CN109448008A - 一种结合生物特征的脑部mri图像分割方法 - Google Patents

一种结合生物特征的脑部mri图像分割方法 Download PDF

Info

Publication number
CN109448008A
CN109448008A CN201811232843.9A CN201811232843A CN109448008A CN 109448008 A CN109448008 A CN 109448008A CN 201811232843 A CN201811232843 A CN 201811232843A CN 109448008 A CN109448008 A CN 109448008A
Authority
CN
China
Prior art keywords
pixel
image
segmentation
value
neighborhood
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
Application number
CN201811232843.9A
Other languages
English (en)
Inventor
赵岩
李梓萌
王世刚
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.)
Yancheng Jida Intelligent Terminal Industry Research Institute Co Ltd
Original Assignee
Yancheng Jida Intelligent Terminal Industry Research Institute Co Ltd
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 Yancheng Jida Intelligent Terminal Industry Research Institute Co Ltd filed Critical Yancheng Jida Intelligent Terminal Industry Research Institute Co Ltd
Priority to CN201811232843.9A priority Critical patent/CN109448008A/zh
Publication of CN109448008A publication Critical patent/CN109448008A/zh
Pending legal-status Critical Current

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
    • G06T7/12—Edge-based segmentation
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06T7/13—Edge detection
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/168—Segmentation; Edge detection involving transform domain 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
    • G06T2207/10088—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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30016—Brain

Landscapes

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

Abstract

一种结合生物特征的脑部MRI图像分割方法属图像处理与生物医学结合技术领域，本发明利用脑脊液中心部分为H型的生物特征分割脑脊液部分，对脑部剩余部分先用基于局部信息的模糊C均值聚类算法做一次粗分割作为随机森林的初始标签输入，再利用脑部图像的对称性，用MRI图像的左半部分像素作为随机森林分类器的训练样本，全部像素作为随机森林分类器的测试样本，最后结合两部分的分割结果，得到最终的脑部MRI图像的分割结果；本发明的最终结果比其他只考虑图像灰度信息的分割算法效果更好，且实现了无监督的分割，不需要大量的图片训练集。

Description

一种结合生物特征的脑部MRI图像分割方法
技术领域
本发明属于图像处理与生物医学结合的技术领域，具体涉及一种结合生物特征的脑部MRI图像分割方法。
背景技术
MRI是断层成像的一种，它利用磁共振现象从人体中获得电磁信号,并重建出人体信息。由于MRI不用注射放射性同位素就可以成像，所以它比CT、PET等成像技术更加安全，并且分辨率更高。现今计算机辅助医学诊断技术已经十分普及，对于计算机辅助脑部MRI图像的分析诊断来说，最关键的一步就是图像的分割，分割的准确性将直接影响到后续的诊断工作。人体的脑部结构主要由三部分组成：脑白质、脑灰质、脑脊液。
目前脑部MRI图像的分割方法主要有两种，一种是利用聚类技术(Kmeans、FCM等),它利用不同的距离测度公式，把图像中具有相似特点的部分聚成一类，以达到分割的目的；另一种是机器学习方法(支持向量机、随机森林、神经网络等)，这种方法是通过对训练图像的某些特征的多次学习，之后就能够把测试图像中具有相似特征的图像都分类到一起，以此达到分割的目的。但是这两类方法都只是利用了图像本身的特点，并没有结合脑部图像固有的生物特征来进行分割，而且机器学习方法都需要大量的训练图像集，在实际应用中会有许多不便之处。
发明内容
鉴于目前的分割方法均没有结合脑结构特征，以及机器学习方法需要大量训练集的问题，本发明提供了一种结合脑脊液生物特征结构的无监督的随机森林脑部MRI图像分割方法。本发明首先利用了脑脊液的中心部分为H型的生物特征，图2为H型区域示意图，在分割过程中直接把这一部分提取出来，提高了脑脊液的分割精度。然后脑部剩余部分首先用基于局部信息的模糊C均值聚类算法(FLICM)算法做一次粗分割作为随机森林的初始标签输入，以达到无监督分割的目的，然后再利用脑部图像的对称性，用一张MRI图像的左半部分像素，作为随机森林分类器的训练样本，全部像素作为随机森林分类器的测试样本，这样有效的避免了在实际应用中由于图像集的缺少而带来的问题。
本发明所采用的技术方案是：
1.一种结合生物特征的脑部MRI图像分割方法，其特征在于包括下列步骤：
1.1分割MRI图像中脑脊液中间的H型区域包括下列步骤：
1.1.1从数据库中获得脑部MRI图像；
1.1.2先用canny算子提取标准MRI脑脊液分割图中H型区域的边缘再对其进行离散傅立叶变换，离散傅立叶变换的系数为H型区域的傅立叶形状描述子，离散傅立叶系数a(u)的数学表达式为：
其中，N为边界点的个数；s(k)为边界点的复数表示，即s(k)＝x(k)+jy(k)，(x(k),y(k))为边界点的坐标，k＝0,1,2……N-1；
1.1.3假设实际MRI图像大小为M×N，以坐标为的像素点为中心像素点，选择一个大小的矩形区域，若为小数，则向上取整，然后用canny算子提取出该矩形区域内的图像边缘；
1.1.4计算步骤1.1.3中边缘内图像的灰度直方图，根据灰度直方图选择出现频率最低的灰度值作为初始阈值，把该区域内灰度值大于该阈值的像素的灰度值均设为0，灰度值小于该阈值的像素的灰度值设为1，得到初步分割图像；
1.1.5计算步骤1.1.4中的初步分割图像的傅立叶形状描述子，并计算它和步骤1.1.2中的傅立叶形状描述子的欧式距离，若它们之间的欧式距离小于0.02，则判断此分割图像为H型，即为脑脊液中间的H型区域分割图，否则重新调整阈值，阈值的选择依据为灰度值的出现频率，即第一次选择出现频率最低的灰度值，第二次选择出现频率第二低的灰度值，依此类推，并利用新的阈值分割图像，计算分割图像的傅立叶形状描述子，并计算它和步骤1.1.2中的傅立叶描述子的欧式距离，直到两个图像的傅立叶描述子之间的欧式距离小于0.02时，得到的分割图像即为脑脊液中间部分的分割图；
1.2分割MRI图像中其他区域包括下列步骤：
1.2.1利用基于局部信息的模糊C均值聚类算法(FLICM)得到MRI图像每个像素的初始分类标签；
1.2.2计算每个像素点的邻域均值μ，其计算公式为：
其中：f(i,j)为以当前像素点为中心像素点的周围的k×k邻域内每个像素点的灰度值，k×k邻域中k为奇数；
1.2.3计算每个像素点的邻域标准差Std，其计算公式为：
其中：f(i,j)为以当前像素点为中心像素点的周围的k×k邻域内每个像素点的灰度值；μ为每个像素点的邻域均值；
1.2.4计算每个像素点的梯度G，，其计算公式为：
其中:f(i,j)为当前像素点为中心像素点的周围的k×k邻域内每个像素点的灰度值；
1.2.5计算每个像素点的局部熵E，其计算公式为：
其中：Ai为在以第i个像素为中心的k×k，k×k邻域中k为奇数的邻域内与该像素灰度值相同的像素的个数；Bi为该邻域内像素的总个数；L为图像中像素的总个数；
1.2.6计算每个像素点的MODE值，MODE值为以当前像素点为中心的k×k邻域内的像素点中出现频率最高的灰度值，k×k邻域中k为奇数；
1.2.7将步骤1.2.2-1.2.6中计算出的五个特征值作为随机分类器的输入特征向量，并对其进行归一化处理，其计算公式为：
其中：V为输入的特征向量，V(max)为特征向量中的最大值；
1.2.8把整幅图像中左半部分的所有像素点作为训练样本，输入到随机森林分类器中进行训练；
1.2.9把图像中所有像素点作为测试样本,输入到随机森林分类器中进行测试，得到最终的分割结果；
1.3将H型区域分割结果与经随机森林分类器中其它区域的分割结果结合起来，即为最终的脑部MRI图像分割结果。
本发明的特点及有益效果
与现有的算法相比，本发明利用了脑部结构的生物特征，大大提高了脑脊液部分分割的准确性。同时本发明利用了大脑的对称性将图像的一半像素点作为训练样本，全部像素点作为测试样本，而且在样本输入到分类器之前，用FLICM算法对所有像素点做了一次粗分割，得到了所有像素的初始分类标签，这样不但解决了随机森林分类器需要大量训练样本的问题，还实现了完全的无监督分割，并且最终分割的准确率也有提高。
附图说明
图1为结合生物特征的脑部MRI图像分割方法的流程图
图2为脑脊液中间部分H型区域示意图
图3为噪声水平5％的原始脑部MRI图像
图4为采用发明分割后的脑脊液图像
图5为采用本发明分割后的脑灰质图像
图6为采用本发明分割后的脑白质图像
具体实施方式
本发明的核心内容在于：在MRI图像的分割过程中利用了脑脊液的中心部分为H型的生物特征，以此提高了脑脊液的分割精度。并且把FLICM算法与随机森林分类器相结合实现了完全的无监督分割。
为使本发明的目的，技术方案和优点更加清楚，下面结合附图及实例做进一步的详细叙述：
1.分割MRI图像中脑脊液的中间的H型区域包括下列步骤：
1.1从brainweb数据库中获得脑部MRI图像；
1.2先用canny算子提取标准MRI脑脊液分割图中H型区域的边缘再对其进行离散傅立叶变换，离散傅立叶变换的系数为H型区域的傅立叶形状描述子，离散傅立叶系数a(u)的数学表达式为：
其中，N为边界点的个数；s(k)为边界点的复数表示，即s(k)＝x(k)+jy(k)，(x(k),y(k))为边界点的坐标，k＝0,1,2……N-1；
1.3本次实验中脑部MRI图像大小为81×217，,以坐标为(91，109)的像素点为中心像素点，选择一个大小为61×73的矩形区域，然后用canny算子提取出该矩形区域内的图像边缘；
1.4计算1.3中边缘内图像的灰度直方图，根据灰度直方图选择出现频率最低的灰度值作为初始阈值,本次实验中初始阈值为0.4，把该区域内灰度值大于0.4的像素的灰度值均设为0，灰度值小于0.4的像素的灰度值设为1，得到初步分割图像；
1.5计算1.4中的初步分割图像的傅立叶形状描述子并计算它和1.2中的傅立叶形状描述子的欧式距离，本次实验中得到它们之间的欧式距离为0.041，0.041大于0.02，所以要重新调整阈值,阈值的选择依据为灰度值的出现频率，即第一次选择出现频率最低的灰度值，第二次选择出现频率第二低的灰度值，依此类推，本实验中第二次选择的阈值为0.53，傅立叶形状描述子之间的欧式距离为0.034，第三次选择的阈值大小为0.45，傅立叶形状描述子之间的欧式距离为0.016，0.016小于0.02，所以得到了最终的脑脊液中间的H型区域分割图；
2.分割MRI图像中其他区域包括下列步骤：
2.1利用基于局部信息的模糊C均值聚类算法(FLICM)得到MRI图像每个像素的初始分类标签；
2.2计算每个像素点的邻域均值μ，其计算公式为：
其中：f(i,j)为以当前像素点为中心像素点的周围的k×k邻域内每个像素点的灰度值，k×k邻域中k为奇数；
2.3计算每个像素点的邻域标准差Std，其计算公式为：
其中：f(i,j)为以当前像素点为中心像素点的周围的k×k邻域内每个像素点的灰度值；μ为每个像素点的邻域均值；
2.4计算每个像素点的梯度G，，其计算公式为：
其中:f(i,j)为当前像素点为中心像素点的周围的k×k邻域内每个像素点的灰度值；
2.5计算每个像素点的局部熵E，其计算公式为：
其中：Ai为在以第i个像素为中心的k×k(k为奇数)的邻域内与该像素灰度值相同的像素的个数；Bi为该邻域内像素的总个数；L为图像中像素的总个数；
2.6计算每个像素点的MODE值，MODE值为以当前像素点为中心的k×k(k为奇数)邻域内的像素点中出现频率最高的灰度值；
2.7将步骤2.2-2.6中计算出的五个特征值作为随机分类器的输入特征向量，并对其进行归一化处理，其计算公式为：
其中：V为输入的特征向量，V(max)为特征向量中的最大值；
2.8把整幅图像中左半部分的所有像素点作为训练样本，输入到随机森林分类器中进行训练；
2.9把图像中所有像素点作为测试样本,输入到随机森林分类器中进行测试，得到最终的分割结果；
3.将H型区域分割结果与经随机森林分类器中其它区域的分割结果结合起来，即为最终的脑部MRI图像分割结果。
下面以具体的测试来验证本发明提供的一种结合生物特征和随机森林的脑部MRI图像分割方法的可行性。将本发明方法与FLICM分割算法进行对比分析(测试图像来自brainweb数据库)。
1.工作条件
本发明的实验采用Intel(R)Core(TM)i3-2100 CPU@3.10GHz 3.10GHz，内存为2GB，运行Windows7的PC机，编程语言为Matlab语言。
2.实验内容与结果分析
图3为噪声水平为5％的原始脑部MRI图像，图4为采用本发明分割后的脑脊液图像，图5为采用本发明分割后的脑灰质图像，图6为采用本发明分割后的脑白质图像。可以看出本发明可以较好的区分开脑结构的三个主要部分。本发明的实验采用Jaccard系数和Dice系数来衡量分割的准确性。
Jaccard系数由下式计算：
Dice系数由下式计算：
其中：Ai为标准分割图像中属于i个类别的像素集(本实验中标准分割图像来自brainweb数据集)；Bi为利用本算法得到的分割图像中属于第i个类别的像素集；|Ai|为像素集中像素的个数。
在不同的噪声水平下，本发明算法与FLICM算法的分割准确率的对比结果如表1和表2所示。
通过表1和表2可以看出本发明在不同的噪声水平下，相比FLICM算法，脑脊液，脑白质，脑灰质三个部分的分割准确率均有不同幅度的提高，尤其是脑脊液部分提高幅度很大，这说明结合脑部结构特征的分割算法，相比传统的只利用图像的灰度特性的分割算法更加准确。
表1 Jaccard系数比较结果
表2 Dice系数比较结果
。

Claims (1)

1.一种结合生物特征的脑部MRI图像分割方法，其特征在于包括下列步骤：
1.1分割MRI图像中脑脊液中间的H型区域包括下列步骤：
1.1.1从数据库中获得脑部MRI图像；
1.1.2先用canny算子提取标准MRI脑脊液分割图中H型区域的边缘再对其进行离散傅立叶变换，离散傅立叶变换的系数为H型区域的傅立叶形状描述子，离散傅立叶系数a(u)的数学表达式为：
其中，N为边界点的个数；s(k)为边界点的复数表示，即s(k)＝x(k)+jy(k)，(x(k),y(k))为边界点的坐标，k＝0,1,2……N-1；
1.1.3假设实际MRI图像大小为M×N，以坐标为的像素点为中心像素点，选择一个大小的矩形区域，若为小数，则向上取整，然后用canny算子提取出该矩形区域内的图像边缘；
1.1.4计算步骤1.1.3中边缘内图像的灰度直方图，根据灰度直方图选择出现频率最低的灰度值作为初始阈值，把该区域内灰度值大于该阈值的像素的灰度值均设为0，灰度值小于该阈值的像素的灰度值设为1，得到初步分割图像；
1.1.5计算步骤1.1.4中的初步分割图像的傅立叶形状描述子，并计算它和步骤1.1.2中的傅立叶形状描述子的欧式距离，若它们之间的欧式距离小于0.02，则判断此分割图像为H型，即为脑脊液中间的H型区域分割图，否则重新调整阈值，阈值的选择依据为灰度值的出现频率，即第一次选择出现频率最低的灰度值，第二次选择出现频率第二低的灰度值，依此类推，并利用新的阈值分割图像，计算分割图像的傅立叶形状描述子，并计算它和步骤1.1.2中的傅立叶描述子的欧式距离，直到两个图像的傅立叶描述子之间的欧式距离小于0.02时，得到的分割图像即为脑脊液中间部分的分割图；
1.2分割MRI图像中其他区域包括下列步骤：
1.2.1利用基于局部信息的模糊C均值聚类算法(FLICM)得到MRI图像每个像素的初始分类标签；
1.2.2计算每个像素点的邻域均值μ，其计算公式为：
其中：f(i,j)为以当前像素点为中心像素点的周围的k×k邻域内每个像素点的灰度值，k×k邻域中k为奇数；
1.2.3计算每个像素点的邻域标准差Std，其计算公式为：
其中：f(i,j)为以当前像素点为中心像素点的周围的k×k邻域内每个像素点的灰度值；μ为每个像素点的邻域均值；
1.2.4计算每个像素点的梯度G，其计算公式为：
其中:f(i,j)为当前像素点为中心像素点的周围的k×k邻域内每个像素点的灰度值；
1.2.5计算每个像素点的局部熵E，其计算公式为：
其中：Ai为在以第i个像素为中心的k×k邻域内与该像素灰度值相同的像素的个数，k×k邻域中k为奇数；Bi为该邻域内像素的总个数；L为图像中像素的总个数；
1.2.6计算每个像素点的MODE值，MODE值为以当前像素点为中心的k×k邻域内的像素点中出现频率最高的灰度值，k×k邻域中k为奇数；
1.2.7将步骤1.2.2-1.2.6中计算出的五个特征值作为随机分类器的输入特征向量，并对其进行归一化处理，其计算公式为：
其中：V为输入的特征向量，V(max)为特征向量中的最大值；
1.2.8把整幅图像中左半部分的所有像素点作为训练样本，输入到随机森林分类器中进行训练；
1.2.9把图像中所有像素点作为测试样本,输入到随机森林分类器中进行测试，得到最终的分割结果；
1.3将H型区域分割结果与经随机森林分类器中其它区域的分割结果结合起来，即为最终的脑部MRI图像分割结果。
CN201811232843.9A 2018-10-22 2018-10-22 一种结合生物特征的脑部mri图像分割方法 Pending CN109448008A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811232843.9A CN109448008A (zh) 2018-10-22 2018-10-22 一种结合生物特征的脑部mri图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811232843.9A CN109448008A (zh) 2018-10-22 2018-10-22 一种结合生物特征的脑部mri图像分割方法

Publications (1)

Publication Number Publication Date
CN109448008A true CN109448008A (zh) 2019-03-08

Family

ID=65548442

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811232843.9A Pending CN109448008A (zh) 2018-10-22 2018-10-22 一种结合生物特征的脑部mri图像分割方法

Country Status (1)

Country Link
CN (1) CN109448008A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458850A (zh) * 2019-08-01 2019-11-15 北京灵医灵科技有限公司 一种大关节组织的分割方法和分割系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050666A (zh) * 2014-06-10 2014-09-17 电子科技大学 基于分割的脑部mr图像配准方法
CN106408569A (zh) * 2016-08-29 2017-02-15 北京航空航天大学 基于改进模糊c均值聚类算法的脑部mri图像分割方法
WO2018022344A1 (en) * 2016-07-25 2018-02-01 Case Western Reserve University Quantifying mass effect deformation with structural radiomics in brain tumor patients

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050666A (zh) * 2014-06-10 2014-09-17 电子科技大学 基于分割的脑部mr图像配准方法
WO2018022344A1 (en) * 2016-07-25 2018-02-01 Case Western Reserve University Quantifying mass effect deformation with structural radiomics in brain tumor patients
CN106408569A (zh) * 2016-08-29 2017-02-15 北京航空航天大学 基于改进模糊c均值聚类算法的脑部mri图像分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MALATHI R 等: "Evaluating the Hausdorff Distance for Contour Segmentation of Brain Images", 《AUSTRALIAN JOURNAL OF BASIC & APPLIED SCIENCES》 *
张加瑞: "基于模糊均值聚类的脑MR图像分割算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458850A (zh) * 2019-08-01 2019-11-15 北京灵医灵科技有限公司 一种大关节组织的分割方法和分割系统
CN110458850B (zh) * 2019-08-01 2020-12-11 北京灵医灵科技有限公司 一种大关节组织的分割方法和分割系统

Similar Documents

Publication Publication Date Title
Sajedi et al. Age prediction based on brain MRI image: a survey
Lladó et al. Automated detection of multiple sclerosis lesions in serial brain MRI
Cárdenes et al. A multidimensional segmentation evaluation for medical image data
Zhang et al. Effective staging of fibrosis by the selected texture features of liver: Which one is better, CT or MR imaging?
EP2158575B1 (en) Detecting haemorrhagic stroke in ct image data
Makni et al. Zonal segmentation of prostate using multispectral magnetic resonance images
WO2006104468A1 (en) Method and apparatus for image segmentation
Abdullah et al. Multi-sectional views textural based SVM for MS lesion segmentation in multi-channels MRIs
Kaur An automatic brain tumor extraction system using different segmentation methods
Das et al. Automated classification of childhood brain tumours based on texture feature.
Liu et al. Automatic segmentation of brain MR images using an adaptive balloon snake model with fuzzy classification
CN108960341A (zh) 一种面向脑网络的结构化特征选择方法
Xu et al. Mammographic mass segmentation using multichannel and multiscale fully convolutional networks
Liu et al. Cerebral microbleed detection via fourier descriptor with dual domain distribution modeling
Lai et al. A protozoan parasite extraction scheme for digital microscopic images
Martins et al. An adaptive probabilistic atlas for anomalous brain segmentation in MR images
Wu et al. Identification of invisible ischemic stroke in noncontrast CT based on novel two‐stage convolutional neural network model
Uchiyama et al. Computer-aided diagnosis scheme for detection of unruptured intracranial aneurysms in MR angiography
CN109448008A (zh) 一种结合生物特征的脑部mri图像分割方法
Leng et al. Development of a measure for evaluating lesion‐wise performance of CAD algorithms in the context of mpMRI detection of prostate cancer
Guo et al. Double U-Nets for image segmentation by integrating the region and boundary information
Anter et al. Computer aided diagnosis system for mammogram abnormality
Tuan et al. 3D brain magnetic resonance imaging segmentation by using bitplane and adaptive fast marching
Chang et al. Quantitative analysis of breast echotexture patterns in automated breast ultrasound images
Oh et al. Developing and evaluating deep learning algorithms for object detection: key points for achieving superior model performance

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190308