CN109636827A - 一种自适应提取宫颈肿瘤mr图像的方法 - Google Patents
一种自适应提取宫颈肿瘤mr图像的方法 Download PDFInfo
- Publication number
- CN109636827A CN109636827A CN201811531259.3A CN201811531259A CN109636827A CN 109636827 A CN109636827 A CN 109636827A CN 201811531259 A CN201811531259 A CN 201811531259A CN 109636827 A CN109636827 A CN 109636827A
- Authority
- CN
- China
- Prior art keywords
- image
- region
- adaptive
- tumor
- average gray
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 206010008354 Cervix neoplasm Diseases 0.000 title claims abstract description 22
- 208000006105 Uterine Cervical Neoplasms Diseases 0.000 title claims abstract description 22
- 206010028980 Neoplasm Diseases 0.000 claims abstract description 48
- 230000011218 segmentation Effects 0.000 claims abstract description 34
- 230000003044 adaptive effect Effects 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000000877 morphologic effect Effects 0.000 claims abstract description 5
- 238000003759 clinical diagnosis Methods 0.000 abstract description 2
- 208000019065 cervical carcinoma Diseases 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 201000011510 cancer Diseases 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 208000025440 neoplasm of neck Diseases 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000012307 MRI technique Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000004392 genitalia Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及医学图像处理技术领域，提出了一种自适应提取宫颈肿瘤MR图像的方法，包括：步骤1：对原始MR图像进行各向异性滤波处理，消除噪声并保留肿瘤边缘；步骤2：针对滤波后的MR图像，结合每幅图像平均灰度与肿瘤平均灰度的数值关系，设定比例系数，改进传统的自适应区域生长法，获得粗分割的肿瘤区域图像；步骤3：运用形态学操作对肿瘤区域进行细分割，使当前区域变得连通并平滑边缘。本发明利用改进的自适应区域生长法，得到的分割结果与医生手动描画的肿瘤区域金标准重合率较高，且避免了人工设定阈值的繁琐，降低了人工参与度，减少了人为主观偏差，具有普适性，为临床诊断提供了合理参考。
Description
技术领域
本发明属于医学图像处理领域，涉及一种自适应提取宫颈肿瘤MR图像的方法。
背景技术
宫颈癌是常见的妇科恶性肿瘤之一，占女性生殖器癌症的半数以上。近年来，宫颈癌的发病率和死亡率明显增多，宫颈疾病的预防和宫颈癌的普查也越来越被广大妇女们所重视。随着医学成像技术的发展，MRI技术在宫颈癌诊疗中的应用越来越广泛。医生根据自身经验在MR图像上描画宫颈肿瘤的边界，进而判断宫颈癌分期。但是，由于受成像设备、患者体位运动等因素的影响，医学图像会出现噪声和伪影等现象，使医生不能够准确判定宫颈肿瘤边界。目前，没有从MR图像中自动提取宫颈肿瘤区域的研究。
发明内容
本发明的目的是提供一种自适应提取宫颈肿瘤MR图像的方法，以辅助医生提高宫颈肿瘤边界判定的准确率。
本发明提供一种自适应提取宫颈肿瘤MR图像的方法，包括如下步骤：
步骤1：对原始MR图像进行各向异性滤波处理，消除噪声并保留肿瘤边缘；
步骤2：针对滤波后的MR图像，结合每幅图像平均灰度与肿瘤平均灰度之间的数值关系，改进传统的自适应区域生长法，获得粗分割的肿瘤区域图像；
步骤3：运用形态学操作对肿瘤区域进行细分割，使当前区域变得连通，并过滤掉不平滑的边缘。
在本发明的改进自适应提取宫颈肿瘤MR图像的方法中，所述步骤1包括：
步骤1.1：将医院提供的Dicom格式文件转换成raw格式的原始MR图像，便于计算机读取和后续进一步处理；
步骤1.2：从原始MR图像中截取包含宫颈区域的矩形部分，以该矩形区域作为分割基础；
步骤1.3：对分割后的图像进行各向异性滤波处理，有效地消除噪声并保留肿瘤边缘。
在本发明的改进自适应提取宫颈肿瘤MR图像的方法中，所述步骤2包括：
步骤2.1：对滤波后的MR图像，选取肿瘤区域内的一个像素点作为初始种子点，将它与其8邻域组成的区域作为初始区域，计算平均灰度值；
步骤2.2：通过对MRI宫颈肿瘤数据的分析，图像的平均灰度和肿瘤平均灰度之间存在着正比例关系，根据此对应关系可以自动确定所需阈值，若新的像素点与初始区域平均灰度值之差在阈值范围内，则将新像素点纳入原始区域，组成新的区域；
步骤2.3：再计算新纳入像素点组成的新区域的平均灰度值，重复步骤2.2，直到图像中没有可纳入的新像素点为止，获得粗分割的肿瘤区域图像。
在本发明的改进自适应提取宫颈肿瘤MR图像的方法中，所述步骤3包括：
步骤3.1：选用9×9的圆形结构元素，扫描图像的每一个像素，使分割结果与目标更为相近；
步骤3.2：先运用形态学闭运算，填充肿瘤内的空洞，并平滑肿瘤边界；
步骤3.3：再运用形态学开运算，消除不相干的小物体，并断开肿瘤和周围组织的纤细连接。
本发明的一种自适应提取宫颈肿瘤MR图像的方法，改进了自适应区域生长法，实现了一种基于区域的全自动算法。传统的自适应区域生长法，是基于局部区域信息对阈值进行手动调整的生长方法，阈值设定需要初始化。为了减少人为设定阈值的繁琐，本专利改进了传统的自适应区域生长法，加入整幅图像的全局信息，有效避免了分割宫颈肿瘤时的阈值初始化问题，是一种基于局部和全局的高精度分割方法，所得结果与医生手动描画的肿瘤区域金标准重合率较高。肿瘤边界的判定对宫颈癌分期有着至关重要的作用，医生在手动描画肿瘤轮廓时，受到图像噪声和伪影的影响，往往不能准确判定肿瘤边界，且病人图像数量较多，手动勾勒大大降低了医生的工作效率。本专利设计的方法能够大幅度减少医生的工作量，为肿瘤边界判定提供合理的参考，减少了人为主观偏差，且省略了手动调参的繁琐，具有较高的临床意义。
附图说明
图1为本发明的一种自适应提取宫颈肿瘤MR图像的方法的流程图；
图2a为截取矩形区域后的原始MR图像；
图2b为滤波后图像；
图3为手动选取种子点图示；
图4为粗生长后所得图像；
图5为形态学处理后所得图像；
图6为分割结果在原图中显示图像；
图7a为医生手动描画的病人MR图像第2层的分割结果；
图7b为医生手动描画的病人MR图像第3层的分割结果；
图7c为医生手动描画的病人MR图像第4层的分割结果；
图7d为医生手动描画的病人MR图像第5层的分割结果；
图8a为本发明方法对病人MR图像第2层的分割结果；
图8b为本发明方法对病人MR图像第3层的分割结果；
图8c为本发明方法对病人MR图像第4层的分割结果；
图8d为本发明方法对病人MR图像第5层的分割结果；
图9为自适应区域生长示意图。
具体实施方式
如图1所示，本发明的一种自适应提取宫颈肿瘤MR图像的方法，包括如下步骤：
步骤1：对原始MR图像进行各向异性滤波处理，消除噪声并保留肿瘤边缘，所述步骤1包括：
步骤1.1：将医院提供的Dicom格式文件转换成raw格式的原始MR图像，便于计算机读取和后续进一步处理；
步骤1.2：从原始MR图像中截取包含宫颈区域的矩形部分，以该矩形区域作为分割基础，如图2a所示；
步骤1.3：对分割后的图像进行各向异性滤波处理，有效地消除噪声并保留肿瘤边缘。
各项异性滤波是一种既可以去除噪声又能够保留图像边缘的方法。对于图像来说，各向异性就是在每个像素点周围四个方向上梯度变化都不一样，滤波时要考虑图像的各向异性对图像的影响，图像像素总是向跟它的值相异不是很大的地方运动，这样那些差异大的地方，即边缘就得以保留，图2b为滤波后图像。
步骤2：针对滤波后的MR图像，结合每幅图像平均灰度与肿瘤平均灰度之间的数值关系，改进传统的自适应区域生长法，获得粗分割的肿瘤区域图像，所述步骤2包括：
步骤2.1：选取滤波后的MR图像上肿瘤区域内的一个像素点作为初始种子点，将种子点与其8邻域组成的区域作为初始区域，计算其平均灰度值，记为Imean，图3为手动选取种子点图示；
步骤2.2：通过对MRI肿瘤图像的分析，发现图像的平均灰度和宫颈肿瘤像平均灰度的差值存在比例关系，肿瘤平均灰度大概是整幅图像平均灰度值的1.2倍。利用这个数值关系设置比例系数，阈值就可以由每幅图像的平均灰度值求出，从而达到自动设定生长阈值的目的。若新像素点灰度值与Imean之差的绝对值小于自动求取的阈值，则将新像素点纳入种初始区域，组成新的区域；
步骤2.3：再计算新纳入像素点组成的新区域的平均灰度值，重复步骤2.2，直到没有新的像素点被纳入为止，由此获得粗分割的肿瘤区域图像。图9为步骤2中的自适应区域生长过程示意图，图4为步骤2经粗分割后所得图像。
步骤3：运用形态学操作对肿瘤区域进行细分割，使当前区域变得连通，并过滤掉不平滑的边缘。所述步骤3包括：
步骤3.1：选用9×9的圆形结构元素，扫描图像的每一个像素，使分割结果与目标更为相近；
步骤3.2：先运用形态学闭运算，填充肿瘤内的空洞，并平滑肿瘤边界；
步骤3.3：再运用形态学开运算，消除不相干的小物体，并断开肿瘤和周围组织的纤细连接，图5为经步骤3细分割后所得图像。
图6为肿瘤分割结果在原图中显示图像。
图7a至7d为医生手动描画的同一病人MR图像不同层(第2层至第5层)的分割结果，图8a至8d为本发明方法对同一病人MR图像的不同层(第2层至第5层)的分割结果。为了验证本发明的方法分割精确度，将医院所提供的23组病人图像的分割结果与医生手动描画的肿瘤区域金标准进行重合率对比，结果如表1：
表1分割结果与金标准重合率统计表(％)(空格表示医生没有给出标准)
通过重合率统计表可以看出，利用改进的自适应区域生长方法得到的分割结果，与医生手动描画的肿瘤区域金标准重合率较高，且避免了人工调参带来的繁琐，准确度好，一致性高，具有普适性，为临床诊断提供了合理参考。
以上所述仅为本发明的较佳实施例，并不用以限制本发明的思想，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种自适应提取宫颈肿瘤MR图像的方法，其特征在于，包括如下步骤：
步骤1：对原始MR图像进行各向异性滤波处理，消除噪声并保留肿瘤边缘；
步骤2：针对滤波后的MR图像，结合每幅图像平均灰度与肿瘤平均灰度之间的数值关系，改进传统的自适应区域生长法，获得粗分割的肿瘤区域图像；
步骤3：运用形态学操作对肿瘤区域进行细分割，使当前区域变得连通，并过滤掉不平滑的边缘。
2.如权利要求1所述的改进自适应提取宫颈肿瘤MR图像的方法，其特征在于，所述步骤1包括：
步骤1.1：将医院提供的Dicom格式文件转换成raw格式的原始MR图像，便于计算机读取和后续进一步处理；
步骤1.2：从原始MR图像中截取包含宫颈区域的矩形部分，以该矩形区域作为分割基础；
步骤1.3：对分割后的图像进行各向异性滤波处理，有效地消除噪声并保留肿瘤边缘。
3.如权利要求1所述的自适应提取宫颈肿瘤MR图像的方法，其特征在于，所述步骤2包括：
步骤2.1：对滤波后的MR图像，选取肿瘤区域内的一个像素点作为初始种子点，将它与其8邻域组成的区域作为初始区域，计算平均灰度值；
步骤2.2：通过对MRI宫颈肿瘤数据的分析，图像的平均灰度和肿瘤平均灰度之间存在着正比例关系，根据此对应关系可以自动确定所需阈值，若新的像素点与初始区域平均灰度值之差在阈值范围内，则将新像素点纳入原始区域，组成新的区域；
步骤2.3：再计算新纳入像素点组成的新区域的平均灰度值，重复步骤2.2，直到图像中没有可纳入的新像素点为止，获得粗分割的肿瘤区域图像。
4.如权利要求1所述的自适应提取宫颈肿瘤MR图像的方法，其特征在于，所述步骤3包括：
步骤3.1：选用9×9的圆形结构元素，扫描图像的每一个像素，使分割结果与目标更为相近；
步骤3.2：先运用形态学闭运算，填充肿瘤内的空洞，并平滑肿瘤边界；
步骤3.3：再运用形态学开运算，消除不相干的小物体，并断开肿瘤和周围组织的纤细连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811531259.3A CN109636827A (zh) | 2018-12-14 | 2018-12-14 | 一种自适应提取宫颈肿瘤mr图像的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811531259.3A CN109636827A (zh) | 2018-12-14 | 2018-12-14 | 一种自适应提取宫颈肿瘤mr图像的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109636827A true CN109636827A (zh) | 2019-04-16 |
Family
ID=66073910
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811531259.3A Pending CN109636827A (zh) | 2018-12-14 | 2018-12-14 | 一种自适应提取宫颈肿瘤mr图像的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109636827A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111369537A (zh) * | 2020-03-05 | 2020-07-03 | 上海市肺科医院（上海市职业病防治院） | 一种肺磨玻璃结节的自动分割系统及方法 |
| CN112381800A (zh) * | 2020-11-16 | 2021-02-19 | 广东电网有限责任公司肇庆供电局 | 一种导线直径异常识别方法、装置、电子设备和计算机可读存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102999917A (zh) * | 2012-12-19 | 2013-03-27 | 中国科学院自动化研究所 | 基于t2-mri和dw-mri的宫颈癌图像自动分割方法 |
| CN107845098A (zh) * | 2017-11-14 | 2018-03-27 | 南京理工大学 | 基于随机森林和模糊聚类的肝癌图像全自动分割方法 |
-
2018
- 2018-12-14 CN CN201811531259.3A patent/CN109636827A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102999917A (zh) * | 2012-12-19 | 2013-03-27 | 中国科学院自动化研究所 | 基于t2-mri和dw-mri的宫颈癌图像自动分割方法 |
| CN107845098A (zh) * | 2017-11-14 | 2018-03-27 | 南京理工大学 | 基于随机森林和模糊聚类的肝癌图像全自动分割方法 |
Non-Patent Citations (1)
| Title |
|---|
| 肖海慧: ""肝脏肿瘤CT图像的分割算法分析"", 《电脑知识与技术》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111369537A (zh) * | 2020-03-05 | 2020-07-03 | 上海市肺科医院（上海市职业病防治院） | 一种肺磨玻璃结节的自动分割系统及方法 |
| CN112381800A (zh) * | 2020-11-16 | 2021-02-19 | 广东电网有限责任公司肇庆供电局 | 一种导线直径异常识别方法、装置、电子设备和计算机可读存储介质 |
| CN112381800B (zh) * | 2020-11-16 | 2021-08-31 | 广东电网有限责任公司肇庆供电局 | 一种导线直径异常识别方法、装置、电子设备和计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107563378A (zh) | 体数据中提取感兴趣区域的方法及其系统 | |
| Roy et al. | Detection and Quantification of Brain Tumor from MRI of Brain and it’s Symmetric Analysis | |
| Rusko et al. | Fully automatic liver segmentation for contrast-enhanced CT images | |
| CN104268873A (zh) | 基于核磁共振图像的乳腺肿瘤分割方法 | |
| CN103942799B (zh) | 一种乳腺超声图像分割方法及系统 | |
| Deng et al. | Mammogram enhancement using intuitionistic fuzzy sets | |
| Mikulka et al. | Soft-tissues image processing: Comparison of traditional segmentation methods with 2D active contour methods | |
| WO2014094376A1 (zh) | 基于t2-mri和dw-mri的宫颈癌图像自动分割方法 | |
| CN109636827A (zh) | 一种自适应提取宫颈肿瘤mr图像的方法 | |
| WO2006057724A2 (en) | A registration system and method for tracking lung nodules in medical images | |
| CN108392215A (zh) | 一种同侧异位乳腺钼靶图像的点位置关联方法 | |
| CN108596932A (zh) | 一种重叠宫颈细胞图像分割方法 | |
| Mehena et al. | Brain tumor segmentation and extraction of MR images based on improved watershed transform | |
| Sharma et al. | Detection and extraction of brain tumor from MRI images using K-means clustering and watershed algorithms | |
| Rana et al. | Study of various methods for brain tumor segmentation from MRI images | |
| CN117333533A (zh) | 一种基于乳腺mri影像自动估算乳腺体积的方法及系统 | |
| CN116883655A (zh) | 一种基于乳腺和肿瘤分割的bpe自动化提取方法和系统 | |
| Galińska et al. | Breast cancer segmentation method in ultrasound images | |
| Hu et al. | Image manifold revealing for breast lesion segmentation in DCE-MRI | |
| Krishnamurthy et al. | Snake-based liver lesion segmentation | |
| Bobbillapati et al. | Automatic detection of brain tumor through magnetic resonance image | |
| Kumar et al. | Automatic segmentation of lung lobes and fissures for surgical planning | |
| CN115187640A (zh) | 一种基于点云的ct与mri 3d/3d图像配准方法 | |
| Santos et al. | A segmentation technique to detect masses in dense breast digitized mammograms | |
| CN113947599A (zh) | 一种胞浆型阳性免疫组化智能识别方法、系统及介质 |
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 |
Application publication date: 20190416 |
|
| WD01 | Invention patent application deemed withdrawn after publication |