CN109166157A - 一种三维mri脑部医学影像彩色化方法 - Google Patents

一种三维mri脑部医学影像彩色化方法 Download PDF

Info

Publication number
CN109166157A
CN109166157A CN201810729679.6A CN201810729679A CN109166157A CN 109166157 A CN109166157 A CN 109166157A CN 201810729679 A CN201810729679 A CN 201810729679A CN 109166157 A CN109166157 A CN 109166157A
Authority
CN
China
Prior art keywords
point
medical image
pixel
dimensional
dimensional mri
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
Application number
CN201810729679.6A
Other languages
English (en)
Other versions
CN109166157B (zh
Inventor
曾宪华
陈坳珠
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201810729679.6A priority Critical patent/CN109166157B/zh
Publication of CN109166157A publication Critical patent/CN109166157A/zh
Application granted granted Critical
Publication of CN109166157B publication Critical patent/CN109166157B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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]

Landscapes

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

Abstract

本发明请求保护一种三维MRI脑部医学影像彩色化方法，包括：提取多个方向的梯度特征以及原亮度信息；随机选取原始三维MRI脑部医学影像中的若干个体素点，利用所求特征属性对切面上的体素点进行代表点的选择；然后用流形学习方法对代表点进行维度约简并尽量保持代表点之间的几何结构并映射到彩色空间，根据体素点之间的相似性传递颜色信息，得到所选体素的颜色信息，由彩色化后的体素与其余未处理的体素之间的近邻关系将颜色扩散到所有体素，由此得到彩色的三维MRI医学影像。本发明能够将三维MRI医学影像数据实现彩色化，并保证同一区域位置的像素点在不同切面中颜色一致，同时突出影像区域结构，实现多角度的观察彩色的三维MRI脑部医学影像。

Description

一种三维MRI脑部医学影像彩色化方法
技术领域
本发明属于医学影像处理方法，结合基于密度峰值的层次聚类算法以及多平面多方向的特征融合对三维MRI医学影像进行彩色化处理。
背景技术
先进的图像处理和分析技术越来越多地应用于医学。在医学应用中，图像数据被用来收集病人的成像过程的细节，无论是疾病的过程还是生理过程。医学影像中所提供的信息已成为当今病人护理的重要组成部分。医学影像的应用是复杂的，从一种形式到另一种形式的变化。医学影像显示了信息结构、器官和生理特征的信息。为了获得高质量的医学诊断图像，图像处理是必要的。医疗应用的图像处理和分析的范围是提高获取图像的质量，并以准确的方式从有效的医学影像数据中提取定量信息。但却依旧存在一些技术难点：1)现有的MRI医学影像数据，大部分都是以灰度图像呈现，但人眼对灰度的辨别力只有几十阶，而对彩色的一些细微差别却较为敏感，予以灰度图像颜色信息可以提高医生对图像的分辨；2)由于MRI医学影像本身的复杂性，以及图像的高质量，导致大规模的数据量使得一般适用于其他的数据处理方法，却并不适用于医学影像；3)通过计算机技术辅助对医学成像设备得到二维断层医学图进行三维显示可以改善医学影像的视觉效果，突出医学影像特征，突出隐藏的病变部分，辅助医生诊断。
基于上述这些问题，利用Nevitia算子提取原三维MRI脑部医学影像中每个体素在三个平面上的多个梯度特征，全面考虑了每个体素在三维空间中不同切面上的信息；利用基于密度峰值的层次聚类来选着具有代表性的像素点来进行处理以降低数据规模同时将医学影像的不同区域赋予不同颜色，使区域之间的区分度更加显著；最后根据体素点之间的近邻关系将颜色信息扩散得到彩色三维MRI医学影像。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种可以改善医学影像的视觉效果的三维MRI脑部医学影像彩色化方法。本发明的技术方案如下：
一种三维MRI脑部医学影像彩色化方法，其包括以下步骤：
1)、对原始三维MRI脑部医学影像进行预处理操作，提取影像中每个体素点在不同切面上的若干个方向的梯度特征；
2)、随机选取位于原始三维MRI脑部医学影像中的某一切片位置上的若干个体素点作为数据点，求出每个数据点的局部密度ρi，以及该数据点到具有更高密度的点的距离δi；
3)、对位于所选择的切片中的所有体素点，利用基于密度峰值的层次聚类法建立自底向上的层次结构，结合数据点的密度信息(包括局部密度ρi、距离δi)确定所有层中各类族中的聚类中心体素点；
4)、将聚类中心体素点作为每一层的代表点，对最顶层的聚类中心点用流形学习算法进行维度约简，得到高维代表点的3维坐标；
5)、将顶层聚类所得代表点的3维坐标变换到三维彩色空间，得到聚类中心体素点的彩色信息；
6)、根据聚类中心体素点与位于所选择的切片中的其余非代表点体素之间的相似性关系，传递聚类中心体素点的颜色信息到位于该切面上的其余体素点；
7)、利用所选切面上已经具有颜色信息的体素与其余切面上未处理的体素之间的近邻关系将颜色扩散到所有体素，由此得到一组具有颜色信息的体素点从而彩色化三维MRI脑部医学图像。
进一步的，所述步骤1)针对每个体素点提取不同切面上的若干个方向的梯度特征是指分别提取每个体素在矢状面、冠状面以及横断面上的梯度特征。
进一步的，所述若干个方向梯度分别为0°、30°、60°、90°、120°、150°，多方向梯度特征采用Nevitia算子采用12个5*5模板(滤波器filter)对图像上的每一个像素点进行卷积求导数，由于Nevitia算子的前6个模板和后6个模板对称，因此只采用前6个模板对原图像进行运算得到6个方向的梯度特征。
进一步的，所述步骤3)基于密度峰值的层次聚类法，具体包括：
数据点的密度ρi，定义为
数据点到具有更高密度的点的距离δi,定义为对于密度最大的点i的δi为所有结点到该点i的最大距离；
数据点的近邻点为比该数据点的局部密度大且距离最近的点定义为其中将密度最大的点的近邻点设置为0；若像素点i的δi为像素点i到像素点j的距离，则像素点j为像素点i的近邻点Nni；为数据点计算一个辅助变量γi值，定义为γi＝ρi×δi，将具有较高的γi和δi数据点确定为聚类中心，其中，如果x<0，那么χ(x)＝1；否则χ(x)＝0，dc是一个截断距离，dij为数据点间的距离。
进一步的，所述步骤3)对所选体素点构建自底到顶多层次结构并确定聚类中心具体包括：
利用层次聚类对数据点进行聚类，首先将每个数据点放在一个集群中，反复合并两个集群直到满足停止条件，保留每层聚类结果并且根据γi＝ρi×δi，将γi值较大的数据点作为聚类中心确定聚类中心。
进一步的，所述计算多个层次之间的各聚类中心之间的相似性是对体素点构建相似度矩阵：
当得到顶层代表点的三维坐标表示之后，将三维坐标映射到RGB颜色空间，使顶层代表点具有不同的颜色信息，非代表像素点与其所在类的代表像素点之间构成一个相似度向量定义为
其中，表示所有像素点，neighbor(j)表是第j个代表像素点的1近邻，用该相似度矩阵加权代表像素点的颜色信息得到底层所有像素点的颜色信息，最后形成一幅完全的彩色医学图像。
进一步的，所述步骤4)对顶层代表点用经典流形学习方法Isomap降维，降维的主要流程如下：
构建顶层多有代表点之间的近邻图；
计算图中两点间的最短距离，非近邻的点之间的距离设为无穷大；
求每对点之间的最小路径，得到一个最小路径距离矩阵；
将该距离矩阵奇异值分解，得到分解后最大的3个特征值λ1,λ2,λ3以及对应的特征向量V1,V2,V3，代表点3维表示为：
进一步的，所述步骤5)将顶层聚类所得代表点的3维坐标变换到三维彩色空间，得到聚类中心体素点的彩色信息，具体包括：
首先给予3个像素点不同的RGB颜色空间的颜色信息，找到一个旋转尺度，使得3个像素点的颜色信息以及他们对应的3维坐标之间尽可能的接近，所有像素的3维坐标向这个旋转尺度旋转，即得到所有像素点的颜色信息，由此返回这一组医学影像彩色化后的图像，其中不同图像中的相似部分颜色相似。
进一步的，所述旋转尺度计算方法为：为使给定部分像素的RGB颜色空间信息尽可能接近对应像素的低维坐标，首先奇异值分解给定颜色信息和对应坐标的协方差COV＝UDVT，其中U,V为将协方差进行奇异值分解得到的左右特征向量，且满足UUT＝VVT＝I，D为对角阵，当协方差矩阵的行列式大于等于0时，对角阵D为单位阵，即所有像素3维坐标与已知颜色信息旋转方向相同；否则，对角阵D为(1,1,-1)，3维坐标与已知颜色信息旋转方向相反。
进一步的，所述近邻关系表示为1近邻，将所得体素的颜色信息扩散到其最近体素点。
本发明的优点及有益效果如下：
1、本发明彩色化三维MRI脑部医学影像，利用彩色信息使区域结构的区分度更加显著，三维医学影像中位于不同切片上表示同一结构的体素点颜色信息一致，可以多角度多方向的观察脑部区域；
2、通过医学成像设备通常只能得到灰度二维断层医学影像，通过本发明利用计算机技术辅助对图像进行彩色三维显示可以改善医学影像的视觉效果，突出隐藏的病变部分，辅助医生诊断。
附图说明
图1是本发明提供优选实施例具体实施方式的框架图；
图2为体素点在不同平面上的示意图(C、S、A表示同一体素)；
图3为本发明所述的多方向梯度特征提取示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
根据原三维MRI脑部医学影像中的每一个体素提取矢状面，冠状面以及横断面上的多个方向的梯度特征；随机选取某一平面上的某一切面上的体素点，利用所求体素的各个梯度特征信息以及原亮度信息用来计算各个体素的局部密度以及近邻点，初始化每个体素各自为一个类簇，然后将每个体素与其近邻点合并为同一类簇，选出各类簇中γ值最大的点作为聚类中心(center)，并将各类族中的聚类中心所在类簇与其近邻点(Nn)所在类簇合并；以此类推，直至所有的类簇的聚类中心不再发生变化，最后将各个类簇的聚类中心点作为代表像素点输出；利用流形学习经典方法-等度量映射(Isometric Mapping,Isomap)，对顶层聚类中心体素点低维嵌入近邻样本之间的测地线距离一次得到顶层聚类中心体素点的3维坐标；赋予聚类中心体素点颜色信息，然后对所选体素点根据聚类中心体素点与非中心体素点之间的相似性将颜色信息扩散到所有体素点；最后根据体素点之间的近邻关系将具有彩色化后的体素点的颜色信息扩散到全部体素点，由此彩色化三维MRI脑部医学影像。
下面将详细说明本发明的技术方案：
一种三维MRI脑部医学影像彩色化方法，包括：
根据原灰度MRI医学影像中的每一个体素提取矢状面，冠状面以及横断面上的多个方向的梯度特征；
将体素的各个梯度特征信息以及原亮度信息作为体素的特征属性用来计算各个体素的局部密度以及近邻点，初始化每个体素各自为一个类簇，然后将每个体素与其近邻点合并为同一类簇，选出各类簇中γ值最大的点作为聚类中心(center)，并将各类族中的聚类中心所在类簇与其近邻点(Nn)所在类簇合并；以此类推，直至所有的类簇的聚类中心不再发生变化，最后将各个类簇的聚类中心点作为代表像素点输出；
利用流形学习经典方法-等度量映射(Isometric Mapping,Isomap)，对顶层聚类中心体素点低维嵌入近邻样本之间的测地线距离一次得到顶层聚类中心体素点的3维坐标；
赋予聚类中心体素点颜色信息，然后根据聚类中心体素点与非中心体素点之间的相似性将颜色信息传递到所选切面上的所有体素点；
根据拥有彩色信息的体素点与未处理的像素点之间的近邻关系将颜色信息扩散到所有体素点彩色化三维MRI脑部医学影像。
进一步地，其所述多个方向梯度分别为0°、30°、60°、90°、120°、150°，采用Nevitia算子对每一个体素做卷积运算所得：
进一步地，所述由底至顶的基于层次密度峰值聚类选择各个区域的代表点，步骤包括：
1)数据点的密度ρi，定义为
2)数据点的近邻点为比该数据点的局部密度大且距离最近的点定义为其中将密度最大的点的近邻点设置为0；若像素点i的δi为像素点i到像素点j的距离，则像素点j为像素点i的近邻点Nni；
3)为数据点计算一个辅助变量γi值，定义为γi＝ρi×δi，将具有较高的γi和δi数据点确定为聚类中心，其中，如果x<0，那么χ(x)＝1；否则χ(x)＝0，dc是一个截断距离，dij为数据点间的距离；
4)初始化每个体素各自为一个类簇，然后将每个体素与其近邻点合并为同一类簇，选出各类簇中γ值最大的点作为聚类中心(center)，并将各类族中的聚类中心所在类簇与其近邻点(Nn)所在类簇合并；以此类推，直至所有的类簇的聚类中心不再发生变化，最后将各个类簇的聚类中心点作为代表像素点输出。
进一步地，所述利用流形学习经典方法-等度量映射(Isometric Mapping,Isomap)，对顶层聚类中心体素点低维嵌入近邻样本之间的测地线距离一次得到顶层聚类中心体素点的3维坐标，步骤包括：
1)构建顶层多有代表点之间的近邻图；
2)计算图中两点间的最短距离，非近邻的点之间的距离设为无穷大；
3)求每对点之间的最小路径，得到一个最小路径距离矩阵；
4)将该距离矩阵奇异值分解，得到分解后最大的3个特征值λ1,λ2,λ3以及对应的特征向量V1,V2,V3，代表点3维表示为：
进一步地，所述旋转尺度计算方法为使部分像素给定的RGB颜色空间颜色信息,首先奇异值分解给定颜色信息和对应坐标的协方差COV＝UDVT，其中U,V为将协方差进行奇异值分解得到的左右特征向量，且满足UUT＝VVT＝I，D为对角阵。当协方差矩阵的行列式大于等于0时，对角阵D为单位阵，即所有像素3维坐标与已知颜色信息旋转方向相同；否则，对角阵D为(1,1,-1)，3维坐标与已知颜色信息旋转方向相反。
步骤一：图像预处理操作
根据原三维MRI脑部医学影像中的每一个体素提取矢状面，冠状面以及横断面上的多个方向的梯度特征。
步骤二：像素点的初步筛选
为了减小不必要的计算，将原医学影像体素中的大量背景点去除，只留下目标区域参与运算。
步骤三：随机选择某一平面上任意切面上的若干体素点。
步骤四：对所选体素点构建自底到顶多层次结构并确定聚类中心
将各层聚类中心作为代表点已达到减小计算量，突出医学影像的区域结构的目的。利用层次聚类对数据点进行聚类，首先将每个数据点放在一个集群中，反复合并两个集群直到满足停止条件，保留每层聚类结果并且根据γi＝ρi×δi，将γi值较大的数据点作为聚类中心确定聚类中心。
步骤五：对所选体素点构建相似度矩阵
当得到顶层代表点的三维坐标表示之后，将三维坐标映射到RGB颜色空间，使顶层代表点具有不同的颜色信息。非代表像素点与其所在类的代表像素点之间构成一个相似度向量定义为
其中，表示所有像素点，neighbor(j)表是第j个代表像素点的1近邻。用该相似度矩阵加权代表像素点的颜色信息得到底层所有像素点的颜色信息，最后形成一幅完全的彩色医学图像。
步骤六：对所选体素点中顶层代表点维数约简并返回所以像素点低维坐标
本发明中，像素的维度是大于感知的维度，考虑到像素之间的流形结构以及后续的颜色感知，对顶层代表点用经典流形学习方法Isomap[1]降维，降维后尽可能保留像素之间的测地线距离以及几何结构。降维的主要流程如下：
1)构建顶层多有代表点之间的近邻图；
2)计算图中两点间的最短距离，非近邻的点之间的距离设为无穷大；
3)求每对点之间的最小路径，得到一个最小路径距离矩阵；
4)将该距离矩阵奇异值分解，得到分解后最大的3个特征值λ1,λ2,λ3以及对应的特征向量V1,V2,V3，代表点3维表示为：
步骤七：赋予像素点彩色信息
将所有像素点的维度降到三维，通过旋转映射到RGB颜色空间，扩大颜色的色域和体积，得到具有颜色信息的像素点。首先需要给定三个不同像素的RGB颜色空间信息，找到旋转尺度使得颜色信息和对用像素的低维坐标之间的相关性最大。其余像素的低维坐标向这个旋转尺度旋转，使得相似的像素之间有着相似的颜色，不同的像素之间有不相似的颜色。
旋转尺度的计算方法是为使部分像素给定的RGB颜色空间信息尽可能接近对应的低维坐标，首先奇异值分解给定颜色信息和对应坐标的协方差COV＝UDVT，其中U,V为将协方差进行奇异值分解得到的左右特征向量，且满足UUT＝VVT＝I，D为对角阵。当协方差矩阵的行列式大于等于0时，对角阵D为单位阵，即所有像素3为坐标与已知颜色信息旋转方向相同；否则，角阵D为(1,1,-1)，即3维坐标向相反的方向旋转。
步骤八：颜色扩散
根据所选体素点与未处理的体素点之间的近邻关系将具有彩色化后的体素点的颜色信息扩散到全部体素点，由此彩色化三维MRI脑部医学影像。
综上所述，本发明的创新和优势：
本发明提出的提出一种三维MRI脑部医学影像彩色化方法，可以将灰度三维MRI脑部医学影像彩色化，使相同区域颜色统一输出；
本发明提出的提出一种三维MRI脑部医学影像彩色化方法，步骤清晰，针对性强；
本发明提出的提出一种三维MRI脑部医学影像彩色化方法，操作简单，易理解。
显然，以上所述为本发明的较佳实例，并不用于限定本发明的保护范围。凡在本发明的原则之内，任何熟悉本领域的技术人员作出的修改、同等替换和改进，都应视为包含在本发明的保护范围内。
[1]Tenenbaum J B,Silva V D,Langford J C.A Global Geometric Frameworkfor Nonlinear Dimensionality Reduction[J].Science,2000,290(5500):2319-2323.
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (9)

1.一种三维MRI脑部医学影像彩色化方法，其特征在于，包括以下步骤：
1)、对原始三维MRI脑部医学影像进行预处理操作，提取每个体素在矢状面、冠状面以及横断面上的梯度特征；
2)、随机选取位于原始三维MRI脑部医学影像中的某一切片位置上的若干个体素点作为数据点，求出每个数据点的局部密度ρi，以及该数据点到具有更高密度的点的距离δi；
3)、对位于所选择的切片中的所有体素点，利用基于密度峰值的层次聚类算法建立自底向上的层次结构，结合数据点的密度信息(包括局部密度ρi、距离δi)确定所有层中各类族中的聚类中心体素点；
4)、将聚类中心体素点作为每一层的代表点，对最顶层的聚类中心点用流形学习算法进行维度约简，得到高维代表点的3维坐标；
5)、将顶层聚类所得代表点的3维坐标变换到三维彩色空间，得到聚类中心体素点的彩色信息；
6)、根据聚类中心体素点与位于所选择的切片中的其余非代表点体素之间的相似性关系，传递聚类中心体素点的颜色信息到位于该切面上的其余体素点；
7)、利用所选切面上已经具有颜色信息的体素与其余切面上未处理的体素之间的近邻关系将颜色扩散到所有体素，由此得到一组具有颜色信息的体素点从而彩色化三维MRI脑部医学图像。
2.根据权利要求1或2所述的一种三维MRI脑部医学影像彩色化方法，其特征在于，所述若干个方向梯度分别为0°、30°、60°、90°、120°、150°，多方向梯度特征采用Nevitia算子采用12个5*5模板(滤波器filter)对图像上的每一个像素点进行卷积求导数，由于Nevitia算子的前6个模板和后6个模板对称，因此只采用前6个模板对原图像进行运算得到6个方向的梯度特征。
3.根据权利要求1所述的一种三维MRI脑部医学影像彩色化方法，其特征在于，所述步骤3)基于密度峰值的层次聚类法，具体包括：
1)数据点的密度ρi，定义为
2)数据点到具有更高密度的点的距离δi,定义为对于密度最大的点i的δi为所有结点到该点i的最大距离；
3)数据点的近邻点为比该数据点的局部密度大且距离最近的点定义为其中将密度最大的点的近邻点设置为0；若像素点i的δi为像素点i到像素点j的距离，则像素点j为像素点i的近邻点Nni；
4)为数据点计算一个辅助变量γi值，定义为γi＝ρi×δi，将具有较高的γi和δi数据点确定为聚类中心，其中，如果x<0，那么χ(x)＝1；否则χ(x)＝0，dc是一个截断距离，dij为数据点间的距离。
4.根据权利要求1所述的一种三维MRI脑部医学影像彩色化方法，其特征在于，所述步骤3)对所选体素点构建自底到顶多层次结构并确定聚类中心具体包括：
利用层次聚类对数据点进行聚类，首先将每个数据点放在一个集群中，反复合并两个集群直到满足停止条件，保留每层聚类结果并且根据γi＝ρi×δi，将γi值较大的数据点作为聚类中心确定聚类中心。
5.根据权利要求1所述的一种三维MRI脑部医学影像彩色化方法，其特征在于，所述计算多个层次之间的各聚类中心之间的相似性是对体素点构建相似度矩阵：
当得到顶层代表点的三维坐标表示之后，将三维坐标映射到RGB颜色空间，使顶层代表点具有不同的颜色信息，非代表像素点与其所在类的代表像素点之间构成一个相似度向量定义为
其中，表示所有像素点，neighbor(j)表是第j个代表像素点的1近邻，用该相似度矩阵加权代表像素点的颜色信息得到底层所有像素点的颜色信息，最后形成一幅完全的彩色医学图像。
6.根据权利要求1所述的一种三维MRI脑部医学影像彩色化方法，其特征在于，
所述步骤4)对顶层代表点用经典流形学习方法Isomap降维，降维的主要流程如下：
1)构建顶层多有代表点之间的近邻图；
2)计算图中两点间的最短距离，非近邻的点之间的距离设为无穷大；
3)求每对点之间的最小路径，得到一个最小路径距离矩阵；
4)将该距离矩阵奇异值分解，得到分解后最大的3个特征值λ1,λ2,λ3以及对应的特征向量V1,V2,V3，代表点3维表示为：
7.根据权利要求1所述的一种三维MRI脑部医学影像彩色化方法，其特征在于，所述步骤5)将顶层聚类所得代表点的3维坐标变换到三维彩色空间，得到聚类中心体素点的彩色信息，具体包括：
首先给予3个像素点不同的RGB颜色空间的颜色信息，找到一个旋转尺度，使得3个像素点的颜色信息以及他们对应的3维坐标之间尽可能的接近，所有像素的3维坐标向这个旋转尺度旋转，即得到所有像素点的颜色信息，由此返回这一组医学影像彩色化后的图像，其中不同图像中的相似部分颜色相似。
8.根据权利要求7所述的一种三维MRI脑部医学影像彩色化方法，其特征在于，所述旋转尺度计算方法为：为使给定部分像素的RGB颜色空间信息尽可能接近对应像素的低维坐标，首先奇异值分解给定颜色信息和对应坐标的协方差COV＝UDVT，其中U,V为将协方差进行奇异值分解得到的左右特征向量，且满足UUT＝VVT＝I，D为对角阵，当协方差矩阵的行列式大于等于0时，对角阵D为单位阵，即所有像素3维坐标与已知颜色信息旋转方向相同；否则，对角阵D为(1,1,-1)，3维坐标与已知颜色信息旋转方向相反。
9.根据权利要求8所述的一种三维MRI脑部医学影像彩色化方法，其特征在于，所述近邻关系表示为1近邻，将所得体素的颜色信息扩散到其最近体素点。
CN201810729679.6A 2018-07-05 2018-07-05 一种三维mri脑部医学影像彩色化方法 Active CN109166157B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810729679.6A CN109166157B (zh) 2018-07-05 2018-07-05 一种三维mri脑部医学影像彩色化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810729679.6A CN109166157B (zh) 2018-07-05 2018-07-05 一种三维mri脑部医学影像彩色化方法

Publications (2)

Publication Number Publication Date
CN109166157A true CN109166157A (zh) 2019-01-08
CN109166157B CN109166157B (zh) 2021-05-18

Family

ID=64897361

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810729679.6A Active CN109166157B (zh) 2018-07-05 2018-07-05 一种三维mri脑部医学影像彩色化方法

Country Status (1)

Country Link
CN (1) CN109166157B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020182033A1 (zh) * 2019-03-08 2020-09-17 腾讯科技（深圳）有限公司 图像区域定位方法、装置和医学图像处理设备
CN113470152A (zh) * 2021-06-21 2021-10-01 北京理工大学 一种颜色保真的功能影像体绘制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101706965A (zh) * 2009-11-03 2010-05-12 上海大学 基于高斯混合模型区域图像彩色化处理的方法
US20150213302A1 (en) * 2014-01-30 2015-07-30 Case Western Reserve University Automatic Detection Of Mitosis Using Handcrafted And Convolutional Neural Network Features
US20160100080A1 (en) * 2008-12-18 2016-04-07 Ricoh Company, Ltd. Image data clustering and color conversion
CN106651930A (zh) * 2016-09-29 2017-05-10 重庆邮电大学 一种多层次流形学习医学图像颜色感知方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160100080A1 (en) * 2008-12-18 2016-04-07 Ricoh Company, Ltd. Image data clustering and color conversion
CN101706965A (zh) * 2009-11-03 2010-05-12 上海大学 基于高斯混合模型区域图像彩色化处理的方法
US20150213302A1 (en) * 2014-01-30 2015-07-30 Case Western Reserve University Automatic Detection Of Mitosis Using Handcrafted And Convolutional Neural Network Features
CN106651930A (zh) * 2016-09-29 2017-05-10 重庆邮电大学 一种多层次流形学习医学图像颜色感知方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
GHASSAN HAMARNEH 等: ""Perception-Based Visualization of Manifold-Valued Medical Images Using Distance-Preserving Dimensionality Reduction"", 《IEEE TRANSACTIONS ON MEDICAL IMAGING)》 *
XIANHUAZENG 等: ""Color prception of diffusion tensor images using hierarchical manifold learning"", 《PATTERN RECOGNITION》 *
何姗姗: ""基于层次流形学习的医学图像颜色感知方法研究"", 《中国优秀硕士学位论文全文数据库 医药卫生科技辑》 *
曾宪华 等: ""多特征融合的医学影像颜色感知算法"", 《计算机辅助设计与图形学学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020182033A1 (zh) * 2019-03-08 2020-09-17 腾讯科技（深圳）有限公司 图像区域定位方法、装置和医学图像处理设备
CN113470152A (zh) * 2021-06-21 2021-10-01 北京理工大学 一种颜色保真的功能影像体绘制方法

Also Published As

Publication number Publication date
CN109166157B (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
Li et al. Fully convolutional network ensembles for white matter hyperintensities segmentation in MR images
CN105469100B (zh) 基于深度学习的皮肤活检图像病理特性识别方法
CN110120033A (zh) 基于改进的U-Net神经网络三维脑肿瘤图像分割方法
Cornelissen et al. Patterns of eye movements when male and female observers judge female attractiveness, body fat and waist-to-hip ratio
Lee et al. Entropy-based feature extraction and decision tree induction for breast cancer diagnosis with standardized thermograph images
CN109993210A (zh) 一种基于神经影像的大脑年龄估计方法
CN106504245A (zh) 一种多模态脑影像损伤性病变组织图像分割方法
CN106485707B (zh) 基于脑核磁共振图像的多维特征分类方法
Liu et al. Multimodal MRI brain tumor image segmentation using sparse subspace clustering algorithm
CN112419320B (zh) 基于sam与多层uda的跨模态心脏分割方法
Hu et al. Automated segmentation of geographic atrophy in fundus autofluorescence images using supervised pixel classification
Kamiya Deep learning technique for musculoskeletal analysis
CN109166157A (zh) 一种三维mri脑部医学影像彩色化方法
Huang et al. Application of U-Net based multiparameter magnetic resonance image fusion in the diagnosis of prostate cancer
Dai et al. The application of multi-modality medical image fusion based method to cerebral infarction
Tohidi et al. Multiple Sclerosis brain lesion segmentation with different architecture ensembles
Li et al. Multi-view unet for automated gi tract segmentation
CN109063208A (zh) 一种融合多种特征信息的医学图像检索方法
CN106651930B (zh) 一种多层次流形学习医学图像颜色感知方法
Yang et al. Adaptive zero-learning medical image fusion
Qi et al. 3-way parallel fusion of spatial (sMRI/dMRI) and Spatio-temporal (fMRI) Data with Application to Schizophrenia
Mishra Deep Learning-Based Brain Tumour Detection Using Robust Active Shape Model Algorithm
Topannavar et al. An effective feature selection using improved marine predators algorithm for Alzheimer’s disease classification
Srikanth et al. Analysis and Detection of Multi Tumor from MRI of Brain using Advance Adaptive Feature Fuzzy C-means (AAFFCM) Algorithm
Baum et al. Genetic algorithm automated generation of multivariate color tables for visualization of multimodal medical data sets

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