CN109472263B - 一种结合全局和局部信息的大脑磁共振图像分割方法 - Google Patents

一种结合全局和局部信息的大脑磁共振图像分割方法 Download PDF

Info

Publication number
CN109472263B
CN109472263B CN201811186880.0A CN201811186880A CN109472263B CN 109472263 B CN109472263 B CN 109472263B CN 201811186880 A CN201811186880 A CN 201811186880A CN 109472263 B CN109472263 B CN 109472263B
Authority
CN
China
Prior art keywords
magnetic resonance
brain
resonance image
hyper
probability distribution
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
CN201811186880.0A
Other languages
English (en)
Other versions
CN109472263A (zh
Inventor
孔佑勇
吴飞
杨雨婷
伍家松
杨淳沨
舒华忠
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN201811186880.0A priority Critical patent/CN109472263B/zh
Publication of CN109472263A publication Critical patent/CN109472263A/zh
Application granted granted Critical
Publication of CN109472263B publication Critical patent/CN109472263B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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

Landscapes

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

Abstract

本发明公开了一种结合全局和局部信息的大脑磁共振图像分割方法，包括：利用构建的端到端卷积神经网络对大脑磁共振图像进行分割，得到各类别的预测概率分布；对于大脑磁共振图像利用线性迭代聚类超体素算法生成超体素；将分割所得预测概率分布和所生成超体素融合得到分割结果的大脑磁共振图像，包括：找出超体素在各类别预测概率分布中的对应区域；统计找出各对应区域中背景、脑脊液、灰质和白质出现次数，并计算各个类别出现的比重；利用超体素类别比例方法对各类别预测概率分布重新赋值；求出其类别概率最大的一类，及将类别作为该像素点的类别标签，得到分割结果的大脑磁共振图像。本发明可提高分割精度，得到较好的大脑磁共振图像分割结果。

Description

一种结合全局和局部信息的大脑磁共振图像分割方法
技术领域
本发明涉及一种结合全局和局部信息的大脑磁共振图像分割方法，属于数字图像技术领域。
背景技术
大脑是人体的所有生理活动的最高调节器官和心理思维活动的中心器官，是人体最特殊、最重要的一个器官，它的健康是极为重要的，所以对脑部健康的重视是必须的。然而随着现在社会的飞速发展，生活节奏不断加快，身体老化，环境因素，交通及意外等因素影响，癫痫、脑血管病、脑瘫及颅内肿瘤等脑部疾病在现在都较为常见。脑部疾病已经成为威胁人们健康的重要因素。有效的诊断和治疗脑部疾病，对于提高人类的寿命是极为有益的。因此，对大脑的定性和定量分析一直是许多学者研究的热点。
近年来，生物医学影像在临床诊断和治疗中发挥着重要的作用，已经成为医学诊断中不可或缺的技术手段，生物医学成像是借助于某种介质(如X射线、电磁场、超声波等)与人体的相互作用，把人体内部组织、器官的形态结果、密度、功能等，以图像的形式表达出来。目前常见的成像方式有计算机化X线断层摄影(Computed Tomography，CT)，核磁共振成像(Magnetic Resonance Imaging，MRI)，核磁共振功能成像(functional MagneticResonance Imaging，fMRI)，正电子发射端扫描(Positron EmissionTomography，PET),超声成像(Ultrasound Scan，US)等。MRI成像相对于其他成像技术其具有以下优点：
(1)MRI对软组织的对比度较高，对神经、血管、肌肉等软组织成分显示明显优于CT；
(2)MRI不靠外界的辐射、吸收与反射，也不靠放射性物质在体内的γ辐射，而是利用外磁场与物体的相互作用来成像，对人体无害。
(3)具有任意方向直接分层成像的能力
(4)具有较高的空间分辨率，可以获取脑部和神经系统等组织的高分辨的图像
这些优点使MRI图像对于分析生物体内如脑这样的软组织比较有效。
随着医学成像技术的发展，目前磁共振成像技术已在各个医院中投入运行，并且越来越多的用于评估大脑状况[1][2]。在临床学中，大脑图像的分割是对大脑进行分析和诊断的非常重要的一个步骤。大脑图像的分割有助于专家确定病灶组织的体积和位置等信息，也可以和图像配准以及融合技术结合以便医生后续的分析和诊断，另外还可以为大脑的三维重建提供基础。
脑MRI图像的分割任务一般有两种，一种指的是大脑结构的分割，将大脑分割为脑室、胼胝体以及海马体等结构。另一种分割任务是脑组织的分割，其目标是将大脑分为白质(White,WM)、灰质(Gray Matter,GM)以及脑脊液(Cerebrospinal Fluid,CSF)。大脑组织的准确分割对于疾病的诊断和治疗是一个很重要的部分，通过测量大脑中感兴趣区域的组织结构的变化，可以用来评估某些疾病的严重程度和大脑的进化，然而只有在核磁共振图像上进项标记，才能进行这些测量。对于临床医生来说分析这些大而复杂的MRI图像，手动分割脑MRI图像已经成为一项繁琐而复杂的任务，他们必须手动提取重要的信息。另外，人工分析是一项容易出错的工作，所以脑MRI图像数据的分析需要自动化方法从而方便疾病的诊断和测试。然而在脑MRI图像中，MRI图像会受到噪声、部分容积效应等多种因素的影响，并且大脑组织结构本身也很复杂，这使得自动获得高精度的分割仍然是一个具有挑战性的课题。
发明内容
本发明所要解决的技术问题在于克服现有技术的不足，提供一种结合全局和局部信息的大脑磁共振图像分割方法，解决现有的方法中MRI图像会受到噪声、部分容积效应等多种因素的影响导致分割精度不高的问题。
本发明具体采用以下技术方案解决上述技术问题：
一种结合全局和局部信息的大脑磁共振图像分割方法，包括以下步骤：
步骤1，提取大脑核磁共振图像的全局信息包括：利用构建的端到端卷积神经网络对大脑磁共振图像进行分割，得到图像中像素点分别为背景、白质、灰质和脑脊液类别的预测概率分布；
步骤2，提取大脑核磁共振图像的局部信息包括：对于大脑磁共振图像利用线性迭代聚类超体素算法生成超体素；
步骤3，将分割所得各类别预测概率分布和所生成超体素融合得到分割结果的大脑磁共振图像，包括：
步骤3-1，根据包含像素点的超体素，找出超体素在分割所得各类别预测概率分布中的对应区域；
步骤3-2，统计找出各对应区域中背景、脑脊液、灰质和白质出现的次数，并计算各个类别出现的比重；
步骤3-3，结合各类别的预测概率分布、计算的各个类别出现的比重、设定的影响因子，利用超体素类别比例方法对各类别预测概率分布重新赋值；
步骤3-4，对于大脑磁共振图像中对应区域的每个像素点，根据重新赋值的类别预测概率分布求出其类别概率最大的一类，及将所求出类的类别作为该像素点的类别标签，以得到分割结果的大脑磁共振图像。
进一步地，作为本发明的一种优选技术方案，所述步骤1利用构建的端到端卷积神经网络对大脑磁共振图像进行分割，包括：
步骤1-1，将三维大脑磁共振图像切片转化为若干个二维大脑磁共振图像，并做裁剪处理和去除全是背景的图像，得到包含若干个二维大脑磁共振图像的原始数据；
步骤1-2，对原始数据做归一化处理后，将原始数据分为训练数据和测试数据；
步骤1-3，建立端到端卷积神经网络的初始模型；
步骤1-4，将训练数据送入端到端卷积神经网络的初始模型进行网络参数训练，得到训练后的端到端卷积神经网络模型；
步骤1-5，通过训练后的端到端卷积神经网络模型得到原始数据中每个二维大脑磁共振图像对应的二维预测概率分布，并将所有二维预测概率分布按顺序叠加起来得到一个三维预测概率分布Rprob[xpi,ypj,zpk]＝[pbk,pcsf,pgm,pwm]，其中pbk,pcsf,pgm,pwm分别表示像素点(xpi,ypj,zpk)预测为背景、脑脊液、灰质和白质4个类别的预测概率。
进一步地，作为本发明的一种优选技术方案，所述步骤1-4还包括利用测试数据对训练后的端到端卷积神经网络模型中参数校准。
进一步地，作为本发明的一种优选技术方案，所述步骤1构建的端到端卷积神经网络由全卷积神经网络和多尺度卷积神经网络构成。
进一步地，作为本发明的一种优选技术方案，所述步骤2中利用线性迭代聚类超体素算法生成超体素，包括：
步骤2-1，对大脑磁共振图像中选取体素为种子点；
步骤2-2，计算加权距离作为体素与种子点间的测度算子；
步骤2-3，基于计算的加权距离，采用k-means聚类方法将体素聚类到各个种子点生成超体素。
进一步地，作为本发明的一种优选技术方案，所述步骤3-2中计算各个类别出现的比重采用公式：
Figure GDA0002983765020000041
其中，常数i＝0,1,2,3；n0,n1,n2,n3分别表示统计的各对应区域中背景、脑脊液、灰质和白质出现的次数；n表示统计的总次数。
进一步地，作为本发明的一种优选技术方案，所述步骤3-3中利用超体素类别比例方法对各类别预测概率分布重新赋值采用公式：
[pbk,pcsf,pgm,pwm]new＝(1-α)Rprob+α[pbk,pcsf,pgm,pwm]′
其中，[pbk,pcsf,pgm,pwm]′＝Rprob·[w0,w1,w2,w3]；
公式中，[pbk,pcsf,pgm,pwm]new表示重新赋值后各类别的预测概率分布；Rprob表示三维预测概率分布；w0,w1,w2,w3分别表示类别背景、脑脊液、灰质和白质出现的比重；α表示设定的影响因子；pbk,pwm,pgm,pcsf分别表示像素点预测为背景、白质、灰质和脑脊液类别的预测概率。
本发明采用上述技术方案，能产生如下技术效果：
本发明公开了一种结合全局和局部信息的大脑磁共振图像分割方法，首先，利用大脑核磁共振图像的全局信息，设计全卷积神经网络与多尺度卷积思想相结合的端到端的卷积神经网络模型对大脑磁共振图像进行分割；其次，在卷积神经网络分割的基础上融合大脑磁共振图像的局部信息即超体素先验信息在三维空间上对分割结果进行进一步改进，以实现对脑MRI图像中白质、灰质和脑脊液这些组织的准确分割，弥补了在卷积神经网络中将原始三维图像转换为二维图像的过程中丢失的空间信息。融合采用的是基于超体素中各类别比例的方法。本发明能较好地应用于大脑磁共振图像，提高分割精度，得到较好的大脑磁共振图像分割结果。
附图说明
图1为本发明方法的原理示意图。
图2为本发明提出的端到端卷积神经网络的结构示意图。
图3为本发明提出的多尺度卷积模块的结构示意图。
图4为本发明中运用的大脑磁共振图像。
图5(a)至(d)为本发明提出方法与其他方法分割结果的对比：其中，图5(a)为准确的分割Ground Truth,图5(b)、图5(c)分别是全卷积神经网络FCN和SegNet的分割结果，图5(d)为本发明方法的分割结果。
图6为本发明提出方法在一些评价指标上与其他方法的结果对比。
具体实施方式
下面结合说明书附图对本发明的实施方式进行描述。
如图1所示，本发明设计了一种结合全局和局部信息的大脑磁共振图像分割方法，首先训练端到端的卷积神经网络模型并通过该模型得到初步的分割结果，这里利用的是大脑核磁共振图像的全局信息；然后使用简单迭代聚类的超体素算法生成超体素；最后，融合超体素先验信息对分割结果进一步改进，以实现对脑MRI图像中白质、灰质和脑脊液这些组织的准确分割，这里利用的是大脑核磁共振图像的局部信息，融合超体素先验信息的方式是基于超体素中各类别的比例。该方法具体包括以下步骤：
步骤1，提取大脑核磁共振图像的全局信息包括：利用构建的端到端卷积神经网络对大脑磁共振图像进行分割，得到图像中像素点分别为背景bk、白质wm、灰质gm和脑脊液csf类别的预测概率分布，具体如下：
步骤1-1，将一个三维大脑磁共振MRI图像切片转化为若干个二维大脑磁共振图像，并做裁剪处理和去除全是背景的图像，得到包含多个二维大脑磁共振图像的原始数据；
步骤1-2，对原始数据做min-max归一化处理后，将原始数据分为训练数据和测试数据。
步骤1-3，使用Keras编程语言建立端到端卷积神经网络的初始模型，其结构如图2所示，主要部分包括卷积层、池化层、上采样层和多尺度卷积模块。
本发明中构建的端到端卷积神经网络结合全卷积神经网络与多尺度卷积神经网络思想，端到端的卷积神经网络共有47层，其中包括22个多尺度卷积模块。
多尺度卷积模块结构如图3所示，使用了四个并行分支，包括不同尺寸1×1、3×3、5×5的卷积与池化操作，不同大小的卷积核具有不同大小的感受野，增强了网络对不同尺度的适应性，四个并行分支增加了网络的宽度，提升了网络的表达能力。
端到端的卷积神经网络模型的训练和使用具体为：使用训练集的数据不断迭代学习模型参数，该模型参数即为网络从脑MRI图像学习到的组织分布。使用训练好的神经网络模型对脑MRI图像进行分割。
步骤1-4，将训练数据送入端到端卷积神经网络的初始模型进行网络参数训练，得到训练后的端到端卷积神经网络模型。
训练过程中，优选地使用测试数据对训练后的卷积神经网络模型的分割效果进行评估校准；调整训练的超参数，重复步骤1-4和校准得到效果最好的训练后的端到端卷积神经网络模型。
步骤1-5，通过训练后的端到端卷积神经网络模型得到原始数据中每个二维大脑磁共振图像对应的二维预测概率分布，并将所有二维预测概率分布按顺序叠加起来得到一个三维预测概率分布Rprob[xpi,ypj,zpk]＝[pbk,pcsf,pgm,pwm]，其中pbk,pcsf,pgm,pwm分别表示像素点(xpi,ypj,zpk)预测为背景、脑脊液、灰质和白质4个类别的预测概率。
步骤2，提取大脑核磁共振图像的局部信息包括：对于大脑磁共振图像利用线性迭代聚类超体素算法生成超体素，具体包括以下步骤：
步骤2-1，对大脑磁共振图像中选取体素为种子点；其过程如下：
步骤2-1-1，假设大脑磁共振图像一共有N个体素，期望生成的超体素个数为M，则每个超体素的大小为：
V＝N/M
步骤2-1-2，其中M也表示初始的种子点的数，每个超体素的边长为：
Figure GDA0002983765020000061
上式中，L为每一次迭代地步长；
步骤2-1-3，计算每个种子点与周围3x3x3的区域像素的灰度值的平均，作为与该种子点的灰度值I，计算公式如下：
Figure GDA0002983765020000062
步骤2-2，计算加权距离作为体素与种子点间的测度算子，具体包括以下步骤：
步骤2-2-1，设加权距离为D，D包含三个部分：像素强度dI，空间距离dS，用D0表示这三个部分的距离，具体公式如下：
Figure GDA0002983765020000071
上式中，dI、dS的计算公式如下：
Figure GDA0002983765020000072
上式中，Ij和Ii分别表示种子点j处和体素点i处的像素强度，
Figure GDA0002983765020000073
上式中，(xj,yj，zj)和(xi,yi,zi)分别表示种子点j和体素点i的坐标；
步骤2-2-2，将dI，dS和dA分别除以一个系数WI，WS得到修正的加权距离D′：
Figure GDA0002983765020000074
其中，
Figure GDA0002983765020000075
N为图像的体素总数，M为期望得到的超体素个数，系数WI用常数m来表示，将D′表示如下：
Figure GDA0002983765020000076
步骤2-2-3，将D′简化后得到最后的加权距离D：
Figure GDA0002983765020000077
步骤2-3，基于计算的加权距离，采用k-means聚类方法将体素聚类到各个种子点生成超体素，具体包括如下步骤：
步骤2-3-1，在大脑核磁共振图像中选取M个位于区域2L×2L×2L中心的体素点作为种子点；
步骤2-3-2，采用步骤2-2-3得到的公式计算区域内各个体素点到种子点的加权距离D，并把体素点归到距离最近的种子点那一类。
步骤2-3-3，重新计算已经得到的各个类的质心。一旦所有的体素点都被归类到离它最近的那个种子点，则再次计算每个类的聚类中心作为该类的新的种子点。
步骤2-3-4，重复上述步骤2-3-2、步骤2-3-3过程直至最新生成的聚类中心和上一次之间的误差不再变化或小于某个阈值，算法停止。
步骤3，将分割所得各类别预测概率分布和所生成超体素融合得到分割结果的三维大脑磁共振图像，包括以下步骤：
步骤3-1，根据一个超体素v，v包含n个像素点，找出超体素v在分割所得三维预测概率分布Rprob中的对应区域v′；
步骤3-2，统计找出各对应区域v′中背景、脑脊液、灰质和白质出现的次数n0,n1,n2,n3，并计算各个类别出现的比重：
Figure GDA0002983765020000081
其中，常数i＝0,1,2,3；n0,n1,n2,n3分别表示统计的各对应区域中背景、脑脊液、灰质和白质出现的次数；n表示统计的总次数。得到w0,w1,w2,w3分别表示类别背景、脑脊液、灰质和白质出现的比重。
步骤3-3，结合各类别的预测概率分布、计算的各个类别出现的比重、设定的影响因子，利用超体素类别比例方法对各类别预测概率分布重新赋值，采用公式：
[pbk,pcsf,pgm,pwm]new＝(1-α)Rprob+α[pbk,pcsf,pgm,pwm]′
其中，[pbk,pcsf,pgm,pwm]＝Rprob·[w0,w1,w2,w3]；
公式中，[pbk,pcsf,pgm,pwm]new表示重新赋值后各类别的预测概率分布；Rprob表示三维预测概率分布；w0,w1,w2,w3分别表示类别背景、脑脊液、灰质和白质出现的比重；α表示设定的影响因子，代表了超体素类别比例项对最终预测结果的影响程度；pbk,pwm,pgm,pcsf分别表示像素点预测为背景、白质、灰质和脑脊液类别的预测概率。
对于[pbk,pcsf,pgm,pwm]′，该乘积项将超体素信息使用乘法方式作用到卷积神经网络的三维预测概率分布Rprob上，对超体素中像素的类别概率进行一个超体素信息和卷积神经网络原始预测结果的均衡。
步骤3-4，对于大脑磁共振MRI图像中对应区域v′i的每个像素点，根据重新赋值的类别预测概率分布求出其类别概率最大的一类，及将所求出类的类别作为该像素点的类别标签，以得到最终分割结果的三维大脑磁共振MRI图像。
为了验证本发明方法能够得到更高精度的分割结果，现列举一个验证例进行说明，具体如下：
下面以IBSR18数据集数据为例，来说明本发明的基于超体素与全卷积神经网络脑磁共振图像分割算法的分割效果。
实验条件：现选取一台计算机进行实验，该计算机的配置有英特尔处理器3.4GHz和10GB随机存取存储器，64位操作系统，编程语言用的是Python。
IBSR18包括18个人的大脑数据，每个大脑数据有256*128*256个像素组成，数据集中提供了用于白质WM,灰质GM和脑脊液CSF组织分割的ground truth，分割类别为脑脊液、灰质、白质和背景4类,其对应的标签数据分别为1，2，3和0。IBSR18数据集为18个T1加权磁共振图像，其可以从大脑跟个存储库IBSR(Internet Brain Segmentation Repository)公开获取。这里用16个样本作为训练集，2个样本作为测试集。图2为本发明提出的端到端的卷积神经网络的结构示意图。图3为本发明提出的多尺度卷积模块的结构示意图。图4为本发明运用的IBSR18数据集大脑磁共振图像的三个不同剖面。图5(a)为准确的分割结果,图5(b)为全卷积神经网络FCN的分割结果，图5(c)为全卷积神经网络SegNet的分割结果，图5(d)为本发明提出方法的分割结果。图6展示了本发明方法在一些评价指标上与其他方法的结果对比，包括全卷积神经网络FCN和SegNet。
由上述对比，可以获知本发明方法利用大脑核磁共振图像的全局信息，设计端到端的卷积神经网络模型对大脑磁共振图像进行分割；在卷积神经网络分割的基础上融合大脑磁共振图像的局部信息即超体素先验信息在三维空间上对分割结果进行进一步改进，弥补了在卷积神经网络中将原始三维图像转换为二维图像的过程中丢失的空间信息。本发明能较好地应用于大脑磁共振图像，提高分割精度，得到较好的大脑磁共振图像分割结果。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (7)

1.一种结合全局和局部信息的大脑磁共振图像分割方法，其特征在于，包括以下步骤：
步骤1，提取大脑核磁共振图像的全局信息包括：利用构建的端到端卷积神经网络对大脑磁共振图像进行分割，得到图像中像素点分别为背景、白质、灰质和脑脊液类别的预测概率分布；
步骤2，提取大脑核磁共振图像的局部信息包括：对于大脑磁共振图像利用线性迭代聚类超体素算法生成超体素；
步骤3，将分割所得各类别预测概率分布和所生成超体素融合得到分割结果的大脑磁共振图像，包括：
步骤3-1，根据包含像素点的超体素，找出超体素在分割所得各类别预测概率分布中的对应区域；
步骤3-2，统计找出各对应区域中背景、脑脊液、灰质和白质出现的次数，并计算各个类别出现的比重；
步骤3-3，结合各类别的预测概率分布、计算的各个类别出现的比重、设定的影响因子，利用超体素类别比例方法对各类别预测概率分布重新赋值；
步骤3-4，对于大脑磁共振图像中对应区域的每个像素点，根据重新赋值的类别预测概率分布求出其类别概率最大的一类，及将所求出类的类别作为该像素点的类别标签，以得到分割结果的大脑磁共振图像。
2.根据权利要求1所述结合全局和局部信息的大脑磁共振图像分割方法，其特征在于，所述步骤1利用构建的端到端卷积神经网络对大脑磁共振图像进行分割，包括：
步骤1-1，将三维大脑磁共振图像切片转化为若干个二维大脑磁共振图像，并做裁剪处理和去除全是背景的图像，得到包含若干个二维大脑磁共振图像的原始数据；
步骤1-2，对原始数据做归一化处理后，将原始数据分为训练数据和测试数据；
步骤1-3，建立端到端卷积神经网络的初始模型；
步骤1-4，将训练数据送入端到端卷积神经网络的初始模型进行网络参数训练，得到训练后的端到端卷积神经网络模型；
步骤1-5，通过训练后的端到端卷积神经网络模型得到原始数据中每个二维大脑磁共振图像对应的二维预测概率分布，并将所有二维预测概率分布按顺序叠加起来得到一个三维预测概率分布Rprob[xpi，ypj，zpk]＝[pbk，pcsf，pgm，pwm]，其中pbk，pcsf，pgm，pwm分别表示像素点(xpi，ypj，zpk)预测为背景、脑脊液、灰质、和白质4个类别的预测概率。
3.根据权利要求2所述结合全局和局部信息的大脑磁共振图像分割方法，其特征在于，所述步骤1-4还包括利用测试数据对训练后的端到端卷积神经网络模型中参数校准。
4.根据权利要求1所述结合全局和局部信息的大脑磁共振图像分割方法，其特征在于，所述步骤1构建的端到端卷积神经网络由全卷积神经网络和多尺度卷积神经网络构成。
5.根据权利要求1所述结合全局和局部信息的大脑磁共振图像分割方法，其特征在于，所述步骤2中利用线性迭代聚类超体素算法生成超体素，包括：
步骤2-1，对大脑磁共振图像中选取体素为种子点；
步骤2-2，计算加权距离作为体素与种子点间的测度算子；
步骤2-3，基于计算的加权距离，采用k-means聚类方法将体素聚类到各个种子点生成超体素。
6.根据权利要求1所述结合全局和局部信息的大脑磁共振图像分割方法，其特征在于，所述步骤3-2中计算各个类别出现的比重wi采用公式：
Figure FDA0002983765010000021
其中，常数i＝0，1，2，3；n0，n1，n2，n3分别表示统计的各对应区域中背景、脑脊液、灰质和白质出现的次数；n表示统计的总次数。
7.根据权利要求1所述结合全局和局部信息的大脑磁共振图像分割方法，其特征在于，所述步骤3-3中利用超体素类别比例方法对各类别预测概率分布重新赋值采用公式：
[pbk，pcsf，pgm，pwm]new＝(1-α)Rprob+α[pbk，pcsf，pgm，pwm]′
其中，[pbk，pcsf，pgm，pwm]′＝Rprob·[w0，w1，w2，w3]；
公式中，[pbk，pcsf，pgm，pwm]new表示重新赋值后各类别的预测概率分布；
pbk，pwm，pgm，pcsf分别表示像素点预测为背景、白质、灰质和脑脊液类别的预测概率；
Rprob表示三维预测概率分布；w0，w1，w2，w3分别表示类别背景、脑脊液、灰质和白质出现的比重；α表示设定的影响因子。
CN201811186880.0A 2018-10-12 2018-10-12 一种结合全局和局部信息的大脑磁共振图像分割方法 Active CN109472263B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811186880.0A CN109472263B (zh) 2018-10-12 2018-10-12 一种结合全局和局部信息的大脑磁共振图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811186880.0A CN109472263B (zh) 2018-10-12 2018-10-12 一种结合全局和局部信息的大脑磁共振图像分割方法

Publications (2)

Publication Number Publication Date
CN109472263A CN109472263A (zh) 2019-03-15
CN109472263B true CN109472263B (zh) 2021-06-15

Family

ID=65664009

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811186880.0A Active CN109472263B (zh) 2018-10-12 2018-10-12 一种结合全局和局部信息的大脑磁共振图像分割方法

Country Status (1)

Country Link
CN (1) CN109472263B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109820373A (zh) * 2019-03-28 2019-05-31 重庆邮电大学 基于智能座椅的坐姿自适应调整方法
CN110120020A (zh) * 2019-04-30 2019-08-13 西北工业大学 一种基于多尺度空洞残差注意力网络的sar图像去噪方法
CN110728685B (zh) * 2019-09-20 2023-04-07 东南大学 一种基于对角体素的局部二值模式纹理算子的脑组织分割方法
CN110689960B (zh) * 2019-09-24 2022-08-09 广州大学 一种乳腺癌的智能判别方法、装置、设备及存储介质
CN111523617B (zh) * 2020-06-09 2022-03-29 天津大学 基于白质融合特征图和残差注意力网络的癫痫检测系统
CN112508844B (zh) * 2020-09-30 2022-11-18 东南大学 一种基于弱监督的大脑磁共振图像分割方法
CN112435227A (zh) * 2020-11-19 2021-03-02 深圳博脑医疗科技有限公司 一种医学影像图的处理方法、装置、终端设备及介质
CN112348816B (zh) * 2021-01-07 2021-06-01 北京明略软件系统有限公司 脑磁共振图像分割方法、存储介质及电子装置
CN113379758B (zh) * 2021-05-01 2024-04-12 首都医科大学宣武医院 一种脑图像的迭代分割方法、设备及系统
CN117710711B (zh) * 2024-02-06 2024-05-10 东华理工大学南昌校区 一种基于轻量化深度卷积网络的光学和sar图像匹配方法
CN117853858A (zh) * 2024-03-07 2024-04-09 烟台大学 基于全局和局部信息的磁共振图像合成方法、系统和设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106296653A (zh) * 2016-07-25 2017-01-04 浙江大学 基于半监督学习的脑部ct图像出血区域分割方法及系统
CN106846343A (zh) * 2017-03-09 2017-06-13 东南大学 一种基于聚类超像素分割的病理图像特征提取方法
CN107146228A (zh) * 2017-03-22 2017-09-08 东南大学 一种基于先验知识的大脑磁共振图像超体素生成方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106296653A (zh) * 2016-07-25 2017-01-04 浙江大学 基于半监督学习的脑部ct图像出血区域分割方法及系统
CN106846343A (zh) * 2017-03-09 2017-06-13 东南大学 一种基于聚类超像素分割的病理图像特征提取方法
CN107146228A (zh) * 2017-03-22 2017-09-08 东南大学 一种基于先验知识的大脑磁共振图像超体素生成方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于水平集的人脑MR图像分割方法;张荣国等;《北京工业大学学报》;20170210;第244-250页 *

Also Published As

Publication number Publication date
CN109472263A (zh) 2019-03-15

Similar Documents

Publication Publication Date Title
CN109472263B (zh) 一种结合全局和局部信息的大脑磁共振图像分割方法
US11615879B2 (en) System and method for automated labeling and annotating unstructured medical datasets
US11944463B2 (en) Pseudo-CT generation from MR data using a feature regression model
Saba et al. Lung nodule detection based on ensemble of hand crafted and deep features
AU2016339009B2 (en) Pseudo-CT generation from MR data using tissue parameter estimation
Vankdothu et al. Brain tumor segmentation of MR images using SVM and fuzzy classifier in machine learning
CN111008984B (zh) 医学影像中正常器官的轮廓线自动勾画方法
Schreier et al. Clinical evaluation of a full-image deep segmentation algorithm for the male pelvis on cone-beam CT and CT
US8290568B2 (en) Method for determining a property map of an object, particularly of a living being, based on at least a first image, particularly a magnetic resonance image
Javaid et al. Multi-organ segmentation of chest CT images in radiation oncology: comparison of standard and dilated UNet
Wei et al. Automated lung segmentation and image quality assessment for clinical 3-D/4-D-computed tomography
CN110444294A (zh) 一种基于感知神经网络的前列腺癌辅助分析方法及设备
Han et al. A novel convolutional variation of broad learning system for Alzheimer’s disease diagnosis by using MRI images
Pontoriero et al. Automated data quality control in FDOPA brain PET imaging using deep learning
US11908568B2 (en) System and methods for radiographic image quality assessment and protocol optimization
Kamboj et al. Deep leaming approaches for brain tumor segmentation: a review
Parekh et al. Radiomic synthesis using deep convolutional neural networks
Xiao et al. PET and CT image fusion of lung cancer with siamese pyramid fusion network
Joshi et al. Ishemic stroke lesion segmentation by analyzing mri images using dilated and transposed convolutions in convolutional neural networks
Aderghal Classification of multimodal MRI images using Deep Learning: Application to the diagnosis of Alzheimer’s disease.
US20240005484A1 (en) Detecting anatomical abnormalities by segmentation results with and without shape priors
Zhao et al. Application of artificial intelligence in radiotherapy of nasopharyngeal carcinoma with magnetic resonance imaging
Sun et al. Application of artificial intelligence nuclear medicine automated images based on deep learning in tumor diagnosis
Jose et al. Liver Tumor Classification using Optimal Opposition-Based Grey Wolf Optimization
US11995830B2 (en) Deep learning architecture for analyzing medical images for body region recognition and delineation

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