血压性视网膜病变的病变特征的测量方法及测量系统
CN108765385B (zh) 一种双源ct冠状动脉自动提取方法
JPH09508814A (ja) 医用画像を分割するための自動的方法およびシステム
Javed et al. An intelligent saliency segmentation technique and classification of low contrast skin lesion dermoscopic images based on histogram decision
CN108230301A (zh) 一种基于主动轮廓模型的脊柱ct图像自动定位分割方法
CN109753997B (zh) 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法
CN112132808B (zh) 基于常态模型学习的乳腺x线图像病变检测方法和装置
US8050470B2 (en) Branch extension method for airway segmentation
Hao et al. Juxta‐vascular pulmonary nodule segmentation in PET‐CT imaging based on an LBF active contour model with information entropy and joint vector
CN112907581A (zh) 一种基于深度学习的mri多类脊髓肿瘤分割方法
CN111724389B (zh) 髋关节ct图像分割方法、装置、存储介质和计算机设备
CN114092450A (zh) 一种基于胃镜检查视频的实时图像分割方法、系统、装置
Singh et al. An efficient combined approach for medical brain tumour segmentation
Kumar et al. Brain magnetic resonance image tumor detection and segmentation using edgeless active contour
CN112712540B (zh) 一种基于ct影像的肺部支气管提取方法
CN113409275B (zh) 基于超声图像确定胎儿颈后透明层厚度的方法及相关装置

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