CN110046646B - 图像处理方法、系统、计算设备及存储介质 - Google Patents

图像处理方法、系统、计算设备及存储介质 Download PDF

Info

Publication number
CN110046646B
CN110046646B CN201910172383.3A CN201910172383A CN110046646B CN 110046646 B CN110046646 B CN 110046646B CN 201910172383 A CN201910172383 A CN 201910172383A CN 110046646 B CN110046646 B CN 110046646B
Authority
CN
China
Prior art keywords
class
voxels
blood vessel
original image
probability
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
CN201910172383.3A
Other languages
English (en)
Other versions
CN110046646A (zh
Inventor
张保昌
周寿军
李娜
吴宗翰
李迟迟
王澄
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201910172383.3A priority Critical patent/CN110046646B/zh
Publication of CN110046646A publication Critical patent/CN110046646A/zh
Application granted granted Critical
Publication of CN110046646B publication Critical patent/CN110046646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • 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
    • 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
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • 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
    • G06T2207/30101—Blood vessel; Artery; Vein; Vascular
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

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

Abstract

本发明适用图像处理技术领域，提供了一种图像处理方法、系统、计算设备及存储介质，该方法主要利用拟合模型对原始图像中脑组织区域进行拟合，利用迭代更新模型对拟合模型的参数进行迭代更新，迭代更新过程中，充分利用第一标记所产生的标记信息和未标记信息，使用半监督参数更新来学习拟合模型的参数，使得拟合模型的分布曲线不断逼近脑组织区域的灰度直方图，这样，能对血管组织分布区间进行精确拟合，从而提高了脑血管分割精度。

Description

图像处理方法、系统、计算设备及存储介质
技术领域
本发明属于图像处理技术领域，尤其涉及一种图像处理方法、系统、计算设备及存储介质。
背景技术
中国在先专利(申请公布号CN109102511A)涉及一种脑血管分割方法、系统及电子设备，其主要实现：对包含脑组织的原始图像进行多尺度滤波增强处理，得到增强后的血管特征图像以及对应的方向向量场；建立有限混合模型并估计有限混合模型参数，得到类条件概率；计算原始图像的初始标记场，并由初始标记场与方向向量场构成马尔科夫随机场；进而得到类先验概率；基于类先验概率和类条件概率，通过最大化后验概率和迭代条件模式，得到脑血管分割结果。
上述在先专利虽然能够提取有效的血管候选空间，提取出低对比度下的脑血管结构，但由于在有限混合模型参数迭代过程中，采用的是传统无监督的期望最大化算法，从而不利于血管组织分布区间的精确拟合，最终使得脑血管分割精度无法得到有效提高。另外，直接对原始数据进行计算处理，无法剔除很多不相关的组织对血管的影响，同时也加大了计算代价。
发明内容
本发明的目的在于提供一种图像处理方法、系统、计算设备及存储介质，旨在解决现有技术所存在的、因血管组织分布区间无法精确拟合而导致的脑血管分割精度无法得到有效提高的问题。
一方面，本发明提供了一种图像处理方法，所述方法包括下述步骤：
获得包含脑组织的原始图像；
从所述原始图像中确定脑组织区域；
采用聚类算法，对所述脑组织区域所对应的灰度直方图进行处理，得到用于初步区分所述脑组织区域中的脑血管及背景的初步分类结果；
根据所述初步分类结果，对预设的拟合模型的参数进行初始化，所述拟合模型用于对所述灰度直方图进行拟合，所述拟合模型由用于模拟所述脑血管分布或所述背景分布的分布函数构建；
对所述原始图像进行窗宽窗位变换分析，得到满足预设的阈值要求的所述原始图像中的体素，并对该些体素进行第一标记，所述阈值用于区分所述背景及所述脑血管；
基于预设的迭代更新模型，对所述参数进行迭代更新，所述迭代更新模型中，作为当前迭代更新目标的所述参数由：已进行第一标记的所述体素对应的标记信息以及未进行第一标记的所述体素对应的未标记信息构建，所述未标记信息由作为前一迭代更新结果的类后验概率构建，所述类后验概率由所述分布函数构建且对应于背景类及脑血管类；
根据所述体素所对应的所述类后验概率，对所述体素进行第二标记以指示所述体素属于所述背景类或所述脑血管类，并得到类条件概率；
从所述原始图像得到血管特征图；
将所述第二标记所得的标记场及所述血管特征图结合，构建马尔科夫随机场；
由所述马尔科夫随机场构建类先验概率；
基于所述类条件概率及所述类先验概率，在迭代条件模式下，通过最大化相应的后验概率，更新所述标记场，得到脑血管分割结果。
进一步的，从所述原始图像得到血管特征图，具体包括：
对所述原始图像进行多尺度滤波增强处理，得到由多尺度血管增强值构成的初级特征图；
在由血管颅内占比所构建的阈值约束条件下，将所述多尺度血管增强值转换为具有血管预测概率意义的血管特征值，所述血管特征图由所述血管特征值构成。
进一步的，从所述原始图像中确定脑组织区域具体为：
对所述原始图像进行信噪比提升处理，得到所述脑组织区域，所述信噪比提升处理包含去颅骨处理。
进一步的，所述聚类算法为K均值聚类算法。
进一步的，所述拟合模型为高斯混合模型，所述分布函数为高斯分布函数。
进一步的，将所述第二标记所得的标记场及所述血管特征图结合，构建马尔科夫随机场，具体为：
在所述脑组织区域中定义所述体素的领域系统；
基于所述领域系统，利用双点势团函数得到所述体素的能量表示，从而构建所述马尔科夫随机场，所述双点势团函数由所述第二标记所得的标记场及所述血管特征图构建。
进一步的，基于所述类条件概率及所述类先验概率，在迭代条件模式下，通过最大化相应的后验概率，更新所述标记场，得到脑血管分割结果，具体为：
利用所求得的所述类条件概率及所述类先验概率，利用预先构建的迭代条件模型，在第N次迭代时，在已知观测数据和标记场的条件下，利用贝叶斯准则计算所述后验概率，并最大化所述后验概率，以更新所述体素的第二标记结果，从而更新所述标记场，得到所述脑血管分割结果，其中，N为整数。
另一方面，本发明提供了一种图像处理系统，所述系统包括：
预处理单元，用于获得包含脑组织的原始图像；从所述原始图像中确定脑组织区域；
初始化单元，用于采用聚类算法，对所述脑组织区域所对应的灰度直方图进行处理，得到用于初步区分所述脑组织区域中的脑血管及背景的初步分类结果；根据所述初步分类结果，对预设的拟合模型的参数进行初始化，所述拟合模型用于对所述灰度直方图进行拟合，所述拟合模型由用于模拟所述脑血管分布或所述背景分布的分布函数构建；对所述原始图像进行窗宽窗位变换分析，得到满足预设的阈值要求的所述原始图像中的体素，并对该些体素进行第一标记，所述阈值用于区分所述背景及所述脑血管；
特征图计算单元，用于从所述原始图像得到血管特征图；以及，
分割单元，用于基于预设的迭代更新模型，对所述参数进行迭代更新，所述迭代更新模型中，作为当前迭代更新目标的所述参数由：已进行第一标记的所述体素对应的标记信息以及未进行第一标记的所述体素对应的未标记信息构建，所述未标记信息由作为前一迭代更新结果的类后验概率构建，所述类后验概率由所述分布函数构建且对应于背景类及脑血管类；根据所述体素所对应的所述类后验概率，对所述体素进行第二标记以指示所述体素属于所述背景类或所述脑血管类，并得到类条件概率；将所述第二标记所得的标记场及所述血管特征图结合，构建马尔科夫随机场；由所述马尔科夫随机场构建类先验概率；基于所述类条件概率及所述类先验概率，在迭代条件模式下，通过最大化相应的后验概率，更新所述标记场，得到脑血管分割结果。
另一方面，本发明还提供了一种计算设备，包括存储器及处理器，所述处理器执行所述存储器中存储的计算机程序时实现如上述方法中的步骤。
另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述方法中的步骤。
本发明主要利用拟合模型对原始图像中脑组织区域进行拟合，利用迭代更新模型对拟合模型的参数进行迭代更新，迭代更新过程中，充分利用第一标记所产生的标记信息和未标记信息，使用半监督参数更新来学习拟合模型的参数，使得拟合模型的分布曲线不断逼近脑组织区域的灰度直方图，这样，能对血管组织分布区间进行精确拟合，从而提高了脑血管分割精度。
附图说明
图1是本发明实施例一提供的图像处理方法的实现流程图；
图2是本发明实施例一中FSL-BET处理示意图；
图3是本发明实施例一中脑组织区域统计直方图；
图4是本发明实施例二中步骤S108的细化流程图；
图5是本发明实施例三提供的图像处理系统的结构示意图；
图6是本发明实施例四提供的计算设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述：
实施例一：
图1示出了本发明实施例一提供的图像处理方法的实现流程，主要能实现从图像中精确分割出脑血管组织，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
在步骤S101中，获得包含脑组织的原始图像。
本实施例中，原始图像可以为时间飞跃磁共振血管成像(Time of Flight-Magnetic Resonance Angiography，TOF-MRA)图像，也可以为其他成像图像，例如：电子计算机断层扫描(Computed Tomography，CT)图像或正电子发射型计算机断层显像(PositronEmission Computed Tomography，PET)图像等。
在步骤S102中，从原始图像中确定脑组织区域。
本实施例中，由于原始图像中不仅包含脑组织区域，而且还包含颅骨、眼部组织、背景噪声等，如果后续处理仍针对原始图像进行，则变相降低了血管的信噪比，不利于提升后续处理的准确度和精度。因此，如图2所示，可利用医学处理工具FSL中的脑提取工具(FSLBrain Extraction Tool，FSL-BET)，对原始图像进行信噪比提升处理，得到脑组织区域，信噪比提升处理中包含去颅骨处理，还可以包含去眼部组织、去背景噪声等处理，从而提高血管的信噪比，减少计算代价，有利于更加精准地提取脑血管。
在步骤S103中，采用聚类算法，对脑组织区域所对应的灰度直方图进行处理，得到用于初步区分脑组织区域中的脑血管及背景的初步分类结果。
本实施例中，针对所确定的脑组织区域，可以大致分为三个灰度阶梯：其一为脑脊液和侧脑室，其二为灰质和白质，其三为脑血管。在本申请中，由于目的是分割脑血管，那么，脑脊液和侧脑室，以及灰质和白质，均被称为背景。通过统计直方图分析，脑组织区域的统计直方图可如图3所示，由于灰质和白质占比最大，图3中可明显指示出灰质和白质大致的分布范围，此外，根据经验认为在其波峰左右两侧分别是脑脊液和侧脑室区域，以及脑血管区域。进而可采用K均值(K-MEANS)聚类算法，设置聚类个数为3，初始聚类中心分别为峰谷的1/4点、峰谷点，以及峰谷点的2倍点。
当然，在其他应用示例中，还可以采用其他聚类算法，例如：K中心点(K-MEDOIDS)算法、利用层次方法的平衡迭代规约和聚类(Balanced Iterative Reducing andClustering using Hierarchies，BIRCH)算法等。
在步骤S104中，根据初步分类结果，对预设的拟合模型的参数进行初始化，拟合模型用于对灰度直方图进行拟合，拟合模型由用于模拟脑血管分布或背景分布的分布函数构建。
本实施例中，预设的拟合模型为有限混合模型，由于通过测试各种概率密度函数在脑组织区域的拟合效果发现：由三个高斯分布组成的高斯混合模型(Gaussian MixtureModel，GMM)对脑组织区域灰度分布拟合效果较佳，那么优选拟合模型为GMM，即采用三个高斯分布分别对上述三个灰度阶梯对应的区域进行拟合，即第一个高斯分布模拟脑脊液和侧脑室区域，第二个高斯分布模拟灰质和白质区域，第三个高斯分布模拟脑血管区域，并利用聚类后的三类数据中的每一类数据的占比w、均值u和方差σ作为GMM的初始参数。
对应的GMM表达式如下：
Figure GDA0002059582900000071
其中，I为灰度值，i为聚类数(i＝1,2,3)，Gi为高斯分布指示信息，fGi(I|ui,σi)为高斯分布函数，fG3(I|u3,σ3)对应于脑血管类别。
在步骤S105中，对原始图像进行窗宽窗位变换分析，得到满足预设的阈值要求的原始图像中的体素，并对该些体素进行第一标记，阈值用于区分背景及脑血管。
本实施例中，可调用Matlab工具中的imtool，对原始图像实现调节数据的窗宽窗位，并设置试探性的阈值进行分割。
原始图像中的体素若满足某一阈值要求，则可对该些体素进行第一标记，表征其被初判为背景，若满足某另一阈值要求，则可对该些体素进行第一标记，表征其被初判为脑血管。原始图像中还存在未被第一标记的体素。
相应的，脑组织区域的所有体素D可被划分为已进行第一标记的体素集合Dl以及未进行第一标记的体素集合Du，即D＝Du∪Dl。
在步骤S106中，基于预设的迭代更新模型，对参数进行迭代更新，迭代更新模型中，作为当前迭代更新目标的参数由：已进行第一标记的体素对应的标记信息以及未进行第一标记的体素对应的未标记信息构建，未标记信息由作为前一迭代更新结果的类后验概率构建，类后验概率由分布函数构建且对应于背景类及脑血管类。
本实施例中，迭代更新模型可如下：
Figure GDA0002059582900000081
Figure GDA0002059582900000082
Figure GDA0002059582900000083
其中，Ij为第j个像素的灰度值，N(·)为相应区域中体素的数量，Dli为属于第i个分布成分的数据，k为迭代次数，p[Gi|Ij]k作为前一迭代更新结果的类后验概率。
作为当前迭代更新目标的参数由：已进行第一标记的体素对应的标记信息以及未进行第一标记的体素对应的未标记信息构建，未标记信息由作为前一迭代更新结果的类后验概率构建，具体包含：
[ui]k+1由标记信息与未标记信息构建，标记信息包含：Ij,Ij∈Dli以及N(Dli)，而未标记信息包含：p[Gi|Ij]k、Ij,Ij∈Du。
Figure GDA0002059582900000084
由标记信息与未标记信息构建，标记信息包含：Ij,Ij∈Dli以及N(Dli)，而未标记信息包含：p[Gi|Ij]k、Ij,Ij∈Du。当然，/>
Figure GDA0002059582900000085
的表达中，还包含相应的均值[ui]k。
[wi]k+1由标记信息与未标记信息构建，标记信息包含：N(Dli)，而未标记信息包含：p[Gi|Ij]k,Ij∈Du。
类后验概率p(*|Ij)由分布函数构建，具体为：
Figure GDA0002059582900000086
其中，*可能取值为G1,G2,G3，即三个类别中的一个，φ是每个高斯分布中参数的统称，即包含ui,σi。
在步骤S107中，根据体素所对应的类后验概率，对体素进行第二标记以指示体素属于背景类或脑血管类，并得到类条件概率。
本实施例中，根据贝叶斯判别准则，对于TOF-MRA中的每一个体素，当且仅当脑血管类的类后验概率大于任意背景类的类后验概率时，可将该体素判断为脑血管类(Lv)，否则为背景类(LB)，从而可以对体素进行第二标记以指示体素属于脑血管类，还是属于背景类，形成初始标记场L0。
类条件概率P(I|li)即fGi(I|ui,σi)，其中，li为类标签。
在步骤S108中，从原始图像得到血管特征图，例如：可由原始图像各个点的灰度值构成血管特征图。
在步骤S109中，将第二标记所得的标记场及血管特征图结合，构建马尔科夫随机场。
本实施例中，可在脑组织区域中定义体素的领域系统，该领域系统可为6邻域系统；
基于领域系统，利用双点势团函数
Figure GDA0002059582900000091
得到所述体素的能量表示U(li)，从而构建马尔科夫随机场，双点势团函数由第二标记所得的标记场及血管特征图构建，其中：
Figure GDA0002059582900000092
其中，Ni为体素i的6邻域系统中的点。
Figure GDA0002059582900000093
来源于两部分，一部分来源于第二标记所得的标记场L0，另一部分来源于血管特征图Vf：
Figure GDA0002059582900000094
其中，α1,α2为比例系数，
Figure GDA0002059582900000101
Figure GDA0002059582900000102
其中，Vf(i)为血管特征图中第i个体素处的血管得分。
在步骤S110中，由马尔科夫随机场构建类先验概率P(li)，具体可为：
Figure GDA0002059582900000103
Figure GDA0002059582900000104
其中，k为遍历下标，lk是第k个随机体素的标签。
在步骤S111中，基于类条件概率及类先验概率，在迭代条件模式下，通过最大化相应的后验概率，更新标记场，得到脑血管分割结果。
在本实施例中，可利用所求得的类条件概率P(Yi|li)即等价于前述P(I|li)及类先验概率P(li)，利用预先构建的迭代条件模型，在第N次迭代时，在已知观测数据Y和标记场LN的条件下，利用贝叶斯准则计算后验概率P(li|Yi)，并最大化后验概率P(li|Yi)，以更新体素的第二标记结果，从而更新标记场，得到脑血管分割结果，其中，N为整数，其中，最大化后验概率P(li|Yi)，以更新体素的第二标记结果lnew具体可为：
Figure GDA0002059582900000105
实施本实施例，主要利用拟合模型对原始图像中脑组织区域进行拟合，利用迭代更新模型对拟合模型的参数进行迭代更新，迭代更新过程中，充分利用第一标记所产生的标记信息和未标记信息，使用半监督参数更新来学习拟合模型的参数，使得拟合模型的分布曲线不断逼近脑组织区域的灰度直方图，这样，能对血管组织分布区间进行精确拟合，从而提高了脑血管分割精度。另外，是对去颅骨等之后的脑组织区域进行计算处理，大大剔除了很多不相关的组织，提高了血管的信噪比，也减少了计算代价。
实施例二：
本实施例在实施例一基础上，进一步提供了如下内容：
如图4所示，本实施例中，步骤S108具体包括：
在步骤S401中，对原始图像进行多尺度滤波增强处理，得到由多尺度血管增强值构成的初级特征图。
本实施例中，首先可基于Hessian矩阵的多尺度滤波技术，增强数据中的管状目标。为了得到不同尺度的血管特性，将原始图像数据I与多尺度高斯核进行卷积操作，在尺度σ下，坐标为(x,y,z)的点i，其灰度值为Iσ(i)，对应的Hessian矩阵计算如下：
Figure GDA0002059582900000111
对H(i,σ)进行特征值分解，可以得到3个特征值(v1,v2,v3)，其中，|v1|≤|v2|≤|v3|。一般情况下，血管点对应的Hessian矩阵的特征值满足以下关系式：
v2≈v3
|v2,3|＞＞|v1|……(13)
为了改善低对比度的情况，对v3在每个卷积尺度下进行重新定义为：
Figure GDA0002059582900000112
其中，τ是一个0到1之间的阈值，σ是滤波尺度。
增强响应如下血管响应函数计算得出：
Figure GDA0002059582900000121
由此得到了多尺度血管增强后的结果，即多尺度血管增强值v，对应于式(15)中的Vp。
在步骤S402中，在由血管颅内占比所构建的阈值约束条件下，将多尺度血管增强值转换为具有血管预测概率意义的血管特征值，血管特征图由血管特征值构成。
本实施例中，可对多尺度血管增强值v进行如下变换：
Figure GDA0002059582900000122
Figure GDA0002059582900000123
其中，Vp′表示脑组织区域的血管增强值的集合，β是血管颅内占比(该值等于GMM中血管对应的高斯分布权重w3，θ(β)为由血管颅内占比所构建的阈值，血管特征值为Vf。
实施本实施例，可将多尺度血管增强后的结果，通过变换得到血管特征值，使其具有血管预测概率意义，并将其嵌入马尔科夫随机场，从而有利于更好地优化GMM的分割结果，实现优质的脑血管分割。
实施例三：
图5示出了本发明实施例三提供的图像处理系统的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：
预处理单元501，用于获得包含脑组织的原始图像；从所述原始图像中确定脑组织区域；
初始化单元502，用于采用聚类算法，对所述脑组织区域所对应的灰度直方图进行处理，得到用于初步区分所述脑组织区域中的脑血管及背景的初步分类结果；根据所述初步分类结果，对预设的拟合模型的参数进行初始化，所述拟合模型用于对所述灰度直方图进行拟合，所述拟合模型由用于模拟所述脑血管分布或所述背景分布的分布函数构建；对所述原始图像进行窗宽窗位变换分析，得到满足预设的阈值要求的所述原始图像中的体素，并对该些体素进行第一标记，所述阈值用于区分所述背景及所述脑血管；
特征图计算单元503，用于从所述原始图像得到血管特征图；以及，
分割单元504，用于基于预设的迭代更新模型，对所述参数进行迭代更新，所述迭代更新模型中，作为当前迭代更新目标的所述参数由：已进行第一标记的所述体素对应的标记信息以及未进行第一标记的所述体素对应的未标记信息构建，所述未标记信息由作为前一迭代更新结果的类后验概率构建，所述类后验概率由所述分布函数构建且对应于背景类及脑血管类；根据所述体素所对应的所述类后验概率，对所述体素进行第二标记以指示所述体素属于所述背景类或所述脑血管类，并得到类条件概率；将所述第二标记所得的标记场及所述血管特征图结合，构建马尔科夫随机场；由所述马尔科夫随机场构建类先验概率；基于所述类条件概率及所述类先验概率，在迭代条件模式下，通过最大化相应的后验概率，更新所述标记场，得到脑血管分割结果。
在本发明实施例中，图像处理系统的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。
图像处理系统的各单元在实现上述图像处理方法时实现的步骤，可参考前述方法实施例的描述，在此不再赘述。
实施例四：
图6示出了本发明实施例四提供的计算设备的结构，为了便于说明，仅示出了与本发明实施例相关的部分。
本发明实施例的计算设备包括处理器601及存储器602，处理器601执行存储器602中存储的计算机程序603时实现上述各个方法实施例中的步骤，例如图1所示的步骤S101至S111。或者，处理器601执行计算机程序603时实现上述各装置实施例中各单元的功能，例如图5所示单元501至504的功能。
本发明实施例的计算设备可以为单个计算机，也可以为计算机组网，也可以为单个处理芯片，也可以为芯片组等。该计算设备中处理器601执行计算机程序603时实现上述各方法时实现的步骤，可参考前述方法实施例的描述，在此不再赘述。
实施例五：
在本发明实施例中，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤，例如，图1所示的步骤S101至S111。或者，该计算机程序被处理器执行时实现上述各系统实施例中各单元的功能，例如图5所示单元501至504的功能。
本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质，例如，ROM/RAM、磁盘、光盘、闪存等存储器。
本发明在公开数据集MIDAS上进行了验证，其中包含109套TOF-MRA临床数据，为了定量分析本算法的有效性，从中抽取了20套数据，合作医院的医生对其进行了标记，表1给出三种方法的四种评估测度的结果。
表1三种方法的比较
Figure GDA0002059582900000141
Figure GDA0002059582900000151
注：
Figure GDA0002059582900000152
其中TP,FP,TN,FN,分别是真正例，假正例，真反例，假反例。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种图像处理方法，其特征在于，所述方法包括下述步骤：
获得包含脑组织的原始图像；
从所述原始图像中确定脑组织区域；
采用聚类算法，对所述脑组织区域所对应的灰度直方图进行处理，得到用于初步区分所述脑组织区域中的脑血管及背景的初步分类结果；
根据所述初步分类结果，对预设的拟合模型的参数进行初始化，所述拟合模型用于对所述灰度直方图进行拟合，所述拟合模型由用于模拟所述脑血管分布或所述背景分布的分布函数构建；所述拟合模型为高斯混合模型，所述分布函数为高斯分布函数；
对所述原始图像进行窗宽窗位变换分析，得到满足预设的阈值要求的所述原始图像中的体素，并对该些体素进行第一标记，所述阈值用于区分所述背景及所述脑血管；
基于预设的迭代更新模型，对所述参数进行迭代更新，所述迭代更新模型中，作为当前迭代更新目标的所述参数由：已进行第一标记的所述体素对应的标记信息以及未进行第一标记的所述体素对应的未标记信息构建，所述未标记信息由作为前一迭代更新结果的类后验概率构建，所述类后验概率由所述分布函数构建且对应于背景类及脑血管类；所述迭代更新模型包括：
Figure FDA0004035207280000011
Figure FDA0004035207280000012
Figure FDA0004035207280000013
其中，Ij为第j个像素的灰度值，N(·)为相应区域中体素的数量，Dli为属于第i个分布成分的数据，k为迭代次数，p[GiIj]k作为前一迭代更新结果的类后验概率；
根据所述体素所对应的所述类后验概率，对所述体素进行第二标记以指示所述体素属于所述背景类或所述脑血管类，并得到类条件概率；
从所述原始图像得到血管特征图；
将所述第二标记所得的标记场及所述血管特征图结合，构建马尔科夫随机场；
由所述马尔科夫随机场构建类先验概率；
基于所述类条件概率及所述类先验概率，在迭代条件模式下，通过最大化相应的后验概率，更新所述标记场，得到脑血管分割结果。
2.如权利要求1所述的方法，其特征在于，从所述原始图像得到血管特征图，具体包括：
对所述原始图像进行多尺度滤波增强处理，得到由多尺度血管增强值构成的初级特征图；
在由血管颅内占比所构建的阈值约束条件下，将所述多尺度血管增强值转换为具有血管预测概率意义的血管特征值，所述血管特征图由所述血管特征值构成。
3.如权利要求1所述的方法，其特征在于，从所述原始图像中确定脑组织区域具体为：
对所述原始图像进行信噪比提升处理，得到所述脑组织区域，所述信噪比提升处理包含去颅骨处理。
4.如权利要求1所述的方法，其特征在于，所述聚类算法为K均值聚类算法。
5.如权利要求2所述的方法，其特征在于，将所述第二标记所得的标记场及所述血管特征图结合，构建马尔科夫随机场，具体为：
在所述脑组织区域中定义所述体素的领域系统；
基于所述领域系统，利用双点势团函数得到所述体素的能量表示，从而构建所述马尔科夫随机场，所述双点势团函数由所述第二标记所得的标记场及所述血管特征图构建。
6.如权利要求1所述的方法，其特征在于，基于所述类条件概率及所述类先验概率，在迭代条件模式下，通过最大化相应的后验概率，更新所述标记场，得到脑血管分割结果，具体为：
利用所求得的所述类条件概率及所述类先验概率，利用预先构建的迭代条件模型，在第N次迭代时，在已知观测数据和标记场的条件下，利用贝叶斯准则计算所述后验概率，并最大化所述后验概率，以更新所述体素的第二标记结果，从而更新所述标记场，得到所述脑血管分割结果，其中，N为整数。
7.一种图像处理系统，其特征在于，所述系统包括：
预处理单元，用于获得包含脑组织的原始图像；从所述原始图像中确定脑组织区域；
初始化单元，用于采用聚类算法，对所述脑组织区域所对应的灰度直方图进行处理，得到用于初步区分所述脑组织区域中的脑血管及背景的初步分类结果；根据所述初步分类结果，对预设的拟合模型的参数进行初始化，所述拟合模型用于对所述灰度直方图进行拟合，所述拟合模型由用于模拟所述脑血管分布或所述背景分布的分布函数构建；所述拟合模型为高斯混合模型，所述分布函数为高斯分布函数；对所述原始图像进行窗宽窗位变换分析，得到满足预设的阈值要求的所述原始图像中的体素，并对该些体素进行第一标记，所述阈值用于区分所述背景及所述脑血管；
特征图计算单元，用于从所述原始图像得到血管特征图；以及，
分割单元，用于基于预设的迭代更新模型，对所述参数进行迭代更新，所述迭代更新模型中，作为当前迭代更新目标的所述参数由：已进行第一标记的所述体素对应的标记信息以及未进行第一标记的所述体素对应的未标记信息构建，所述未标记信息由作为前一迭代更新结果的类后验概率构建，所述类后验概率由所述分布函数构建且对应于背景类及脑血管类；所述迭代更新模型包括：
Figure FDA0004035207280000041
Figure FDA0004035207280000042
Figure FDA0004035207280000043
其中，Ij为第j个像素的灰度值，N(·)为相应区域中体素的数量，Dli为属于第i个分布成分的数据，k为迭代次数，p[GiIj]k作为前一迭代更新结果的类后验概率；
根据所述体素所对应的所述类后验概率，对所述体素进行第二标记以指示所述体素属于所述背景类或所述脑血管类，并得到类条件概率；将所述第二标记所得的标记场及所述血管特征图结合，构建马尔科夫随机场；由所述马尔科夫随机场构建类先验概率；基于所述类条件概率及所述类先验概率，在迭代条件模式下，通过最大化相应的后验概率，更新所述标记场，得到脑血管分割结果。
8.一种计算设备，包括存储器及处理器，其特征在于，所述处理器执行所述存储器中存储的计算机程序时实现如权利要求1至6任一项所述方法中的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法中的步骤。
CN201910172383.3A 2019-03-07 2019-03-07 图像处理方法、系统、计算设备及存储介质 Active CN110046646B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910172383.3A CN110046646B (zh) 2019-03-07 2019-03-07 图像处理方法、系统、计算设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910172383.3A CN110046646B (zh) 2019-03-07 2019-03-07 图像处理方法、系统、计算设备及存储介质

Publications (2)

Publication Number Publication Date
CN110046646A CN110046646A (zh) 2019-07-23
CN110046646B true CN110046646B (zh) 2023-06-30

Family

ID=67274628

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910172383.3A Active CN110046646B (zh) 2019-03-07 2019-03-07 图像处理方法、系统、计算设备及存储介质

Country Status (1)

Country Link
CN (1) CN110046646B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111383191B (zh) * 2019-12-11 2024-03-08 北京深睿博联科技有限责任公司 用于血管断裂修复的图像处理方法及装置
CN113256654B (zh) * 2021-05-26 2023-09-12 西安交通大学 一种基于病变扩散算法的白质高信号提取方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1996042070A1 (en) * 1995-06-13 1996-12-27 British Technology Group Limited Apparatus for image enhancement, and related method
WO2006121410A1 (en) * 2005-05-11 2006-11-16 Agency For Science, Technology And Research Method, apparatus and computer software for segmenting the brain from mr data
CN105205791A (zh) * 2015-08-28 2015-12-30 中国科学院深圳先进技术研究院 一种基于高斯混合模型的视频雨滴去除方法及其系统
CN105551041A (zh) * 2015-12-15 2016-05-04 中国科学院深圳先进技术研究院 普适的血管分割方法及系统
CN106204596A (zh) * 2016-07-14 2016-12-07 南京航空航天大学 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法
CN107633522A (zh) * 2017-08-30 2018-01-26 山东财经大学 基于局部相似性活动轮廓模型的脑部图像分割方法和系统
CN108154519A (zh) * 2017-12-25 2018-06-12 吉林大学 眼底图像中血管的分割方法、装置及存储介质
CN108305245A (zh) * 2017-12-29 2018-07-20 上海交通大学医学院附属瑞金医院 一种图像数据分析方法
CN108898578A (zh) * 2018-05-29 2018-11-27 杭州晟视科技有限公司 一种医疗图像的处理方法、装置及计算机存储介质
CN109102511A (zh) * 2018-07-06 2018-12-28 深圳先进技术研究院 一种脑血管分割方法、系统及电子设备
CN109377504A (zh) * 2018-10-26 2019-02-22 强联智创（北京）科技有限公司 一种颅内动脉血管图像分割方法及系统
CN109410221A (zh) * 2018-10-31 2019-03-01 上海联影医疗科技有限公司 脑灌注图像分割方法、装置、服务器和存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1184796C (zh) * 2001-07-26 2005-01-12 佳能株式会社 图象处理方法和设备以及图象处理系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1996042070A1 (en) * 1995-06-13 1996-12-27 British Technology Group Limited Apparatus for image enhancement, and related method
WO2006121410A1 (en) * 2005-05-11 2006-11-16 Agency For Science, Technology And Research Method, apparatus and computer software for segmenting the brain from mr data
CN105205791A (zh) * 2015-08-28 2015-12-30 中国科学院深圳先进技术研究院 一种基于高斯混合模型的视频雨滴去除方法及其系统
CN105551041A (zh) * 2015-12-15 2016-05-04 中国科学院深圳先进技术研究院 普适的血管分割方法及系统
CN106204596A (zh) * 2016-07-14 2016-12-07 南京航空航天大学 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法
CN107633522A (zh) * 2017-08-30 2018-01-26 山东财经大学 基于局部相似性活动轮廓模型的脑部图像分割方法和系统
CN108154519A (zh) * 2017-12-25 2018-06-12 吉林大学 眼底图像中血管的分割方法、装置及存储介质
CN108305245A (zh) * 2017-12-29 2018-07-20 上海交通大学医学院附属瑞金医院 一种图像数据分析方法
CN108898578A (zh) * 2018-05-29 2018-11-27 杭州晟视科技有限公司 一种医疗图像的处理方法、装置及计算机存储介质
CN109102511A (zh) * 2018-07-06 2018-12-28 深圳先进技术研究院 一种脑血管分割方法、系统及电子设备
CN109377504A (zh) * 2018-10-26 2019-02-22 强联智创（北京）科技有限公司 一种颅内动脉血管图像分割方法及系统
CN109410221A (zh) * 2018-10-31 2019-03-01 上海联影医疗科技有限公司 脑灌注图像分割方法、装置、服务器和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"基于高斯-马尔科夫随机场模型的脑血管分割算法研究";曹容菲等;《电子与信息学报》;20001010;第36卷(第9期);第2053-2060段 *

Also Published As

Publication number Publication date
CN110046646A (zh) 2019-07-23

Similar Documents

Publication Publication Date Title
WO2020177126A1 (zh) 图像处理方法、系统、计算设备及存储介质
EP3213296B1 (en) A method and system for image processing
CN110310287B (zh) 基于神经网络的危及器官自动勾画方法、设备和存储介质
Mortazavi et al. Segmentation of multiple sclerosis lesions in MR images: a review
Mahapatra Analyzing training information from random forests for improved image segmentation
Ortiz et al. Two fully-unsupervised methods for MR brain image segmentation using SOM-based strategies
Ortiz et al. Improving MR brain image segmentation using self-organising maps and entropy-gradient clustering
Balafar Gaussian mixture model based segmentation methods for brain MRI images
Ahirwar Study of techniques used for medical image segmentation and computation of statistical test for region classification of brain MRI
Ortiz et al. Segmentation of brain MRI using SOM‐FCM‐based method and 3D statistical descriptors
Cordero-Grande et al. Unsupervised 4D myocardium segmentation with a Markov Random Field based deformable model
US8682074B2 (en) Method for checking the segmentation of a structure in image data
CN106846317B (zh) 一种基于特征提取和相似匹配的医学影像检索方法
CN108010048B (zh) 一种基于多图谱的自动脑部mri图像的海马体分割方法
Lu et al. Precise segmentation of multiple organs in CT volumes using learning-based approach and information theory
Liu et al. Subcortical brain segmentation based on atlas registration and linearized kernel sparse representative classifier
Zhu et al. Automatic delineation of the myocardial wall from CT images via shape segmentation and variational region growing
Larrey-Ruiz et al. Automatic image-based segmentation of the heart from CT scans
CN110046646B (zh) 图像处理方法、系统、计算设备及存储介质
Li et al. Automatic global level set approach for lumbar vertebrae CT image segmentation
Cheng et al. A spatially constrained skew Student’st mixture model for brain MR image segmentation and bias field correction
Rouaïnia et al. Brain MRI segmentation and lesions detection by EM algorithm
Mohammed et al. Liver segmentation: A survey of the state-of-the-art
Aswathy et al. Quick detection of brain tumor using a combination of EM and level set method
Thiruvenkadam et al. Fully automatic brain tumor extraction and tissue segmentation from multimodal MRI brain images

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