CN108961171B - 一种乳腺dti图像去噪方法 - Google Patents
一种乳腺dti图像去噪方法 Download PDFInfo
- Publication number
- CN108961171B CN108961171B CN201810470181.2A CN201810470181A CN108961171B CN 108961171 B CN108961171 B CN 108961171B CN 201810470181 A CN201810470181 A CN 201810470181A CN 108961171 B CN108961171 B CN 108961171B
- Authority
- CN
- China
- Prior art keywords
- image
- mammary gland
- module
- segmentation
- threshold
- 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
Links
- 210000005075 mammary gland Anatomy 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000003672 processing method Methods 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 16
- 210000000481 breast Anatomy 0.000 claims description 13
- 238000003384 imaging method Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 239000000835 fiber Substances 0.000 claims description 5
- 210000004885 white matter Anatomy 0.000 claims description 5
- 101100366000 Caenorhabditis elegans snr-1 gene Proteins 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 210000004293 human mammary gland Anatomy 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000010972 statistical evaluation Methods 0.000 claims description 4
- 241000764238 Isis Species 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 201000010099 disease Diseases 0.000 claims description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000002598 diffusion tensor imaging Methods 0.000 description 13
- 238000010801 machine learning Methods 0.000 description 5
- 238000009792 diffusion process Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 230000000762 glandular Effects 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 238000003706 image smoothing Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
- G06T2207/10092—Diffusion tensor magnetic resonance imaging [DTI]
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/30068—Mammography; Breast
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种乳腺DTI图像去噪方法，基于人工智能的方法以克服现有的图像处理技术中人工干预。该图像去噪方法可由二维空间扩大至三维空间，包括：硬阈值处理方法、软阈值处理方法、根据图像轮廓细节特性的图像去噪方法。本发明处理方法计算简单，可以很好的恢复细节信息，图像处理效果好，峰值信噪比也得到了提高。
Description
技术领域
本发明涉及图像处理领域，具体涉及一种基于人工智能的图像去噪方法。
背景技术
扩散张量成像(DTI)是新近发展起来的一种成像方式。这种成像技术通过水分子扩散引起的磁共振信号衰减来获得生物体内水扩散的方向、量级和各向异性等信息。由于DTI可以提供其他成像方式(如断层扫描成像——CT，传统核磁共振成像——MRI)所不能提供的白质纤维走行等独特信息，且具有非侵入和不需要造影剂等优点，所以在理论研究和临床应用领域均引起了极大关注。特别是，扩散张量神经纤维束成像技术是目前非侵入获得活体白质结构的唯一手段，因此具有重要的临床价值。由于DTI数据的信噪比较低，会影响张量场数据可视化的效果。特别是进行白质束等纤维结构走行的跟踪时，被噪声污染的张量表现在方向排列上杂乱、不规则，使得跟踪出来的纤维结构不够平滑，甚至得到错误的结果，大大限制了DTI的应用。因此，对图像或者张量场进行恢复(去噪)处理是进行理论和应用研究的关键环节。DTI图像具有向量特性，对其进行去噪处理一直是扩散张量数据处理研究领域的热点和难点问题。迄今为止，还没有DTI图像平滑的“黄金”标准。
2016年以来，人工智能成为了非常热门的概念，在图像处理中，经常有工作是可以人工标记，但难以写出一个完整的规则来实现自动处理。有时候有一整套算法，但是参数太多，人工去调节、寻找合适的参数就太过繁琐。那么就可以利用机器学习的方法，提取一定数量的特征，人工标记一批结果，然后用机器学习的方法算出一套自动判断的准则。机器学习的方法在开发这类软件时就显得比较有效。为了寻找一种适合DTI图像特征的去噪方法，本发明提出一种基于全卷积神经网络(FCN)的机器学习方法，更加智能的对DTI图像进行去噪处理。
发明内容
为了解决上述的技术问题，本发明提出一种基于人工智能的乳腺DTI图像去噪方法。通过机器学习把乳腺的图像中的白质束等纤维结构全部提取出来，然后通过密集程度、粗细来分析病情。照片中纤维结构未必是完全相连的，有的地方可能略微模糊，孤立地看不见得能确定是不是相连的。这时候用本发明提出的基于全卷积神经网络(FCN)的方法来对无法判定的图像进行去噪增强，峰值信噪比得到了提高，尤其针对轮廓细节比较丰富的图像效果更明显。
本发明提供一种乳腺DTI图像去噪方法，所述去噪方法包括：
步骤1、图像获取：用1.5T磁共振系统和7个编码梯度对人体乳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 6.0ms，TE 2.36ms，层厚1.2mm，层距0.24mm，体素为0.9×0.8×51.2mm，SNR为1，获取时间为104s；
采用MEDINRIA对该体元进行了人体乳腺腺体组织追踪：参数设置如下：背景滤除门限＝100，部分各向异性门限＝100，平滑度＝0，抽样率＝4，平滑度为0，MFL＝100，抽样速率为较大值；
步骤2、采用全卷积神经网络对该获取图像进行分割：
S1.获取乳腺区域训练样本，并标记；
S2.对训练乳腺区域进行预处理，获得预处理结果；
S3.构建乳腺兴趣区域分割的全卷积网络结构；
S4.利用训练样本训练乳腺分割模型，以获取最优乳腺图像分割模型；
S5.获取被试者乳腺区域样本，并标记；
S6.对测试乳腺区域进行预处理，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；
所述S3包括以下步骤：
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，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乳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。
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。
步骤3、提取感兴趣区域周边的结构信息，构造先验图像；基于Contourlet变换的算法图像去噪：
噪声去噪一般采用模型：y＝x+σ*e，其中，x是期望图像；y是观测的含噪图像；e是噪声；σ是噪声方差；
3.1、确定Contourlet分解的层次K，对含噪图像进行Contourlet变换，得到低频系数a0。和高频系数d0，d1，……dk-1；
3.2、在Contourlet变换域设定阈值对系数进行处理，得到新的Contourlet系数；
硬阈值处理法：
软阈值处理法：
3.3、对处理后的高频系数
和低频系数a0进行Contourle逆变换，得到信号
即
为原始信号x的估计值。
作为本发明进一步的改进，步骤3中硬阈值处理方法如下：引入因子
设置图像的硬阈值为
其中
不同尺度不同方向上能量记为
引入因子
(k表示第k个尺度，j表示第j个方向)，该因子与第k个尺度第j个方向上的轮廓细节有关，同时也与第k个尺度所分解的总的方向数有关，一旦分解的层数确定后，每一层的一总能量就确定了，即
就确定了，因此分解的方向数越多，
的比值越小。
作为本发明进一步的改进，c的取值为3.1。
作为本发明进一步的改进，步骤3中软阈值处理方法如下：引入因子
设置图像的软阈值为
因为δk对不同尺度已经设置了不同的阈值，而
包含了对不同尺度进行不同的阈值，所以要对
进行修正，一旦分解的层数确定，方向数越多，
的比值越小，
就越大，在同一层中不同的方向数会得到不同的阈值，尽量减少这种影响，得到
作为本发明进一步的改进，含噪图像为针对人体乳腺部位捕获的三维图像。
本发明的有益效果是，处理方法计算简单，可以很好的恢复细节信息，图像处理效果好，峰值信噪比也得到了提高，去除人为干预，增加智能化分割和训练步骤有效提高图像处理精准度，处理阈由二维图像扩大至三维图像。
附图说明
图1是本发明一种乳腺DTI图像去噪方法流程图。
图2是本发明人工智能分割网络架构图。
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 Contourlet阈值去噪
步骤1、图像获取：用1.5T磁共振系统和7个编码梯度对人体乳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 6.0ms，TE 2.36ms，层厚1.2mm，层距0.24mm，体素为0.9×0.8×51.2mm，SNR为1，获取时间为104s；
步骤2、采用MEDINRIA对该体元进行了人体乳腺腺体组织追踪：参数设置如下：背景滤除门限＝100，部分各向异性门限＝100，平滑度＝0，抽样率＝4，平滑度为0，MFL＝100，抽样速率为较大值；
步骤3、基于Contourlet变换的算法图像去噪：
噪声去噪一般采用模型：y＝x+σ*e，其中，x是期望图像；y是观测的含噪图像；e是噪声；σ是噪声方差；
3.1、确定Contourlet分解的层次K，对含噪图像进行Contourlet变换，得到低频系数a0。和高频系数d0，d1，……dk-1；
3.2、在Contourlet变换域设定阈值对系数进行处理，得到新的Contourlet系数；
硬阈值处理法：
软阈值处理法：
3.3、对处理后的高频系数
和低频系数a0进行Contourle逆变换，得到信号
即
为原始信号x的估计值。
实施例2硬阈值处理方法
引入因子
设置图像的硬阈值为
其中
不同尺度不同方向上能量记为
引入因子
(k表示第k个尺度，j表示第j个方向)，该因子与第k个尺度第j个方向上的轮廓细节有关，同时也与第k个尺度所分解的总的方向数有关，一旦分解的层数确定后，每一层的一总能量就确定了，即
就确定了，因此分解的方向数越多，
的比值越小，其中经过大量实验c＝3.1去噪效果最好。
实施例3软阈值处理方法
引入因子
设置图像的软阈值为
因为δk对不同尺度已经设置了不同的阈值，而
包含了对不同尺度进行不同的阈值，所以要对
进行修正，一旦分解的层数确定，方向数越多，
的比值越小，
就越大，在同一层中不同的方向数会得到不同的阈值，尽量减少这种影响，得到
实施例4基于Contourlet域的根据图像轮廓细节特性的图像去噪方法
(1)Contourlet变换经过一个拉普拉斯金字塔滤波器LP(Iaplacian Pyramid)和一个多方向滤波组的分解将图像y分解为子带
其中k＝0，…，K-1，j＝1，…，J，K为Contourlet变换分解总层数，J为第k层分解的总方向数；
(2)求出各个尺度各个方向
以的能量
以及各个尺度的总能量
等于
所有系数的平方和；
(3)第k层第j个方向占第k层总能量的百分比越高，就说明图像的轮廓细节越多，阈值应设的较低，引入一个因子
轮廓细节越多，其值越小，其中c取3.1；
(4)计算Donoho阈值和多尺度阈值：
(5)用
进行调整，得出本发明两个算法的阈值
①硬阈值算法阈值：
②软阈值算法阈值：
(6)对系数
进行阈值处理得到
采用硬阈值法，即：
(7)对
进行Contourlet变换，得到去噪后的图像。
实施例5本发明基于改进全卷积神经网络(FCN)的三维图像分割方法，如图2所示，按照以下步骤进行：
S1.获取乳腺区域三维训练样本，并标记；
S11.用1.5T磁共振系统和7个编码梯度对人体乳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 6.0ms，TE 2.36ms，层厚1.2mm，层距0.24mm，体素为0.9×0.8×51.2mm，SNR为1，获取时间为104s；
S12.采用MEDINRIA对该体元进行了人体乳腺腺体组织追踪：参数设
置如下：背景滤除门限＝100，部分各向异性门限＝100，平滑度＝0，抽样率＝4，平滑度为
0，MFL＝100，抽样速率为较大值。
S2.对训练乳腺区域进行预处理，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.构建乳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乳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.利用训练样本训练乳腺立体分割模型，以获取最优乳腺图像分割模型；
S5.获取被试者乳腺区域样本，并标记；
S6.对测试乳腺区域进行预处理，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，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)
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 (1)
1.一种乳腺DTI图像去噪方法，通过该方法把乳腺的图像中的白质束纤维结构全部提取出来，然后通过密集程度、粗细来分析病情，其特征在于，所述去噪方法包括：
步骤1、乳腺DTI图像获取：针对人体乳腺部位捕获的三维乳腺DTI图像；
步骤2、采用全卷积神经网络对该获取三维乳腺DTI图像进行分割；
步骤3、提取感兴趣区域周边的结构信息，构造先验图像；基于Contourlet变换的算法图像去噪：
噪声去噪采用模型：y＝x+σ*e，其中，x是期望图像；y是观测的含噪图像；e是噪声；σ是噪声方差；
所述步骤2包括以下步骤：
S1.获取乳腺区域训练样本，并标记；
S2.对训练乳腺区域进行预处理，获得预处理结果；
S3.构建乳腺兴趣区域分割的全卷积网络结构；
S4.利用训练样本训练乳腺分割模型，以获取最优乳腺图像分割模型；
S5.获取被试者乳腺区域样本，并标记；
S6.对测试乳腺区域进行预处理，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；
所述步骤3包括以下步骤：
3.1、确定Contourlet分解的层次K，对含噪图像进行Contourlet变换，得到低频系数a0和高频系数d0，d1，……dk-1；
3.2、在Contourlet变换域设定阈值δ对系数进行处理，得到新的Contourlet系数；
硬阈值处理法：
软阈值处理法：
3.3、对处理后的高频系数
和低频系数a0进行Contourle逆变换，得到信号
即
为期望图像x的估计值；
所述S1获取乳腺区域三维训练样本，并标记包括以下步骤：
S11.用1.5T磁共振系统和7个编码梯度对人体乳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 6.0ms，TE 2.36ms，层厚1.2mm，层距0.24mm，体素为0.9×0.8×51.2mm，SNR为1，获取时间为104s；
S12.采用MEDINRIA对体元进行了人体乳腺腺体组织追踪：参数设置如下：背景滤除门限＝100，部分各向异性门限＝100，平滑度＝0，抽样率＝4，MFL＝100，抽样速率为较大值；
所述S2对训练乳腺区域进行预处理，获得预处理结果包括以下步骤：
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；
所述S3构建乳腺兴趣区域分割的全卷积网络结构包括以下步骤：
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，我们不做任何处理；
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乳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；
所述S6对测试乳腺区域进行预处理，获得预处理结果包括以下步骤：
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；
所述S9选择图像分割的评价指标，进行分割结果统计评价是用五个评价指标对分割的结果进行统计，其中，评价指标中的VOE(Volumetric Overlap Error)为体素重叠误差，RVD(Relative Volume Difference)为体素相对误差，ASD(Average Symmetric SurfaceDistance)为平均表面距离，RMSD(Root Mean Square Symmetric Surface Distance)为均方根表面距离，MSD(MaximumSymmetric Surface Distance)为最大表面距离，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，则S(A)为A的所有表面体素，SA为A表面体素的一点，S(B)为B的所有表面体素，SB为B表面体素的一点，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)
所述步骤3中硬阈值处理方法如下：引入因子
设置图像的硬阈值为
其中
N为图像的像素总数，不同尺度不同方向上能量记为
引入因子
k表示第k个尺度，j表示第j个方向，该因子与第k个尺度第j个方向上的轮廓细节有关，同时也与第k个尺度所分解的总的方向数有关，一旦分解的层数确定后，每一层的一总能量就确定了，即
就确定了，因此分解的方向数越多，
的比值越小；
所述c的取值为3.1；
所述步骤3中软阈值处理方法如下：引入因子
设置图像的软阈值为
因为δk对不同尺度已经设置了不同的阈值，而
包含了对不同尺度进行不同的阈值，所以要对
进行修正，一旦分解的层数确定，方向数越多，
的比值越小，
就越大，在同一层中不同的方向数会得到不同的阈值，尽量减少这种影响，得到
去除人为干预，增加智能化分割和训练步骤有效提高图像处理精准度，处理阈由二维图像扩大至三维图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810470181.2A CN108961171B (zh) | 2018-05-17 | 2018-05-17 | 一种乳腺dti图像去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810470181.2A CN108961171B (zh) | 2018-05-17 | 2018-05-17 | 一种乳腺dti图像去噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108961171A CN108961171A (zh) | 2018-12-07 |
| CN108961171B true CN108961171B (zh) | 2020-12-22 |
Family
ID=64499177
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810470181.2A Active CN108961171B (zh) | 2018-05-17 | 2018-05-17 | 一种乳腺dti图像去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108961171B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109840913B (zh) * | 2019-01-21 | 2020-12-29 | 中南民族大学 | 一种乳腺x线图像中肿块分割的方法和系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732498A (zh) * | 2015-03-31 | 2015-06-24 | 河海大学 | 一种基于非下采样Contourlet变换的阈值化图像去噪方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012154260A2 (en) * | 2011-02-17 | 2012-11-15 | The Johns Hopkins University | Multiparametric non-linear dimension reduction methods and systems related thereto |
| RU2705014C1 (ru) * | 2015-12-31 | 2019-11-01 | Шанхай Юнайтид Имиджинг Хелскеа Ко., Лтд. | Способы и системы для обработки изображений |
-
2018
- 2018-05-17 CN CN201810470181.2A patent/CN108961171B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104732498A (zh) * | 2015-03-31 | 2015-06-24 | 河海大学 | 一种基于非下采样Contourlet变换的阈值化图像去噪方法 |
Non-Patent Citations (5)
| Title |
|---|
| Fully Convolutional Networks for Semantic Segmentation;Evan Shelhamer et al.;《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》;20170430;第640-645页 * |
| 医学影像计算机辅助检测与诊断系统综述;郑光远 等;《软件学报》;20180109;第1471-1514页 * |
| 基于contourlet变换的自适应图像去噪及图像融合研究;欧阳洪波;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130215;第2013年卷(第2期);摘要，第三、四章 * |
| 基于感兴趣区图像的小波去噪方法研究;玄玉波;《中国优秀硕士学位论文全文数据库 信息科技辑》;20051015;第2005年卷(第6期);摘要 * |
| 多尺度和多方向特征的图像去噪;陈建军 等;《重庆大学学报》;20100831;第33卷(第8期);第23-28页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108961171A (zh) | 2018-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hou et al. | Brain CT and MRI medical image fusion using convolutional neural networks and a dual-channel spiking cortical model | |
| CN105957063B (zh) | 基于多尺度加权相似性测度的ct图像肝脏分割方法及系统 | |
| Aja-Fernández et al. | Restoration of DWI data using a Rician LMMSE estimator | |
| Li et al. | Wavelet-based segmentation of renal compartments in DCE-MRI of human kidney: initial results in patients and healthy volunteers | |
| Dhollander et al. | Track orientation density imaging (TODI) and track orientation distribution (TOD) based tractography | |
| Yang | Multimodal medical image fusion through a new DWT based technique | |
| CN113476032B (zh) | 一种基于有向图谐波分析的脑结构与功能耦合的方法 | |
| CN114119549A (zh) | 一种多模态医学图像三维点云配准优化方法 | |
| CN104323777A (zh) | 一种扩散磁共振成像运动伪影的消除方法 | |
| Yang | Multiresolution Image Fusion Based on Wavelet Transform By Using a Novel Technique for Selection Coefficients. | |
| CN109003280A (zh) | 一种双通道血管内超声影像的血管中内膜分割方法 | |
| Jian et al. | Diagnosis of left ventricular hypertrophy using convolutional neural network | |
| CN113052866B (zh) | 基于局部二值拟合模型的超声图像舌轮廓提取方法 | |
| Ramana | Alzheimer disease detection and classification on magnetic resonance imaging (MRI) brain images using improved expectation maximization (IEM) and convolutional neural network (CNN) | |
| Yan et al. | Estimating fiber orientation distribution from diffusion MRI with spherical needlets | |
| Lamy et al. | A benchmark framework for multiregion analysis of vesselness filters | |
| CN108961171B (zh) | 一种乳腺dti图像去噪方法 | |
| Singh et al. | Detection and classification of brain tumor using hybrid feature extraction technique | |
| Sahu et al. | MRI de-noising using improved unbiased NLM filter | |
| CN113191968A (zh) | 三维超声图像盲去噪模型的建立方法及其应用 | |
| CN116342444A (zh) | 一种双通道多模态图像融合方法及融合成像终端机 | |
| CN114862799B (zh) | 一种用于flair-mri序列的全自动脑体积分割方法 | |
| Rani et al. | Recent medical image fusion techniques: a review | |
| CN116401889A (zh) | 一种基于功能连接优化和谱聚类的小脑分区方法 | |
| Jabason et al. | Multimodal neuroimaging fusion in nonsubsampled shearlet domain using location-scale distribution by maximizing the high frequency subband energy |
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 |