CN110458859B - 一种基于多序列mri的多发性骨髓瘤病灶的分割系统 - Google Patents
一种基于多序列mri的多发性骨髓瘤病灶的分割系统 Download PDFInfo
- Publication number
- CN110458859B CN110458859B CN201910582883.4A CN201910582883A CN110458859B CN 110458859 B CN110458859 B CN 110458859B CN 201910582883 A CN201910582883 A CN 201910582883A CN 110458859 B CN110458859 B CN 110458859B
- Authority
- CN
- China
- Prior art keywords
- area
- threshold
- focus
- module
- value
- 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
Links
- 230000011218 segmentation Effects 0.000 title claims abstract description 60
- 206010035226 Plasma cell myeloma Diseases 0.000 title claims abstract description 43
- 208000034578 Multiple myelomas Diseases 0.000 title claims abstract description 41
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 230000003902 lesion Effects 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 15
- 239000012071 phase Substances 0.000 claims description 12
- 238000012512 characterization method Methods 0.000 claims description 7
- 238000003756 stirring Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 239000008346 aqueous phase Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 abstract description 5
- 241000282414 Homo sapiens Species 0.000 abstract description 3
- 210000001185 bone marrow Anatomy 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 206010028980 Neoplasm Diseases 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 201000000050 myeloid neoplasm Diseases 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 208000008720 Bone Marrow Neoplasms Diseases 0.000 description 1
- 208000002250 Hematologic Neoplasms Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 201000006491 bone marrow cancer Diseases 0.000 description 1
- 230000007123 defense Effects 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
- 238000003748 differential diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000011132 hemopoiesis Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 210000004180 plasmocyte Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 210000004881 tumor cell Anatomy 0.000 description 1
Images
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种基于多序列MRI的多发性骨髓瘤病灶分割系统。包括:输入模块,预处理模块,ROI选择模块,多序列MRI的特征描述模块,阈值计算模块,疑似病灶分割模块和输出模块。该系统基于专家预先标定的先验知识数据库确定RoI区域的坐标限定值集合、病灶区域的长宽比阈值、面积阈值、灰度值差异阈值,并依据其统计特性得到阳性病灶的特征阈值来分割疑似病灶区域,可准确有效的实现多序列MRI中具有多区域特性的多发性骨髓瘤病灶分割。本发明不仅融合了影像图像自有的特征,且依据人类高级先验知识使得确立的ROI更具灵活性,可显著提高多序列MRI中多发性骨髓瘤病灶分割的准确性,降低现有基于聚类分割系统中因初始随机化引起的分割结果不可靠的风险。
Description
技术领域
本发明属于医学图像处理技术领域,特别涉及到一种基于多序列MRI的多发性骨髓瘤病灶分割系统。
背景技术
骨髓是成年人最大的器官之一,承担着造血、免疫和防御机能等重要功能。多发性骨髓瘤是一种恶性浆细胞病,其肿瘤细胞起源于骨髓中的浆细胞,其本身是一种临床上较常见的血液系统恶性肿瘤之一。目前,多发性骨髓瘤在全球的发病率都呈上升趋势。根据世界卫生组织发表的《全球癌症报告2018》显示,中国新增癌症病例全球发病占比为23.7%,死亡占比为30.0%,其中骨髓瘤的发病率约为2~3/10万,男女比例为1.6:1。
许多医学成像系统或装置已被应用于多发性骨髓瘤病灶区域的检测中,例如普通X线,CT,MRI、放射性核素扫描、PET等。在所有影像检查方式中,MRI序列中的DWI影像作为目前唯一非侵入性检测活体组织内水分子运动的技术,在骨髓病变的检出、诊断、鉴别诊断、治疗的疗效评估等方面具有重要价值。因此,一个良好的多序列MRI的图像处理系统的开发不仅有助于MRI成像系统的进一步使用,而且有助于提升MRI影像分割的准确性。
针对多发性骨髓瘤病灶的分割问题,目前有多种图像处理算法实现,包括在人体肺部分割有效但骨髓多区域病灶分割效果较差的自适应体素生长算法;需要先将骨组织整体进行分割才能完成多发性骨髓瘤病灶分割的混合假设概率的方法与基于最优阈值的分割系统;这些方法会较大概率地破坏原始图像信息,造成分割结果有效性不完备;并且以上描述的大多数方法只能处理简单目标背景影像较为单一的情况,对于干扰多,病灶区域分布不均匀的多发性骨髓瘤的分割并不能完全胜任。以上方法均需要复杂的交互式操作,且不能处理多病灶区域的分割。
发明内容
本发明需要解决的技术问题在于提供一种基于多序列MRI的多发性骨髓瘤病灶的分割系统,旨在解决不能准确、高效、快速地实现具有多病灶特性的骨髓肿瘤分割的问题。
本发明的技术方案:
一种基于多序列MRI的多发性骨髓瘤病灶的分割系统,该系统包括如下模块:
(1)输入模块:所述输入模块用于系统接收多序列MRI影像的输入;
(2)预处理模块:所述预处理模块用于对输入的初始多序列MRI进行图像去噪及自适应阈值的二值化处理;
所述的去噪处理包括:基于空间域滤波技术的算术均值滤波器,令Sxyz表示中心在点(x,y,z)处、大小为m*d*p的矩形子图像窗口的一组坐标,所述算术均值滤波器在Sxyz定义的区域中计算原始图像坐标(x,y,z)处的平均值为:
式中,所述f(x,y,z)为去噪后图像在点(x,y,z)处去噪后的值,g(r,s,t)表示属于区域Sxyz在点(r,s,t)处的原始图像值;
所述的自适应阈值的二值化处理包括算法原理用如下公式表示:
公式1中,Pk表示一维列表中第k个点的灰度值,fs(k)表示列表集合第k个点处前s个点的灰度值的和,其中,s为一个超参数;
公式2中,T(k)表示二值化结果图像,其中,t为一个超参数;该公式即表示T(k)等于1或0取决于Pk与其前s个像素平均值的(100-t)%的大小关系。
(3)ROI选择模块:所述ROI选择模块针对预处理后的多序列MRI,通过坐标限定方式完成关于疑似病灶区域的ROI区域选择;包括:由专家标定的先验知识数据库统计计算得到七个既定坐标点的坐标限定值集合C,由所述坐标点的坐标限定值集合C完成疑似病灶ROI区域选择;
(4)多序列MRI的特征描述模块:所述特征描述模块用于描述疑似病灶区域的外切矩形的长宽比大小、面积大小、与其关于脊椎带的对称区域及外切矩形区域的灰度值差异大小;
(5)阈值计算模块:所述阈值计算模块即使用专家预先标注的病例数据构建先验知识数据库,以统计平均的计算方式确定RoI区域的坐标限定值集合、病灶区域的长宽比阈值、面积阈值和灰度值差异阈值;所述阈值计算模块包括以下子模块:
构建大数据先验知识数据库子模块:利用具有专家预先手工标注的实际患者的阳性病例构建一个基于多序列MRI的先验知识数据库;所述多序列MRI包括DWI、ADC、STIR、T1-水相和T1-脂相;所述先验知识数据库的多序列MRI的病例数≥200例,每例病例超过10组多序列MRI,每一组多序列MRI包括DWI、ADC、STIR、T1-水相和T1-脂相五张影像图像,即所述大数据先验知识数据库包括影像数据超过10000张;
阈值获取子模块:基于所述预先构建的先验知识数据库中已确定的病灶区域进行阈值计算,并通过统计平均的方式来计算获得RoI区域的坐标限定值集合C,病灶区域的长宽比阈值R,面积阈值S,灰度值差异阈值G,记病灶区域阈值集合Tall={R,S,G};
所述的阈值计算模块中:
式中,C为坐标限定值集合,所述集合包括7个限定坐标点,n表示所述先验知识数据库中的病例数,ci表示所述先验知识数据库中各病例的坐标限定值;
式中,R表示病灶区域的长宽比阈值,hi和wi分别表示病灶区域外切矩形的长与宽;
式中,S表示病灶区域的面积阈值,si表示各病例中的病灶区域面积;
式中,G表示灰度值差异阈值,gi表示所述先验知识数据库中各病例的灰度值差异阈值;
(6)疑似病灶分割模块:所述疑似病灶分割模块即基于所述阈值计算模块与多序列MRI的特征描述模块的计算结果对疑似病灶区域进行分割,作用如下:
利用所述大数据先验知识数据库的阈值对疑似病灶区域进行阈值分割得到病灶区域的分割图像式中,所述Segment(xi)为分割后的病灶区域二值图像,所述Tall表示由先验知识数据库得到的长宽比阈值、面积阈值和灰度值差异阈值集合,即Tall={R,S,G};F(xi)表示疑似病灶区域的长宽比值、面积值和灰度值差异值特征集合,此处’>’表示集合中各元素比较;
(7)输出模块:所述输出模块用于对病灶完成容积统计与可视化表征输出。其中,容积大小可用如下公式表示:
式中,Np表示DWI的像素个数,Mp表示每个病例的多序列MRI的组数,bi(xj,yj)表示DWI的分割图像结果的像素值。
本发明的优点和有益效果:
本发明提供的基于多序列MRI的多发性骨髓瘤病灶的分割系统,基于专家预先标定的大数据先验知识数据库确定RoI区域的坐标限定值集合及病灶区域的长宽比阈值、面积阈值、灰度值差异阈值,并依据获得的所述阈值对疑似病灶进行分割,具有下述优势:
首先,基于稳定且有效的专家标定的先验知识数据构建的病灶区域阈值得到多发性骨髓瘤的分割图像,提升了多序列MRI中多发性骨髓瘤病灶分割的准确性与有效性。同时,所述基于统计计算得到的坐标限定的方式对ROI区域进行确定,不仅融合了影像图像自有的特征,且依据人类高级先验知识使得确立的ROI更具灵活性,可显著提高多序列MRI中多发性骨髓瘤病灶分割的准确性,降低现有基于聚类的分割系统中因初始随机化引起的分割结果不可靠的风险。
其次,本发明基于多序列MRI的多发性骨髓瘤病灶的分割系统,基于大量专家预先标注的先验知识数据库多发性骨髓瘤患者的数据确定的阈值,基于专家先验知识的阈值分割更有效于已有的基于启发式算法确定的分割阈值。
此外,本发明允许选择多个ROI,可以并行化的完成分割多病灶区域,使得多目标区域分割成为可能。
附图说明
图1为本发明实施例多序列MRI内的多发性骨髓瘤自动分割系统的结构框图;
图2为本发明所述的一个多序列MRI中DWI序列的影像原图;
图3为本发明所述的基于坐标限定值集合的方式确定的RoI区域选择结果示例图。
图4为本发明基于RoI区域的二值化结果示例图,黑色方框是各疑似病灶区域的外切矩形。
图5为基于本发明系统的多序列MRI病灶区域自动分割结果示例,黑色填充示例图是用本发明的模型得到的多发性骨髓瘤的分割结果的可视化表征。
具体实施方式
为使得本发明要解决的技术问题、技术方案及实际效果更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例,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。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种基于多序列MRI的多发性骨髓瘤病灶的分割系统,本系统的结构框图如图1所示,由以下模块组成:
(1)输入模块:
用于系统接收多序列MRI影像的输入;该模块一次性可输入一个病例的五张DWI、ADC、STIR、T1-水相和T1-脂相影像图像,每张影像图像的分辨率大小为452*452,水平及垂直分辨率均为96dpi,位深度为24。本发明实施例中,图2作为优选实施例的DWI序列影像图像的示例原图。
(2)预处理模块:
为了减少多序列MRI受到非骨组织区域的干扰及提高本发明实施例多发性病灶区域分割的准确性,在对所述多序列MRI进行分割之前,需要对图像进行相应的预处理以提高分割精度。作为优选实施例,对初始多序列MRI进行预处理,包括图像去噪预处理和自适应二值化预处理。
作为进一步优选实施例,采用基于空间域滤波技术的算术均值滤波器实现所述去噪处理。作为具体优选实施例,所述去噪处理的操作方法为:基于空间域滤波技术的算术均值滤波器,令Sxyz表示中心在点(x,y,z)处、大小为m*d*p的矩形子图像窗口的一组坐标,所述算术均值滤波器在Sxyz定义的区域中计算原始图像坐标(x,y,z)处的平均值为:
式中,所述f(x,y,z)为去噪后图像在点(x,y,z)处去噪后的值,g(r,s,t)表示属于区域Sxyz在点(r,s,t)处的原始图像值;
本发明优选实施例中,所述m=3,d=3,p=3。
所述的自适应阈值的二值化处理包括Wellner快速自适应二值化算法,该算法用如下公式表示:
公式1中,Pk表示一维列表中第k个点的灰度值,fs(k)表示列表集合第k个点处前s个点的灰度值的和,其中,s为一个超参数;
公式2中,T(k)表示二值化结果图像,其中,t为一个超参数;该公式即表示T(k)等于1或0取决于Pk与其前s个像素平均值的(100-t)%的大小关系。
本发明优选实施例中:s=57,t=15。
(3)RoI选择模块:
为了提高ROI选择的准确性,本发明实施例针对预处理后的多序列MRI、通过坐标限定的方式完成ROI区域的选择,然后在选定的ROI区域中由阈值条件判别二值化区域疑似病灶的可能性。
本发明优选实施例中,通过阈值计算模块得到的坐标限定值集合如下:
C={(191,110),(250,110),(250,224),(313,381]),(216,340),(131,382),(192,224)};
使用计算得到的坐标限定值集合对预处理后的影像图像确定RoI区域,本发明实施例中关于确定RoI区域的示例图如图3所示。
(4)多序列MRI的特征描述模块:
所述特征描述模块用于描述疑似病灶区域的外切矩形的长宽比大小、面积大小、与其关于脊椎带的对称区域及外切矩形区域的灰度值差异大小,特征描述值记为F。
本发明优选实施例中,疑似病灶区域的示例图如图4所示,经计算:三个疑似病灶区域的特征描述值分别为F1={0.9,90,5.1},F2={1.5,294,8.4},F3={1.14286,504,9.7}。
(5)阈值计算模块:使用专家预先标注的病例数据构建先验知识数据库,以统计平均的计算方式确定RoI区域的坐标限定值集合及病灶区域的长宽比阈值、面积阈值和灰度值差异阈值;阈值计算模块包括以下两个子模块:
1、构建大数据先验知识数据库子模块:
本发明实施例为提高多序列MRI多发性骨髓瘤病灶区域分割的准确性,建立一个由专家预先标定的多序列MRI先验知识数据库。为了进一步提高本发明实施例所述多序列MRI多发性骨髓瘤病灶区域分割的准确性,所述先验知识数据库的多序列MRI患者病例数≥200例,每例病例的影像组数≥10组,每组影像包括DWI、ADC、STIR、T1-水相和T1-脂相,共计五张影像图像。因此,所述专家预先标定的先验知识数据库包括影像图像≥10000张。作为具体优选实施例,所述先验知识数据库中包含有多发性骨髓瘤的阳性患者及阴性患者的数据。为了获得准确数据,所述先验知识数据库的获得采用手动标注的方式实现,进一步优选具有十年从业经验的影像科医生完成的全部病灶的手动分割结果,并对阳性病灶的特征进行提取。
2、阈值获取子模块:
为了获得准确的所述坐标限定值集合、长宽比阈值、面积阈值、灰度值差异阈值,对所述先验知识数据库中的RoI区域及阳性病灶区域,需要基于DWI、ADC、STIR、T1-水相和T1-脂相各特征值对RoI区域及病灶区域进行特征描述获得不同区域的特征描述向量。
对于在先验知识数据库中的坐标限定值集合、长宽比阈值、面积阈值、灰度值差异阈值通过统计平均得到阈值的方法,表述为公式为:
本发明优选实施例中,通过统计计算得到的各阈值如下:
C={(191,110),(250,110),(250,224),(313,381]),(216,340),(131,382),(192,224)},R=1,S=40,G=7。
(6)疑似病灶分割模块:
使用阈值计算模块处理后得到通过专家数据库得到RoI区域的坐标限定值集合,使用病灶区域的长宽比阈值、面积阈值、灰度值差异阈值及疑似病灶区域的特征向量对疑似病灶区域进行分割,可以得到分割图像,表述为公式为:
式中,所述Segment(xi)为分割后二值图像,所述Tall表示由先验知识数据库得到的长宽比阈值、面积阈值、灰度值差异阈值集合,即Tall={R,S,G}。所述F(xi)表示疑似病灶区域的长宽比值、面积值、灰度值差异值集合。当待分割图像疑似病灶区域的长宽比值、面积值、灰度值差异值分别大于各值相对应的阈值时,则表明该疑似病灶区域为阳性病灶区域,那么所述DWI像素值置为1;当待分割图像疑似病灶区域的长宽比值、面积值、灰度值差异值小于等于阈值时,则表明是阴性病灶区域,那么所述DWI像素值置为0。通过所述阈值分割,计算所述DWI像素值为1的区域,即可进行下一步的计算多发性骨髓瘤病灶区域的容积及可视化表征。
本发明优选实施例中,经计算比较,仅F2和F3符合阳性病灶的检出条件,因此本发明的优选实施例可检出两个阳性病灶区域,示例图如图5所示。
(7)输出模块:
所述多发性骨髓瘤病灶区域容积作为量化参量,对骨髓相关疾病严重性的评估具有重要意义。在得到骨髓病灶区域分割结果后,可统计DWI二值化图像的像素值为1的像素个数,并通过算法自动提取阳性病灶区域的容积大小即可得到骨髓病灶区域容积大小,表述为公式为:
式中,Np表示DWI的像素个数,Mp表示每个病例的多序列MRI的组数,bi(xj,yj)表示DWI的分割图像结果的像素值。
本发明优选实施例中,Np=204304,Mp=10。经计算,两个检出阳性病灶区域的容积大小V1=1204,V2=2187。
本发明优选实施例是基于多序列MRI多发性骨髓瘤病灶区域的分割系统,基于通过计算专家手工标注的先验知识数据库多发性骨髓瘤患者数据的方式来得到RoI区域的坐标限定值集合、疑似病灶区域的长宽比阈值、面积阈值、灰度值差异阈值,基于先验知识数据的阈值分割更有效于已有算法,且进一步提高了多序列MRI的多发性骨髓瘤病灶区域分割的准确性。
本发明所述实施例可通过PYTHON 3.7编程实现。本领域的普通技术人员可以理解所述实施例并以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例提供的基于多序列MRI多发性骨髓瘤病灶区域的分割系统,基于大数据先验知识数据库确定RoI区域的坐标限定值集合及疑似病灶区域的长宽比阈值、面积阈值、灰度值差异阈值,并依据获得的所述阈值对疑似病灶进行分割,具有下述优势:
首先,计算得到疑似病灶区域的长宽比值、面积值、灰度值差异值来描述所述多发性骨髓瘤病灶区域的特征,从而有效提升了多序列MRI中多发性骨髓瘤病灶区域特征描述的多样性。同时,所述坐标限定值集合、长宽比值、面积值、灰度值差异值的构建具有更强的灵活性及鲁棒性,从而显著提高了多序列MRI多发性骨髓瘤病灶区域分割的准确性,避免了现有聚类分割系统中初始随机化引起失败的风险。
其次,本发明基于多序列MRI多发性骨髓瘤病灶区域的分割系统,基于专家预先标定的先验知识数据库多发性骨髓肿瘤患者的数据通过手动标注的方式计算得到坐标限定值集合、长宽比值、面积值、灰度值差异值的阈值,基于先验知识的阈值分割更有效于已有算法,且进一步提高了对所述多发性骨髓瘤病灶区域进行分割的准确性。
最后,以上所述仅为本发明的较佳实施例而已,并不能限制本发明。对于本领域的技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种基于多序列MRI的多发性骨髓瘤病灶的分割系统,该系统包括如下模块:
输入模块:用于系统接收多序列MRI影像的输入;
预处理模块:用于对输入的多序列MRI进行图像去噪及自适应阈值的二值化处理;
所述的去噪处理包括:基于空间域滤波技术的算术均值滤波器,令Sxyz表示中心在点(x,y,z)处、大小为m*d*p的矩形子图像窗口的一组坐标,所述算术均值滤波器在Sxyz定义的区域中计算原始图像坐标(x,y,z)处的平均值为:
式中,所述f(x,y,z)为去噪后图像在点(x,y,z)处去噪后的值,g(r,s,t)表示属于区域Sxyz在点(r,s,t)处的原始图像值;
所述自适应阈值的二值化处理包括Wellner快速自适应二值化算法,该算法首先将二维图像各灰度值平铺为一维列表集合,记为P;算法原理用如下公式表示:
公式1中,Pk表示一维列表中第k个点的灰度值,fs(k)表示列表集合第k个点处前s个点的灰度值的和,其中,s为一个超参数;
公式2中,T(k)表示二值化结果图像,其中,t为一个超参数;该公式即表示T(k)等于1或0取决于Pk与其前s个像素平均值的(100-t)%的大小关系;
ROI选择模块:针对预处理后的多序列MRI,通过坐标限定方式完成关于疑似病灶区域的ROI区域选择;所述ROI选择模块包括:由专家标定的先验知识数据库统计计算得到七个既定坐标点的坐标限定值集合C,由所述坐标点的坐标限定值集合C完成疑似病灶ROI区域选择;
多序列MRI的特征描述模块:用于描述疑似病灶区域的外切矩形的长宽比大小、面积大小、与其关于脊椎带的对称区域及外切矩形区域的灰度值差异大小;所述多序列MRI的特征描述模块包括:描述疑似病灶区域的外切矩形的长宽比大小、描述疑似病灶区域的面积大小、描述疑似病灶区域与其关于脊椎带的对称区域及外切矩形区域的灰度值差异大小;
阈值计算模块:使用专家预先标注的病例数据构建先验知识数据库,以统计平均的计算方式确定RoI区域的坐标限定值集合、病灶区域的长宽比阈值、面积阈值和灰度值差异阈值;具体包括以下子模块:
构建大数据先验知识数据库子模块:利用具有专家预先手工标注的实际患者的阳性病例构建一个基于多序列MRI的先验知识数据库;所述多序列MRI包括DWI、ADC、STIR、T1-水相和T1-脂相;所述先验知识数据库的多序列MRI的病例数≥200例,每例病例超过10组多序列MRI,每一组多序列MRI包括DWI、ADC、STIR、T1-水相和T1-脂相五张影像图像,即所述大数据先验知识数据库包括影像数据超过10000张;
阈值获取子模块:基于所述预先构建的先验知识数据库中已确定的病灶区域进行阈值计算,并通过统计平均的方式来计算获得RoI区域的坐标限定值集合C,病灶区域的长宽比阈值R,面积阈值S,灰度值差异阈值G,记病灶区域的阈值集合Tall={R,S,G};
疑似病灶分割模块:基于所述阈值计算模块与多序列MRI的特征描述模块的计算结果对疑似病灶区域进行分割;
输出模块:用于对病灶完成容积统计与可视化表征输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910582883.4A CN110458859B (zh) | 2019-07-01 | 2019-07-01 | 一种基于多序列mri的多发性骨髓瘤病灶的分割系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910582883.4A CN110458859B (zh) | 2019-07-01 | 2019-07-01 | 一种基于多序列mri的多发性骨髓瘤病灶的分割系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110458859A CN110458859A (zh) | 2019-11-15 |
CN110458859B true CN110458859B (zh) | 2023-05-05 |
Family
ID=68481876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910582883.4A Active CN110458859B (zh) | 2019-07-01 | 2019-07-01 | 一种基于多序列mri的多发性骨髓瘤病灶的分割系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458859B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111481224B (zh) * | 2020-04-30 | 2023-05-09 | 中国医学科学院北京协和医院 | 一种骨/骨髓弥漫病变瘤负荷测量方法和系统 |
CN111563549B (zh) * | 2020-04-30 | 2023-07-28 | 广东工业大学 | 基于多任务进化算法的医学图像聚类方法 |
CN111583282B (zh) * | 2020-05-18 | 2024-04-23 | 联想(北京)有限公司 | 图像分割方法、装置、设备及存储介质 |
CN111815610B (zh) * | 2020-07-13 | 2023-09-12 | 广东工业大学 | 一种病变图像的病灶检测方法及装置 |
CN114581397A (zh) * | 2022-02-28 | 2022-06-03 | 广州医科大学附属肿瘤医院 | 造血活性骨髓识别方法、系统、装置及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488781B (zh) * | 2015-06-01 | 2019-04-30 | 深圳市第二人民医院 | 一种基于ct影像肝脏肿瘤病灶的分割方法 |
CN105225231B (zh) * | 2015-09-11 | 2017-11-10 | 浙江工商大学 | 基于病灶容积测量的mri自动图像分割方法 |
-
2019
- 2019-07-01 CN CN201910582883.4A patent/CN110458859B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110458859A (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458859B (zh) | 一种基于多序列mri的多发性骨髓瘤病灶的分割系统 | |
CN108010021B (zh) | 一种医学图像处理系统和方法 | |
US20230005140A1 (en) | Automated detection of tumors based on image processing | |
Abd-Elaziz et al. | Liver tumors segmentation from abdominal CT images using region growing and morphological processing | |
Bağci et al. | A graph-theoretic approach for segmentation of PET images | |
KR20230059799A (ko) | 병변 검출을 위해 공동 훈련을 이용하는 연결형 머신 러닝 모델 | |
Zanaty et al. | Medical image segmentation techniques: an overview | |
CN110706241B (zh) | 一种三维病灶区域提取方法和装置 | |
Kaushik et al. | Medical image segmentation using genetic algorithm | |
Borzooie et al. | Modified density-based data clustering for interactive liver segmentation | |
Edwin et al. | Liver and tumour segmentation from abdominal CT images using adaptive threshold method | |
CN117218200A (zh) | 一种基于精准识别的骨肿瘤病灶定位方法及装置 | |
Delmoral et al. | Segmentation of pathological liver tissue with dilated fully convolutional networks: A preliminary study | |
Benrabha et al. | Automatic ROI detection and classification of the achilles tendon ultrasound images | |
Kumar et al. | Automatic segmentation of lung lobes and fissures for surgical planning | |
Shaziya et al. | Comprehensive review of automatic lung segmentation techniques on pulmonary CT images | |
Sood et al. | A Survey of Segmentation Techniques for Medical Images | |
Anwar et al. | Segmentation of liver tumor for computer aided diagnosis | |
Abirami et al. | Kidney segmentation for finding its abnormalities in abdominal CT images | |
Prakash | Medical image processing methodology for liver tumour diagnosis | |
Kaftan et al. | Locally adaptive fuzzy pulmonary vessel segmentation in contrast enhanced CT data | |
Mamatha | Detection of Brain Tumor in MR images using hybrid Fuzzy C-mean clustering with graph cut segmentation technique | |
Anusionwu et al. | Pectoral Muscle Removal in Digital Mammograms Using Region Based Standard Otsu Technique | |
Gul et al. | On evaluating CT image enhancement techniques for deep learning based 3D liver segmentation | |
Hamza et al. | Adaptive Region Growing based on detecting the seed point in the central trachea to the pre-segment respiratory system |
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 |