CN109191422B - 基于常规ct图像的缺血性脑卒中早期检测系统和方法 - Google Patents

基于常规ct图像的缺血性脑卒中早期检测系统和方法 Download PDF

Info

Publication number
CN109191422B
CN109191422B CN201810745422.XA CN201810745422A CN109191422B CN 109191422 B CN109191422 B CN 109191422B CN 201810745422 A CN201810745422 A CN 201810745422A CN 109191422 B CN109191422 B CN 109191422B
Authority
CN
China
Prior art keywords
image
sample
features
classification
image block
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
CN201810745422.XA
Other languages
English (en)
Other versions
CN109191422A (zh
Inventor
余锦华
汪源源
吴国庆
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.)
Fudan University
Original Assignee
Fudan 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 Fudan University filed Critical Fudan University
Priority to CN201810745422.XA priority Critical patent/CN109191422B/zh
Publication of CN109191422A publication Critical patent/CN109191422A/zh
Application granted granted Critical
Publication of CN109191422B publication Critical patent/CN109191422B/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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • 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
    • G06T2207/30016—Brain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Abstract

本发明属于医学图像处理技术领域，具体为一种基于常规CT图像的缺血性脑卒中早期检测系统和方法。本发明首先对训练集DWI和CT图像进行预处理并将DWI图像配准到CT图像以获得CT图像中脑卒中区域；而后分别从卒中区域和正常区域抽取图像块集合来建立基于图像块分类的卒中检测模型。为提高检测精度，利用基于影像组学的方法对多尺度对称图像块对进行分类鉴别；接着，构建MAP模型对分类结果进行优化，结合图像局部相关性去除检测结果中孤立的小区域。最后，利用训练集建立的检测模型直接对测试CT图像检测。本发明不仅能够直接从视觉上难以判别的常规CT图像中检测卒中区域，且检测精度较高，可用于临床中缺血性脑卒的早期检测。

Description

基于常规CT图像的缺血性脑卒中早期检测系统和方法
技术领域
本发明属于医学图像处理技术领域，具体涉及CT和DWI图像处理系统和方法，尤其涉及常规CT图像的缺血性脑卒中早期检测系统和方法。
背景技术
缺血性脑卒中是由脑组织血液供给中断所导致，是继心血管疾病和癌症之后第三大致死性疾病。尽早的确诊能够极大提升治疗和康复效果[1]。脑卒中发病30分钟后，扩散加权成像(Diffusion-weighted image,DWI)图像可明显观察到高强信号。而由于急诊科室磁共振成像机器数量有限，常规计算机断层扫描(Computed Tomography,CT)成像是头痛急诊检查的首要选择。然而，在卒中发病的超急性期，常规CT图像上病变区域与正常区域间的差异视觉上难以直接观察[2]。因此,利用图像分析方法，挖掘常规CT图像的深层病理学信息来对卒中区域进行早期诊断鉴别具有重要临床意义。
近年来，影像组学在临床疾病的诊断，分子标记物预测和预后分析应用中取得了巨大的成功。通过将医学图像转换为高通量特征，影像组学提供了病灶更全面的描述，并利用这些数据做出更有效的判决。文献[3]提出利用基于稀疏表示的影像组学体系鉴别原发性脑部淋巴瘤和脑胶质瘤，在常规模态磁共振图像上取得了较高的诊断精度。文献[4]从T2Flair模态磁共振图像上提取了包括肿瘤灰度，形状，纹理和小波在内的555个高通量特征，然后利用这些特征对(Isocitrate Dehydrogenase 1,IDH1)进行非入侵式预测，直接建立了肿瘤表型信息与基因信息间的联系。这些方法在疾病预测诊断时，不仅利用了一些临床指导的特征进行分类预测，还能够有效挖掘对分类预测至关重要的深层图像特征。
基于图像块分类的方法被广泛用于图像分割和病灶检测。这些方法首先以图像中所有像素点为中心抽取图像块，然后建立图像块分类模型判断每个图像块是否为病灶区域，最后将分类结果作为像素点的类标签。基于块分类的方法单独地判断每个像素点的类别，忽略了图像的局部相关性，检测结果会出现孤立的小区域。因此一些基于统计估计的方法被提出来利用图像空间约束信息优化块分类结果。例如，文献[5]首先建立基于稀疏表示块分类肿瘤分割模型，然后引入最大后验概率估计(Maximum a posteriori,MAP)模型将分割结果与图像空间约束结合起来提高肿瘤分割精度。
发明内容
本发明的目的是提出一套基于常规CT图像的缺血性脑卒中早期检测系统和方法。
本发明基于影像组学的思想，首先,构建了基于图像块对分类的卒中检测模型；其次，利用影像组学方法抽取图像块的高通量特征对图像块进行分类，为解决图像块尺寸选择的问题，使用了多尺度结合的图像块对分类模型；最后，为保证检测结果的平滑联通性，引入最大后验概率估计模型，结合多尺度图像块分类结果和图像局部空间约束信息来优化检测结果。
本发明提出的基于常规CT图像的缺血性脑卒中早期检测方法，具体步骤如下：
步骤一.构建基于对称图像块对分类的卒中检测模型
对于基于常规CT图像的缺血性脑卒中检测，由于没有具体的感兴趣区域用于分析，因此采用图像块分类鉴别的方式来判断图像中所有图像块的类别，从而确定缺血性脑卒中的位置；此外，卒中区域正样本图像块数量远小于健康区域负样本数量，并且这些负样本遍布全脑，结构复杂多变，直接鉴别正负样本图像块准确率有限；因此构建对称图像块对的分类模型。
首先，对CT图像和DWI图像进行去脑皮去脑壳处理，并将处理后的DWI图像自动配准到对应的CT图像上；其次，对CT和DWI图像进行方向矫正并确立大脑对称轴；接着，根据DWI图像中高表达信号区域分割CT图像中病灶区域(如图2所示)；最后，基于确立的对称轴和病灶区域，分别从病灶区域和正常区域抽取正负样本图像块对集合，构建基于图像块对的分类模型(如图3所示)。
步骤二.基于影像组学的多尺度图像块对分类
在基于图像块分类的卒中检测中，块尺寸的选择对检测结果有直接影响；大图像块尺寸包含更多的图像信息，可以获得更高的分类准确率，然而同时也带来了更大的病灶定位误差；小图像块尺寸定位误差小，但分类性能有限。因此，为解决图像块尺寸选择问题，分别构建3个尺度图像块对分类检测模型，其中图像块尺寸分别设置为19*19,17*17和13*13个像素。
利用影像组学方法对多尺度图像块进行分类鉴别；首先，提取每个图像块对的513个高通量特征；这些特征分为3组：描述图像直方图信息的18个灰度特征；基于灰度共生矩阵，灰度游程矩阵，灰度区域大小矩阵和邻域灰度音差矩阵的39个纹理特征；描述图像8个小波变换子图灰度纹理信息的456个小波特征；特征详细列表见表2。
其次，建立基于稀疏表示与结构保持结合的特征选择模型选择少量高分辨力特征。具体的，首先计算样本相似度矩阵
Figure BDA0001724207330000021
其中Si,j表示样本fi和fj间的相似度，N为样本个数。根据S和样本类标签信息，为每个样本构建两个不相交的集合knnw(i)和knnb(i)：
Figure BDA0001724207330000031
其中，fi j表示与样本fi第j个最相似的样本，基于式(1)，定义两个权重矩阵
Figure BDA0001724207330000032
和
Figure BDA0001724207330000033
来分别保存内类和类间结构信息：
Figure BDA0001724207330000034
Figure BDA0001724207330000035
其中，knnw和knnb为式(1)构造的集合。然后建立基于稀疏表示与结构保持相结合的特征选择模型：
Figure BDA0001724207330000036
其中,
Figure BDA0001724207330000037
表示样本类标签编码矩阵，F＝[f1…fi…fN]为高维特征数据，fi为第i个样本的特征。θ是稀疏表示系数矩阵，它的0行元素对应冗余的特征。μ1、μ2和β为正则化约束参数，通常取0.1＜μ1＜1，0.1＜μ2＜1，0＜β＜1。Lw＝Dw-Sw和Lb＝Db-Sb是图拉普拉斯矩阵，分别存储了类内和类间样本结构信息，Dw和Db是两个对角矩阵，每个对角元素可分别表示为
Figure BDA0001724207330000038
和
Figure BDA0001724207330000039
利用加速近端梯度法求解式(4)模型，当获得系数矩阵θ后，对其每一行的l2范数进行降序排序，得到特征的重要性排序。
最后，利用式(5)和式(6)稀疏表示模型对选择的特征进行分类：
Figure BDA00017242073300000310
Figure BDA00017242073300000311
其中,F＝[F1…Fc…FC]为C类训练集样本特征,F是F特征选择的结果,Fc是第c类样本的特征；
Figure BDA00017242073300000312
为F中Fc的互补矩阵，Ψ＝[Ψ1…Ψc…ΨC]和Φ＝[Φ1…Φc…ΦC]为稀疏表示字典对；
Figure BDA00017242073300000313
是字典Ψ中的原子；λ为正则项参数，通常取为0.001＜λ＜0.1；fi为第i个样本特征选择后的特征；li为最终获得的第i个样本的标签。
步骤三.基于MAP模型的检测结果优化
基于多尺度对称图像块分类的检测模型单独地对每个图像块进行鉴别，没有考虑图像的局部相关信息，检测结果会出现一些孤立的小区域；因此，建立基于MAP的优化模型，结合多尺度分类结果和图像局部相关信息对分类检测结果进行优化；
首先，基于稀疏表示分类结果，建立式(7)似然概率：
p(fi|li)∞exp(-R(fi,li)),(7)
其中
Figure BDA0001724207330000041
对应式(6)稀疏表示残差；然后，建立基于马尔科夫随机场模型的图像局部约束先验项：
p(li)∞exp(-∑j∈φ(i)Vi,j(li,lj)),(8)
其中,li和lj分别表示图像块i和j的类别，φ(i)为图像块i的空间邻域。空间平滑惩罚函数Vi,j(li,lj)用于惩罚邻域图像块类别差异，可表示为：
Vi,j(li,lj)＝exp(-|Ii-Ij|2/σ2)·(1-δ(li-lj)) (9)
其中Ii表示Ij以像素点i和j为中心的图像块，σ为控制参数，通常取0.5＜σ＜1。最后，结合式(7)，式(8)和多尺度分类结果建立式(10)MAP优化模型：
Figure BDA0001724207330000042
其中，fi s1,fi s2和fi s3为第i个样本三个尺度的特征。R(fi s1,li),R(fi s2,li)和R(fi s3,li)为对应的三个尺度的似然概率，η为平滑因子，通常取为0.1＜η＜1，l＝{li|i＝1,2,…,N}为优化结果，N为图像块个数。对优化结果进行后处理，选择最大联通区域，得到最终检测结果。
本发明的创新点在于构建了一套基于常规CT图像的缺血性脑卒中早期检测方法。首先建立了基于常规CT图像块对分类的卒中检测模型；其次，利用影像组学方法提取图像块高通量纹理特征，选择少数高分辨力特征，判别图像块类别；最后，引入最大后验概率模型，结合多尺度图像块分类结果和图像局部空间约束信息来提高检测精度。
对应于上述方法，本发明构建了基于常规CT图像的缺血性脑卒中早期检测系统，该系统包括三大模块：
(一)基于对称图像块对分类的卒中检测模型模块，
(二)基于影像组学的多尺度图像块对分类模块，
(三)基于MAP模型的检测结果优化模块。这三个模块用于实现本发明方法中对应的三个步骤的内容。
本发明的有益效果：对于基于图像块分类的卒中检测，由于健康区域包含的负样本图像块分布在大脑各个区域且结构复杂多变，直接对正负样本进行分类难以实现较高分类精度。考虑大脑正常部分左右对称，因此本发明将待检测目标图像块与对策图像块结合作为一个样本分类。在分类过程中，结合的图像块对既包含了目标图像块本身的特征又体现了与对侧图像块间的差异信息，有助于提高分类精度；利用影像组学方法提取图像块高通量特征进行分类，能更好的挖掘图像包含的深层病理学信息；构建多尺度的块分类解决了图像块尺寸选择的问题；引入最大后验概率估计模型有效地将多尺度分类结果与图像局部相关性统一起来，去除了大量被误判的图像块，优化了检测结果；检测过程计算机自动完成，无需人工提取参数，使该方法具有较强的鲁棒性。
附图说明
图1为本发明提出基于常规CT图像的缺血性脑卒中早期检测流程图。
图2为DWI与CT图像预处理及分割结果。
图3为基于对称图像块对分类的检测卒中模型。
图4为卒中检测结果图。
具体实施方式
以下是整个方法的具体实现步骤：
1、首先对训练数据集中CT图像和DWI图像进行去脑皮，去脑壳处理并将处理后的DWI图像自动配准到对应的CT图像上。其次，对CT和DWI图像进行方向矫正并确立大脑对称轴；接着，如图2所示，根据DWI图像中高表达信号区域分割CT图像中病灶区域；最后，基于确立的对称轴和病灶区域，分别从病灶区域和正常区域抽取图像块对集合，构建如图3所示的基于图像块对的分类模型。由于正常区域中负样本数量远大于病灶区域中正样本数量，因此为保持正负样本比例平衡，正常区域以9个像素点步长抽取图像块对，病灶区域以3个像素点步长抽取图像块对。每个目标像素点分别抽取19*19,17*17和13*13三个尺度的图像块对。
2、对于每个尺度，分别随机选择1400个图像块对样本用于训练分类器，2800个样本用于测试分类器性能。训练和测试样本中正负样本比例均为1:1。分别提取所有图像块对的513个高通量特征。利用1400个样本的类别标签和特征进行特征选择。首先计算基于有效距离的样本相似度矩阵
Figure BDA0001724207330000051
根据S和样本类标签信息为每个样本构建两个不相交的集合knnw(i)和knnb(i)。基于knnw(i)和knnb(i)，利用式(2)和(3)构建两个权重矩阵Sw和Sb分别保存内类和类间结构信息。计算图拉普拉斯矩阵Lw＝Dw-Sw和Lb＝Db-Sb，其中Dw和Db是两个对角矩阵，每个对角元素可分别表示为
Figure BDA0001724207330000061
和
Figure BDA0001724207330000062
构建类标签编码矩阵
Figure BDA0001724207330000063
N为样本个数1400。正则化参数μ1,μ2和β分别设置为1,0.1和0.8。然后利用加速近端梯度法求解式(4)模型，当获得系数矩阵θ后，对其每一行的l2范数进行降序排序得到特征的重要性排序。将排序后前30个特征作为初始特征集，之后每次从剩余特征中选择最重要特征加入特征集，直到特征集个数达到100。每次特征集更新后，利用式(5)和式(6)进行分类判别，其中λ设置为0.01，并计算分类准确率，准确最高时对应的特征集中包含的特征为最终选择的特征。
3、对于测试集，仅利用常规CT图像检测卒中区域。对CT图像进行去脑皮，去脑壳和图像矫正预处理。以3个像素步长抽取整个图像中多尺度图像块对。提取所有图像块对513个高通量特征。根据训练集特征选择的结果选择选择少数高分辨力特征。利用训练集1400个训练样本对测试集中图像块对特征进行分类，将分类结果作为图像块中心像素点的类别。由于3个尺度分别建立分类模型进行判断，因此如图4所示，每张图像获得三个尺度的检测结果。
4、根据3个尺度分类结果，分别计算对应的似然概率R(fi s1,li),R(fi s2,li)和R(fi s3,li)。构建式(10)MAP优化模型优化分类检测结果。其中η设置为0.3，φ(i)为8邻域。利用图割算法求解式(10)得到整图优化结果。最后对分割结果后处理，选择最大联通区域得到最终检测结果。
结果分析
选取2013-2016年间，上海市闵行中心医院卒中中心收集的60例卒中患者数据用于实验。病例入组条件包括：1、同时具有高质量的CT和DWI图像，并且成像间隔在4天以内；2、卒中发病时间小于24小时；3、所有病例均确诊为缺血性脑卒中，并且CT图像无表现。随机选择30例数据用作训练集，剩余30例用作测试集。表1给出了本发明方法对不同尺度图像块对进行分类的结果。其中，分类准确率(Accuracy,ACC)用来评价总体鉴别性能；分类灵敏度(Sensitivity,SEN)用来评价卒中区域被正确检测的能力；特异性(Specificity,SPE)用来评价健康区域被正确检测的能力。可以看出，对于视觉上难以鉴别的病灶与正常区域图像块，本发明方法取得了平均80％以上的鉴别准确率。此外，大尺寸图像块相比小尺寸图像块包含更多的图像信息。因此，如表1所示，块鉴别性能随图像块尺寸的增加而提高。
图4给出了卒中区域检测的最终结果。其中，第一排四个子图分别表示，原始CT图像，原始DWI图像(高表达信号为卒中区域)，基于19*19块尺寸的检测结果，基于17*17块尺寸的检测结果。第二排四个子图分别表示，基于13*13块尺寸的检测结果，MAP模型优化结果，后处理结果和检测区域放大结果。可见原始CT图像上难以直接观察到卒中区域。三个尺度下基于图像块对的分类模型均检测到病灶区域，虽然有少量正常区域被误判为病灶区域。MAP模型结合三个尺度分类结果优化最终检测结果，去除了大量被误判的孤立区域。最后，后处理选择最大联通区域获得了最终检测的卒中区域。最终检测结果与DWI图像中卒中区域一致。
表1.多尺度对称图像块分类结果
ACC SEN SPE
尺度1(19*19) 81.14％ 80.00％ 82.29％
尺度2(17*17) 80.75％ 77.71％ 83.79％
尺度3(13*13) 78.82％ 77.57％ 80.07％
表2 513个高通量特征
Figure BDA0001724207330000071
参考文献
[1]Zoppo G,Saver JL,Jauch EC,et al.Expansion of the time window fortreatment of acute ischemic stroke with intravenous tissue plasminogenactivator a science advisory from the American Heart Association/AmericanStroke Association.Stroke,2009,40:2945-2948.
[2]Peter R,Korfiatis P,Blezek D,et al.Aquantitative symmetry-basedanalysis of hyperacute ischemic stroke lesions in noncontrast computedtomography.Medical Physics,2017,44(1):192.
[3]Wu G,Chen Y,Wang Y,et al.Sparse representation-based radiomics forthe diagnosis of brain tumors.IEEE Transactions on Medical Imaging,2018,37(4):893-905.
[4]Yu J,Shi Z,Lian Y,et al.Noninvasive IDH1mutation estimation basedon a quantitative radiomics approach for grade II glioma.European Radiology,2016,27(8):3509-3522.
[5]Li Y,Jia F,Qin J.Brain tumor segmentation from multimodal magneticresonance images via sparse representation.Artificial Intelligence inMedicine,2016,73:1-13.。

Claims (2)

1.一种基于常规CT图像的缺血性脑卒中早期检测方法，其特征在于,具体步骤为：
步骤一.构建基于对称图像块对分类的卒中检测模型
首先，对CT图像和DWI图像进行去脑皮去脑壳处理，并将处理后的DWI图像自动配准到对应的CT图像上；然后，对CT和DWI图像进行方向矫正并确立大脑对称轴；接着，根据DWI图像中高表达信号区域分割CT图像中病灶区域；最后，基于确立的对称轴和病灶区域，分别从病灶区域和正常区域抽取正负样本图像块对集合，构建基于图像块对的分类模型；
步骤二.基于影像组学的多尺度图像块对分类
为解决图像块尺寸选择问题，分别构建3个尺度图像块对分类检测模型，其中图像块尺寸分别设置为19*19,17*17和13*13个像素；
利用影像组学方法对多尺度图像块进行分类鉴别；
首先，提取每个图像块对的513个高通量特征；这些特征分为3组：描述图像直方图信息的18个灰度特征；基于灰度共生矩阵，灰度游程矩阵，灰度区域大小矩阵和邻域灰度差矩阵的39个纹理特征；描述图像8个小波变换子图灰度纹理信息的456个小波特征；
然后，建立基于稀疏表示与结构保持结合的特征选择模型选择少量高分辨率特征；包括：首先计算样本相似度矩阵
Figure FDA0002932741720000011
其中Si,j表示样本fi和fj间的相似度，N为样本个数；根据S和样本类标签信息，为每个样本构建两个不相交的集合knnw(i)和knnb(i)：
Figure FDA0002932741720000012
其中，fi j表示与样本fi第j个最相似的样本，基于式(1)，采用两个权重矩阵
Figure FDA0002932741720000013
和
Figure FDA0002932741720000014
来分别保存内类和类间结构信息：
Figure FDA0002932741720000015
Figure FDA0002932741720000016
其中，knnw和knnb为式(1)构造的集合；
然后，建立基于稀疏表示与结构保持相结合的特征选择模型：
Figure FDA0002932741720000021
其中,
Figure FDA0002932741720000022
表示样本类标签编码矩阵， F ＝ [f1 … fi … fN ] 为高维特征数据，fi为第i个样本的特征；θ是稀疏表示系数矩阵，它的0行元素对应冗余的特征；0.1＜μ1＜1、0.1＜μ2＜1和0＜β＜1为正则化约束参数；Lw＝Dw-Sw和Lb＝Db-Sb是图拉普拉斯矩阵，分别存储了类内和类间样本结构信息，Dw和Db是两个对角矩阵，每个对角元素可分别表示为
Figure FDA0002932741720000023
和
Figure FDA0002932741720000024
利用加速近端梯度法求解式(4)模型，当获得系数矩阵θ后，对其每一行的l2范数进行降序排序，得到特征的重要性排序；
最后，利用式(5)和式(6)稀疏表示模型对选择的特征进行分类：
Figure FDA0002932741720000025
Figure DEST_PATH_FDA0001724207320000026
其中, F ＝ [F1 … Fc … FC] 为C类训练集样本特征,F是F特征选择的结果,Fc是第c类样本的特征；
Figure FDA0002932741720000027
为F中Fc的互补矩阵，Ψ＝ [ Ψ 1 …Ψ c …Ψ C ] 和Φ＝ [ Φ 1 …Φc …Φ C ] 为稀疏表示字典对；
Figure FDA0002932741720000028
是字典Ψ中的原子；0.001＜λ＜0.1为正则项参数；fi为第i个样本特征选择后的特征；li为最终获得的第i个样本的标签；
步骤三.基于MAP模型的检测结果优化
建立基于MAP的优化模型，结合多尺度分类结果和图像局部相关信息对分类检测结果进行优化；
首先，基于稀疏表示分类结果，建立式(7)似然概率：
p(fi|li)∞exp(-R(fi,li)), (7)
其中， R(fi,li) ＝ ||fi- Ψ li Φ li fi ||2 ， li ∈ [1, … ,C] 对应式(6)稀疏表示残差；
然后，建立基于马尔科夫随机场模型的图像局部约束先验项：
p(li)∞exp(-∑j∈φ(i)Vi,j(li,lj)), (8)
其中,li和lj分别表示图像块i和j的类别，φ(i)为图像块i的空间邻域；空间平滑惩罚函数Vi,j(li,lj)用于惩罚邻域图像块类别差异，表示为：
Vi,j(li,lj)＝exp(-|Ii-Ij|2/σ2)·(1-δ(li-lj)) (9)
其中Ii表示Ij以像素点i和j为中心的图像块，0.5＜σ＜1为控制参数；
最后，结合式(7)，式(8)和多尺度分类结果建立式(10)MAP优化模型：
Figure FDA0002932741720000031
其中，fi s1,fi s2和fi s3为第i个样本三个尺度的特征；R(fi s1,li),R(fi s2,li)和R(fi s3,li)为对应的三个尺度的似然概率,0.1＜η＜1为平滑因子， l ＝ {li|i ＝ 1,2, … ,N} 为优化结果，N为图像块个数；
对优化结果进行后处理，选择最大联通区域，得到最终检测结果。
2.一种基于常规CT图像的缺血性脑卒中早期检测系统，其特征在于，包括三大模块：(一)基于对称图像块对分类的卒中检测模型模块，(二)基于影像组学的多尺度图像块对分类模块；具体内容如下：
(一)基于对称图像块对分类的卒中检测模型模块，用于实现如下功能：
(1)对CT图像和DWI图像进行去脑皮去脑壳处理，并将处理后的DWI图像自动配准到对应的CT图像上；(2)对CT和DWI图像进行方向矫正并确立大脑对称轴；(3)根据DWI图像中高表达信号区域分割CT图像中病灶区域；(4)基于确立的对称轴和病灶区域，分别从病灶区域和正常区域抽取正负样本图像块对集合，构建基于图像块对的分类模型；
(二)基于影像组学的多尺度图像块对分类模块，用于实现如下功能：
分别构建3个尺度图像块对分类检测模型，其中图像块尺寸分别设置为19*19,17*17和13*13个像素；
利用影像组学方法对多尺度图像块进行分类鉴别；包括：
(1)提取每个图像块对的513个高通量特征；这些特征分为3组：描述图像直方图信息的18个灰度特征；基于灰度共生矩阵，灰度游程矩阵，灰度区域大小矩阵和邻域灰度差矩阵的39个纹理特征；描述图像8个小波变换子图灰度纹理信息的456个小波特征；
(2)建立基于稀疏表示与结构保持结合的特征选择模型选择少量高分辨率特征；包括：
(2.1)计算样本相似度矩阵
Figure FDA0002932741720000032
其中Si,j表示样本fi和fj间的相似度，N为样本个数；根据S和样本类标签信息，为每个样本构建两个不相交的集合knnw(i)和knnb(i)：
Figure FDA0002932741720000041
其中，fi j表示与样本fi第j个最相似的样本，基于式(1)，采用两个权重矩阵
Figure FDA0002932741720000042
和
Figure FDA0002932741720000043
来分别保存内类和类间结构信息：
Figure FDA0002932741720000044
Figure FDA0002932741720000045
其中，knnw和knnb为式(1)构造的集合；
(2.2)建立基于稀疏表示与结构保持相结合的特征选择模型：
Figure FDA0002932741720000046
其中,
Figure FDA0002932741720000047
表示样本类标签编码矩阵， F ＝ [f1 … fi … fN ] 为高维特征数据，fi为第i个样本的特征；θ是稀疏表示系数矩阵，它的0行元素对应冗余的特征；0.1＜μ1＜1、0.1＜μ2＜1和0＜β＜1为正则化约束参数；Lw＝Dw-Sw和Lb＝Db-Sb是图拉普拉斯矩阵，分别存储类内和类间样本结构信息，Dw和Db是两个对角矩阵，每个对角元素可分别表示为
Figure FDA0002932741720000048
和
Figure FDA0002932741720000049
利用加速近端梯度法求解式(4)模型，当获得系数矩阵θ后，对其每一行的l2范数进行降序排序，得到特征的重要性排序；
(2.3)利用式(5)和式(6)稀疏表示模型对选择的特征进行分类：
Figure FDA00029327417200000410
Figure DEST_PATH_FDA00017242073200000411
其中, F ＝ [F1 … Fc … FC] 为C类训练集样本特征,F是F特征选择的结果,Fc是第c类样本的特征；
Figure FDA00029327417200000412
为F中Fc的互补矩阵，Ψ＝ [ Ψ 1 …Ψ c …Ψ C ] 和Φ＝ [ Φ 1 …Φc …Φ C ] 为稀疏表示字典对；
Figure FDA00029327417200000413
是字典Ψ中的原子；0.001＜λ＜0.1为正则项参数；fi为第i个样本特征选择后的特征；li为最终获得的第i个样本的标签；
(三)基于MAP模型的检测结果优化模块，用于实现如下功能：
建立基于MAP的优化模型，结合多尺度分类结果和图像局部相关信息对分类检测结果进行优化；包括：
(1)基于稀疏表示分类结果，建立式(7)似然概率：
p(fi|li)∞exp(-R(fi,li)), (7)
其中，
Figure DEST_PATH_FDA0001724207320000051
对应式(6)稀疏表示残差；
(2)建立基于马尔科夫随机场模型的图像局部约束先验项：
p(li)∞exp(-∑j∈φ(i)Vi,j(li,lj)), (8)
其中,li和lj分别表示图像块i和j的类别，φ(i)为图像块i的空间邻域；空间平滑惩罚函数Vi,j(li,lj)用于惩罚邻域图像块类别差异，表示为：
Vi,j(li,lj)＝exp(-|Ii-Ij|2/σ2)·(1-δ(li-lj)) (9)
其中，Ii表示Ij以像素点i和j为中心的图像块，0.5＜σ＜1为控制参数；
(3)结合式(7)，式(8)和多尺度分类结果建立式(10)MAP优化模型：
Figure FDA0002932741720000052
其中，fi s1,fi s2和fi s3为第i个样本三个尺度的特征；R(fi s1,li),R(fi s2,li)和R(fi s3,li)为对应的三个尺度的似然概率,0.1＜η＜1为平滑因子， l ＝ {li|i ＝ 1,2, … ,N} 为优化结果，N为图像块个数；
对优化结果进行后处理，选择最大联通区域，得到最终检测结果。
CN201810745422.XA 2018-07-09 2018-07-09 基于常规ct图像的缺血性脑卒中早期检测系统和方法 Active CN109191422B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810745422.XA CN109191422B (zh) 2018-07-09 2018-07-09 基于常规ct图像的缺血性脑卒中早期检测系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810745422.XA CN109191422B (zh) 2018-07-09 2018-07-09 基于常规ct图像的缺血性脑卒中早期检测系统和方法

Publications (2)

Publication Number Publication Date
CN109191422A CN109191422A (zh) 2019-01-11
CN109191422B true CN109191422B (zh) 2021-04-30

Family

ID=64936331

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810745422.XA Active CN109191422B (zh) 2018-07-09 2018-07-09 基于常规ct图像的缺血性脑卒中早期检测系统和方法

Country Status (1)

Country Link
CN (1) CN109191422B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110934606B (zh) * 2019-10-31 2021-02-12 上海杏脉信息科技有限公司 脑卒中早期平扫ct图像评估系统及评估方法、可读存储介质
CN110853111B (zh) * 2019-11-05 2020-09-11 上海杏脉信息科技有限公司 医学影像处理系统、模型训练方法及训练装置
CN111488933B (zh) * 2020-04-13 2024-02-27 上海联影智能医疗科技有限公司 图像分类方法、网络、计算机设备和存储介质
CN113627564A (zh) * 2021-08-23 2021-11-09 李永鑫 基于深度学习的ct医学影像处理模型训练方法及诊疗系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1420367A1 (en) * 2002-11-15 2004-05-19 MeVis GmbH A method for coloring of voxels and image data processing and visualization system
CN102908145A (zh) * 2012-11-09 2013-02-06 中国科学院自动化研究所 一种基于多模态磁共振成像的脑区功能定位方法
CN104267361A (zh) * 2014-10-13 2015-01-07 厦门大学 基于结构特征的自适应定量磁化率分布图复合重建的方法
CN105678762A (zh) * 2016-01-06 2016-06-15 四川大学 一种基于图像信息的缺血性脑卒中治疗监测系统
CN107016395A (zh) * 2017-03-18 2017-08-04 复旦大学 基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1420367A1 (en) * 2002-11-15 2004-05-19 MeVis GmbH A method for coloring of voxels and image data processing and visualization system
CN102908145A (zh) * 2012-11-09 2013-02-06 中国科学院自动化研究所 一种基于多模态磁共振成像的脑区功能定位方法
CN104267361A (zh) * 2014-10-13 2015-01-07 厦门大学 基于结构特征的自适应定量磁化率分布图复合重建的方法
CN105678762A (zh) * 2016-01-06 2016-06-15 四川大学 一种基于图像信息的缺血性脑卒中治疗监测系统
CN107016395A (zh) * 2017-03-18 2017-08-04 复旦大学 基于稀疏表示体系的原发性脑部淋巴瘤和胶质母细胞瘤的鉴别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CT灌注联合CT造影在缺血性脑卒中患者中的诊断研究;桂振朝等;《系统医学》;20180228;第3卷(第4期);第130-134页 *

Also Published As

Publication number Publication date
CN109191422A (zh) 2019-01-11

Similar Documents

Publication Publication Date Title
Zebari et al. Improved threshold based and trainable fully automated segmentation for breast cancer boundary and pectoral muscle in mammogram images
Arunkumar et al. Fully automatic model‐based segmentation and classification approach for MRI brain tumor using artificial neural networks
Krishnakumar et al. RETRACTED ARTICLE: Effective segmentation and classification of brain tumor using rough K means algorithm and multi kernel SVM in MR images
Ahirwar Study of techniques used for medical image segmentation and computation of statistical test for region classification of brain MRI
CN109191422B (zh) 基于常规ct图像的缺血性脑卒中早期检测系统和方法
CN109190690B (zh) 基于机器学习的swi图像的脑微出血点检测识别方法
CN111599464B (zh) 基于直肠癌影像组学研究的新型多模态融合辅助诊断方法
Li et al. Automatic lumbar spinal MRI image segmentation with a multi-scale attention network
JP7427080B2 (ja) 細胞検出およびセグメンテーションのための弱教師ありマルチタスク学習
Xu et al. Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients
WO2024060842A1 (zh) 分类模型获取方法、表达类别确定方法、装置、设备及介质
Eltoukhy et al. Classification of multiclass histopathological breast images using residual deep learning
Fenneteau et al. Learning a CNN on multiple sclerosis lesion segmentation with self-supervision
Asgharzadeh-Bonab et al. An alzheimer’s disease classification method using fusion of features from brain magnetic resonance image transforms and deep convolutional networks
Delmoral et al. Segmentation of pathological liver tissue with dilated fully convolutional networks: A preliminary study
Homayoun et al. Automated segmentation of abnormal tissues in medical images
Duarte et al. Detecting Alzheimer’s disease based on structural region analysis using a 3D shape descriptor
Banerjee et al. Computerized multiparametric mr image analysis for prostate cancer aggressiveness-assessment
Irfan et al. Effectiveness of Deep Learning Models for Brain Tumor Classification and Segmentation.
Saad et al. Lung Area Segmentation on Chest X-Ray Based on Texture Image Feature
Bhagat et al. Computational Intelligence approach to improve the Classification accuracy of Brain Tumor Detection
Akram et al. Recognizing Breast Cancer Using Edge-Weighted Texture Features of Histopathology Images.
Ciompi et al. Lung tissue classification in severe advanced cystic fibrosis from CT scans
CN113421274B (zh) 一种基于ct影像的胃癌智能分期方法
Sandanalakshmi et al. Selected saliency based analysis for the diagnosis of Alzheimer's disease using structural magnetic resonance image

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