CN110574036A - 一系列回波描记图像中的神经的检测 - Google Patents
一系列回波描记图像中的神经的检测 Download PDFInfo
- Publication number
- CN110574036A CN110574036A CN201780086072.4A CN201780086072A CN110574036A CN 110574036 A CN110574036 A CN 110574036A CN 201780086072 A CN201780086072 A CN 201780086072A CN 110574036 A CN110574036 A CN 110574036A
- Authority
- CN
- China
- Prior art keywords
- nerve
- image
- nerves
- model
- pixel
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/77—Determining position or orientation of objects or cameras using statistical methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30024—Cell structures in vitro; Tissue sections in vitro
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/14—Vascular patterns
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Radiology & Medical Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种用于检测一系列的回波描记图像中的神经的方法,包括:对于所述系列中的每个图像,‑在图像的各区域上生成概率图的步骤(E2),包括应用多个纹理描述符,以对每个像素生成确定像素对每个描述符的响应的向量,然后,根据概率模型推导每个像素属于神经的概率;‑对通过概率图确定的区段应用的分类步骤(E3),包括在这些区段上滑动的窗口中搜索与神经类型对应的模型,为窗口的每个位置分配置信度并且保留每个模型的最佳位置;然后,通过测量这些最佳位置在该系列中的图像集合上的稳定性来分析这些最佳位置的一致性,以选择具有最大一致性的窗口,该窗口与所检测的神经对应。
Description
技术领域
本发明涉及源自超声波扫描的数字图像的分析领域。更具体地,本发明涉及系列图像中的神经的自动检测,以有助于麻醉师工作。
背景技术
局部区域麻醉涉及将麻醉产品注入到患者的神经的附近。因此,麻醉师具有通过允许他们精确地定位神经而便于其工作的工具是重要的。为此,麻醉师具有允许他们实时观察所研究的患者的解剖区域的回波描记图像(echographic image)的设备。麻醉师能够扫描该区域,以找出神经并且确定用于放进麻醉产品的适合位置。
然而,即使对于有经验的麻醉师而言,检测回波描记图像中的神经也是一项艰难的任务。
因此,使麻醉师具有在他们的工作中辅助他们的自动化工具是所关心的。本发明提出了用于在源自超声波扫描的一系列图像中自动并且实时地检测神经的这样一种工具。
这样的工具必须能够处理包括了大量的噪声和与回波描记成像相关的诸多伪影的回波描记图像的本质。神经结构的变化性是指它们在图像上的外观也高度变化并且使得自动检测过程甚至更困难。
进一步地,由于麻醉师的工作的关键性,无论回波描记图像的质量多差,不管这是否涉及过度检测(over-detection)还是检测不足(under-detection),自动化方法都必须足够可靠地使得错误最小化。
因此,本发明的目的是提供一种用于自动检测的方法,自动检测的执行改进了现有的技术并且明显有助于麻醉师的工作。
发明内容
为此,本发明提出一种用于在一系列回波描记图像中检测神经的方法,包括:对于所述系列中的每个图像,
-在所述图像的区域(region)上生成概率图的步骤,包括应用多个纹理描述符,以针对所述区域中的每个像素生成确定所述像素对所述多个描述符中的每个描述符的响应的向量,然后,根据概率模型推导属于神经的每个像素的概率;
-在通过所述概率图确定的区段(zone)上应用的分类步骤,包括在所述区段上的滑动窗口中搜索均与一神经类型对应的模型,针对每个模型为所述窗口的每个位置分配置信度并且针对每个模型保留最佳位置,然后,通过测量这些最佳位置在所述系列的图像集合上的稳定性来分析这些最佳位置的一致性,以选择表现出最大一致性的窗口,所述窗口与所检测的神经对应。
根据优选实施方式,本发明包括能够单独或者部分或完全彼此结合使用的一个或多个下列特征:
-方法进一步包括:提取在所述窗口内检测的所述神经的轮廓的步骤;
-方法包括:用于在消除不能与神经对应的其他区域的同时产生所述区域的预处理步骤;
-所述预处理步骤包括:从所述图像中消除与皮肤对应的区段;
-所述预处理步骤包括:消除不与强回声组织对应的区段;
-所述概率模型是高斯混合模型;
-所述描述符基于伽柏(Gabor)滤波器;
-所述描述符是自适应中值二进制纹理描述符AMBP;
-在分类步骤中,通过分隔符宽边距方法(separators Wide Marginmethod)构建所述模型。
本发明的又一个目的涉及一种包括能够通过数字设备执行以实现之前描述的方法的代码的计算机程序。
在阅读通过实施例的方式并且参考所附附图而提供的本发明的优选实施方式的下列描述时,本发明的进一步特征与优点将变得显而易见。
附图说明
图1示意性地示出了根据本发明的一个实施方式的处理链。
图2示意性地示出了生成概率图的步骤的实施方式。
图3示意性地示出了根据本发明的一个实施方式的用于计算中值二进制纹理描述符的实施例。
图4示意性地示出了分类步骤的实施方式。
具体实施方式
实际上,麻醉师利用超声波探头对患者的身体的区域进行扫描,以识别神经并且确定其中待注射麻醉产品的区域。超声波设备在麻醉师或另一执业者(外科医生等)的控制下连续操作并且生成在监测器上实时显示的图像流(即,视频)。由此,基于麻醉师在监测器上看到的内容,能够从事由麻醉师执行的扫描。
根据本发明的方法基于获取回波描记图像的流作为输入并且供应该流上的神经的检测作为输出的处理链。
通常,该检测可包括在监测器上所显示的回波描记图像的流上将神经突出为曝光过度。例如,这种突出可包括包围所检测的神经或甚至精确地限定轮廓。其能够用彩色进行,以进一步有助于执业医生的任务。
因此,因为其必须在用于视觉化回波描记图像的监测器上被反映并且必须引导执业医生的动作,所以检测必须实时进行。
图1示出了根据本发明的处理链。
第一步骤E1可涉及对源自回波描记术获取的IMG图像执行预处理,该预处理旨在减少噪声的影响并且从图像中消除因为其不能包含神经而能够容易地被摒弃的特定区域,以减少处理链的后续步骤所作用于的数据量。
该第一步骤自身可包括对IMG流的每个图像应用的两个不同的处理操作:
根据作为目标的神经阻滞类型,能够采用的第一处理操作涉及提取强回声组织(hyperechogenic tissues)。在医学中,当在超声波扫描中出现特别的白色时,是指器官或强回声结构。这种白来自于超声波的较大反射。在回波描记图像中,神经显现为强回声和强回声结构,具有大体上圆或椭圆的形状,构成具有具体纹理的蜂窝结构的类型。对于若干神经类型(坐骨神经、正中神经、尺神经),该纹理往往具有强回声视觉外观。进一步地,提取强回声组织确保了选择可能包含神经的区段,同时摒弃非强回声的区段并且因此限制了后续处理的量。
为此,若干技术是可行的。技术的选择取决于各种因素,包括所使用的超声波探头的类型,这影响所生成图像的特征。
例如,在第一实例中,能够应用高斯滤波,以减少噪声,然后,能够应用k均值分割算法或自适应阈值,以将所处理的图像中的每个像素分类成两类中的一类:前景以及背景,前景与强回声区段对应。
后续能够对图像应用第二处理操作,以将由于更多“语义(semantic)”原因而要被丢弃的区段消除。具体地,当已处理的回波描记图像用于注射麻醉产品之目的时,其代表了必然接近皮肤的区域。然而,真皮或表皮具有与这些神经相似的强回声特征。因此,能够提取与表皮和真皮(即,皮肤)对应的区域是感兴趣的,以便于后续的处理操作并且避免神经与皮肤之间的任何模糊。
使用解剖学信息能够排除该皮肤区域:当然,已知在回波描记图像中,皮肤朝向图像的上边缘定位并且为若干毫米深(与约十个像素对应)。
由此,能够沿着图像的上边缘提取该区域,该区域与约十个像素高的条带对应。
由于该预处理减少检测错误以及减少后续处理操作所需的时间,该预处理使人感兴趣。
第二步骤E2涉及基于源自预处理的图像I1,即,仅将被分类成属于非排除“强回声”区域的像素视为属于皮肤区域,生成概率图。
该预处理E1确实减少了图像中不与神经对应的一些不必要的信息,但是,该预处理E1不能分离神经。
在该步骤E2中,使用了基于概率的方法,以建立指示可能与神经对应的区段的图。
为此,使用与神经对应的纹理特征。每种神经类型(正中神经、坐骨神经等)在回波描记图像上能够具有不同的纹理,但是,能够表现出一定程度的变化性,且这种变化性被超声波技术中固有的噪声进一步增强。
使用表现出良好性能水平和良好抗噪性的纹理描述符。由于每个神经类型能够在回波描记图像上表现出不同的方面,能够建立一组模型,每个模型与给定描述符相关联。
因此,如图2所示,将不同的描述符F1、F2、F3、...Fn应用于已处理图像I1(即,已经排除多个像素的图像)的每个像素,每个描述符分别提供表示所述像素与和给定神经类型相关联的纹理的隶属关系的响应。
每个滤波器的响应是分别为v1、v2、v3、...vn的数字值的向量。
因此,通过这些向量可以建立给定像素可属于或不属于神经的概率。
更具体地,描述符能够结合并且使用各种纹理表示技术:Gabor滤波器、小波、局部纹理(local motifs)、统计描述符等的优点。
Oussama Hadjerci,Adel Hafiane,Donatello Conte,Pascal Makris,PierreVieryres和Alain Delbos在Informatics in Medicine Unlocked 3,2016,pp.29-43中的文章“Computer-aided detection system for nerve identification usingultrasound images:a comparative study”建立了应用于神经检测的具体情况的许多可能描述符的比较表。
在这些描述符之中,能够从Pattern Recognition(ICPR),2014,22ndInternational Conference中的A.Hafiane,K.Palaniappan,G.Seetharamn的文章“Adaptive Median Binary Patterns for Texture Classification”具体引用自适应中值二进制纹理或AMBP描述符。
例如,还能够引用Gabor滤波器,但是,它能够与“MBP”类型纹理描述符相结合,下面对其更为具体地描述。
由于Gabor滤波器基于带通滤波,旨在减少已处理图像中的噪声的负面影响,Gabor滤波器备受关注。对于某些神经类型,其能够发挥有益的作用。然而,完全基于频率的方法不足以表征神经在图像中的印象,并且将由Gabor滤波器提供的频率分析与从纹理(图案)绘制的其他类型的信息相结合是更有益的。
基于局部二进制纹理或LBP的方法,允许改善纹理(具体地,神经纹理)的一般表征。T.Ojala,M.与T.在IEEE Trans.Pattern Analysis andMachine Intelligence,vol.24,no.7,pp.971-987,2002中的文章“Multiresolutiongray-scale and rotation invariant texture classification with local binarypatterns”中已经具体地描述了这些LBP。
计算LBP描述符的原理基于两个主要步骤:从特殊局部基本结构提取纹理基元(即,二进制纹理)或纹理元素(texel),然后,分析这些纹理基元的直方图的分布。
如W.Zhang,S.Shan,W.Gao,X.Chen和H.Zhang在IEEE InternationalConf.Computer Vision,pages 786-791,2005中的文章“Local Gabor binary-patternhistogram sequence(lgbphs):a novel non-statistical model for facerepresentation and recognition”中具体公开的,该方法能够与Gabor滤波器相组合。
该组合方法,自被称为“局部Gabor二进制纹理”LGBP以来,具有吸引人的性能水平,但是,由于大量的噪声,其不足以用于检测回波描记图像中的神经。
为了增加其噪声的鲁棒性,已经对LBP技术进行改进,以提供例如A.Hafiane,G.Seetharaman,K.Palanaiappan与B.Zavidovique在LectureNotes in Computer Science(ICIAR),vol.5112,pages 619-629,2008中的文章“Median binary pattern fortextures classification”中已经描述的MBP“中值二进制纹理”。
通过使用以当前像素为中心的邻域的中值将像素阈值化,在空间之间将图像的强度(像素的值)与局部二进制纹理匹配,来确定中值二进制纹理描述符MBP。利用中值的该阈值化将MBP描述符与LBP描述符进行区分,其中,关于中心像素的值执行阈值化。
图3示出了使用9个像素(3x3)的典型邻域计算MBP的实施例。中值τ是120。然后,邻域中的每个像素bk与该中值相比较并且通过二进制方式进行阈值化。能够通过二进制向量形式或标量形式考虑由此计算的值:
在该等式中,L是邻域的大小(在实施例中,L=9),bk是该邻域中像素k的值,τ是邻域的中值,并且因此,MBP(x,y)表示坐标x、y的像素的MBP描述符。
由此,(通过预处理步骤未分离的)图像中的每个像素与L位的值MBP(x,y)相匹配。
MBP能够与Gabor滤波器相结合,以产生新的表征技术:MGBP“中值Gabor二进制纹理”。
在第一实例中,为了确定位置像素(x,y)的MGBP描述符,利用每个Gabor滤波器的核对图像进行选卷。
通过下列表达式提供核:
其中:
x′=x cosφ+y sinφ
y′=-x sinφ+y cosφ
其中,φ、σ及f定义Gabor滤波器,且φ是滤波器的方向,σ是高斯包络的标准差,并且f是余弦波的频率。
因此,通过下列等式提供图像到Gabor滤波器的响应的大小z(x,y):
z(x,y)=|I(x,y)×g(x,y)|,
其中,I(x,y)表示已处理图像I中坐标(x,y)的像素的值,并且g(x,y)是Gabor滤波器位于坐标(x,y)的核的值。
因此,可以对Gabor滤波器的响应的空间应用MBP描述符的原理。通过使用上面提供的表达式(1),则获得下列等式:
其中,表示Gabor滤波器对坐标点(x,y)周围的L个邻居的邻域的响应的中值。
由此,对于图像中的每个像素并且对于每个Gabor滤波器,能够确定构成L位(通常为9位)的二进制数的MGBP描述符。
由此,获得每个像素的向量V(x,y),该向量由每个描述符或滤波器位于坐标(x,y)的不同值构成:
V(x,y)=[v1(x,y),v2(x,y),v3(x,y)...vn(x,y)]T,
其中,n是MGBP描述符的数目。
如之前陈述的,使用其他技术及其他纹理描述符能够获得该向量。
基于这些向量能够构建概率模型,模型允许像素与神经对应或不与神经对应的概率。该步骤的一个实施方式涉及使用高斯混合模型(GMM)。高斯混合模型是根据混合密度而表述的统计模型。其常常用于通过将随机变量建模为若干高斯的和(被称为核)而从参数上估计随机变量的分布。因此,这涉及确定每个高斯的方差、均值以及振幅。根据最大似然标准对这些参数进行优化,以尽可能密切地接近所期望分布。该技术适合于神经的区域的变化性。
需要学习阶段(learning phase)来构建该高斯混合模型并且计算其参数。经由期望最大化算法(EM)能够迭代地完成该程序。
一旦完成学习阶段,则能够使用所获得的模型计算每个像素与神经对应的概率。由此,将源自滤波器F1、F2、F3、...Fn的值v1、v2、v3、...vn作为概率计算模块MP的输入并且该步骤E2的结果是将已处理图像中的每个像素与属于神经的概率相关联的概率图I2。从该概率图中能够排除通过预处理步骤E1排除的区段或甚至能够在该图中自动分配零概率。
根据本发明,基于第二步骤E2的结果,即,基于概率图I2,随后触发第三步骤E3。
更具体地,该第三步骤涉及使用分类到由概率图确定的区段的算法找出神经。因此,搜索区明显被局限于图像中与概率图中的高值对应的区段,即,最可能与神经对应的区域。例如,概率图在其之上的区域能被转移至下一步骤E3进行处理的阈值可设定为70%或80%。
这明显地允许减少计算时间,而且也允许通过减少检测错误而改善整个过程的性能水平。
能够使用各种分类机制(或“分类器”)。这些分类机制具体能够基于允许基于学习集来确定模型的机器学习机制。随后,通过滑动窗口将新的概率图与该组模型相比较,允许确定所提交图像中的神经。
在用于形成模型和分类的机制中,能够使用若干机器学习技术。
例如,能够引用“深度学习”。该指定涵盖了依靠允许实现各种非线性变换的架构而尝试利用高层次的抽象对数据进行建模的一组机器学习方法。
深度学习技术覆盖了各技术家族,其中,能够引用机器学习和神经网络。
机器学习是在20世纪50年代出现的人工智能的子域。其覆盖了由可调整参数构成的系统,通常考虑向量值的形式,着眼于供应一系列数据值的期望输出作为输入。这种类型的学习表征为其基于之前处理的数据的知识自动调整其参数的能力。
总之,当应用于图像和本发明中的情形时,这些技术基于下列两个阶段:
-提取已处理图像的特征;
-提供与已处理图像相关联的类别的分类。
通常,分类器根据特征向量的分量的加权和确定类别。将阈值设置成使得输出可以根据之前的计算而被激活或不被激活。当将错误识别为输出时,该算法将对其内部参数进行重新调整,以改善后续的响应。因此,这被称为学习。
神经网络允许非线性分类并且因此尤其使线性分类器无能为力的非线性可分离类别得以解决。神经网络通常是形式神经元的连续层的架构。按照惯例,网络的第一层被称为输入层,网络的内层被称为隐藏层,并且最后层被称为输出层。连续层的神经元通过加权链路被连接并且权重允许传播和“处理”输入信号,以实现输出层上的分类结果。
通过学习,例如,通过反向传播错误,来计算权重。在每层中,神经元估计局部错误并且将错误梯度传递至前一层中。在每次迭代时,确定输出层上的总错误并且朝向较低层传播错误。例如,Yann Le Cun的文章中描述了这些机制。
通过分隔符宽边距方法(SVM)或“支持向量机”(SVM)提供另一实施例。这涉及旨在解决区分和回归问题的一组监督学习技术。SVM是线性分类器的一般化。SVM是在20世纪90年代基于Vladimir Vapnik关于统计学习理论的发展的理论考量:the Vapnik-Chervonenkis理论而发展的。
分隔符宽边距方法基于两个关键的理念:最大边距的概念与核函数的概念,这允许处理非线性区分问题并且将分类问题重构成二次最优化问题。
边距是分离边界与最近样本之间的距离。所述样本被称为支持向量。在SVM中,选择分离边界作为使边距最大化的边界。Vapnik-Chervonenkis理论(或统计学习理论)支持这种选择,该理论证明最大边距分离边界具有最小的容量。问题涉及从学习集中找出该最佳的分离边界。通过将问题公式化成存在已知算法的二次最优化问题而实现此目的。
为了能够处理其中数据不能线性分离的情况,SVM的第二关键理念是将输入数据的代表空间转变成更大的空间(可能具有无限的维度),其中,可能存在线性分离。这通过核函数来实现,核函数必须符合Mercer定理的条件并且具有不要求变换的显式知识应用于空间的变化的优点。核函数允许将较大空间中的点积(代价高的)转变成对函数的简单具体评估。
图4示意性地示出了根据一个实施方式的该步骤E3中的机制。
构成代表若干神经类型的图像的学习集400a、400b、400c。通常,由N个子集400a、400b、400c构成该集合,每个子集代表一给定的神经类型并且必须生成分别为402a、402b、402c的不同模型。
子集能够包括相当大量的样本,以允许通过学习系统进行一般化。该机制得到同一神经类型能够(具体地,根据患者、超声波探头的位置等)在回波描记图像上表现出不同的视觉方面的事实的支持。
根据一个实施方式,使用通过学习模块401实现的SVM技术、使用高斯核生成这些模型402a、402b、402c。
随后,为了检测神经,分类器420在图像410上使用滑动窗口,以将其内容与各个模型402a、402b、402c相比较。
对于滑动窗口的每个位置,计算从其内容至与这些模型中的每个模型对应的超平面的距离。该距离越大,与其分类相一致的置信度越大。对于每个模型,最终仅保留以最高置信度提供了作为神经的分类的窗口的位置。
滑动窗口覆盖整个概率图I2,使得在过程结束时,每个学习模型402a、402b、402c获得一个位置。
下一步骤430涉及在回波描记图像的流中使用时间信息分析这些位置的演变。如已经看到的,使用生成图像流的探头捕获超声波。在之前步骤中,处理操作集中在单个图像上。然而,使用时间信息并且因此考虑可获得图像流的事实,能够提高根据本发明的方法的精度和有效性。
在这种情况下的理念是分析对窗口(对于每个模型)随着时间的位置的检测的一致性:如果该位置随着时间保持稳定,则能够视为所检测位置是良好的并且能够为其分配高概率。相反,如果在窗口的位置的检测中观察到不一致性,则该检测必然由更弱的概率(或置信指数)进行阻碍。条件是麻醉扫描限于人体的区段。
能够使用多数表决原则:如果大多数窗口在位置上重叠至少50%(例如)并且在一段时间内保持稳定,则神经的位置视为是可靠的。该时间段构成当前时刻之前的时间窗口,基于当前时刻进行分析,当前时刻必须与导致执业医生拿起超声波探头的移动一致。
由此,该步骤允许摒弃不具有足够程度的时间相干性的已确定窗口。其还允许选择具有最高时间相干性的时间窗口。
各个实施方式可以将针对每个窗口确定的置信度与时间相干性相结合。例如,这能够涉及可分配不同的权重的概率的简单乘法(置信度x时间相干性)。然而,其他实施方式是可能的。
下一步骤E4涉及提取神经的轮廓。确定其中可找出神经的窗口,足以辅助执业医生的任务,但是,更精确地限定神经的轮廓是有利的。
神经的限定的数字处理仅明确应用于在之前步骤E3完成时已经检测到神经的窗口。因此,该数字处理可应用于有限量的数字数据。
能够使用各种技术在窗口内限定神经。
例如,能够引用具有非常快地破坏平均精度的优点的自适应阈值确定技术。
更具体地,能够引用活动轮廓技术。活动轮廓,通常也被称为“snakes(基于先验知识)”,是由沿着已处理图像的平面内的二维曲线分布的一系列可移动点形成的可变形动态模型。初始,曲线放置在限定待限定神经的窗口中。根据由进化方程控制的行为对曲线进行反复修改:曲线移动,反复迭代并且朝向神经的轮廓聚敛。
行为等式具有确定活动轮廓的行为的若干参数,诸如,其弹性、其对噪声的容差等。其基于演化算法试图最小化的内部和外部能量的概念定义轮廓的动态。约束条件允许以等距点保持平滑的曲线,同时保留轮廓的变形的可能性。内部能量与形态学和曲线的特征(曲率、长度等)对应。外部能量源自于已处理的图像并且能够由噪声、存在的对比边缘等引起。在本发明的实施方式的上下文中,在由步骤E3限定的区域中,对概率图应用活动轮廓,并且因此,这些是产生活动轮廓的外部能量的概率。
具体地,如A.Hafiane,P.Vieyres与A.Delbos在Computers in Biology andMedicine,volume 52,2014,pp.88-95中的文章“Phase-based probabilistic activecontour for nerve detections in ultrasound images for regional anesthesia”中所描述的,能够使用PGVF类型的(“Phase-based probabilistic active contour(基于阶段的概率活动轮廓)”)的技术。
当然,本发明并不局限于已经描述和描写的实施例和实施方式,而是包括本领域技术人员可获得的多种变形。
Claims (10)
1.一种用于在一系列的回波描记图像中检测神经的方法,包括:对于所述一系列中的每个图像:
-在所述图像的区域上生成概率图的步骤(E2),包括:应用多个纹理描述符,以对所述区域中的每个像素生成确定了所述像素针对所述多个描述符中的每个描述符的响应的向量,然后根据概率模型推断每个像素属于神经的概率;
-在由所述概率图确定的区段上应用的分类步骤(E3),包括:在所述区段上的滑动窗口中搜索均与神经类型对应的模型,针对每个模型向所述窗口的每个位置分配置信度并且针对每个模型保留最佳位置,然后通过测量这些最佳位置在所述一系列中的一图像集合上的稳定性来分析所述这些最佳位置的一致性以选择展现出最大一致性的窗口,所述窗口与所检测的神经对应。
2.根据前一权利要求所述的方法,进一步包括:提取在所述窗口内检测的所述神经的轮廓的步骤(E4)。
3.根据前述权利要求中任一项所述的方法,包括:用于通过消除与神经不能对应的其他区域来生成所述区域的预处理步骤(E1)。
4.根据前一权利要求所述的方法,其中,所述预处理步骤(E1)包括:从所述图像中消除与皮肤对应的区段。
5.根据权利要求3和4中任一项所述的方法,其中,所述预处理步骤包括:消除与强回声组织不对应的区段。
6.根据前述权利要求中任一项所述的方法,其中,所述概率模型是高斯混合模型。
7.根据前述权利要求中任一项所述的方法,其中,所述描述符基于伽柏滤波器。
8.根据权利要求1至7中任一项所述的方法,其中,所述描述符是自适应中值二进制纹理描述符AMBP。
9.根据前述权利要求中任一项所述的方法,其中,在所述分类步骤(E3)中,通过分隔符宽边距方法构建所述模型。
10.一种计算机程序,包括代码,所述代码能够由数字设备执行以用于实现根据前述权利要求中任一项所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1662238 | 2016-12-09 | ||
FR1662238A FR3060169B1 (fr) | 2016-12-09 | 2016-12-09 | Detection de nerfs dans une serie d'images echographiques |
PCT/FR2017/053457 WO2018104682A1 (fr) | 2016-12-09 | 2017-12-08 | Détection de nerfs dans une série d'images échographiques |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110574036A true CN110574036A (zh) | 2019-12-13 |
Family
ID=58992922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780086072.4A Pending CN110574036A (zh) | 2016-12-09 | 2017-12-08 | 一系列回波描记图像中的神经的检测 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20210327052A1 (zh) |
EP (1) | EP3552146B1 (zh) |
JP (1) | JP2020501289A (zh) |
CN (1) | CN110574036A (zh) |
FR (1) | FR3060169B1 (zh) |
WO (1) | WO2018104682A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113674373A (zh) * | 2021-07-02 | 2021-11-19 | 清华大学 | 基于深度学习的真实感人脸渲染方法与装置 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7277536B2 (ja) * | 2018-08-14 | 2023-05-19 | キヤノン株式会社 | 画像処理装置、画像処理方法、及びプログラム |
JP7134017B2 (ja) | 2018-08-14 | 2022-09-09 | キヤノン株式会社 | 画像処理装置、画像処理方法、及びプログラム |
JP2022172565A (ja) | 2021-05-06 | 2022-11-17 | コニカミノルタ株式会社 | 超音波画像診断装置、識別器変更方法および識別器変更プログラム |
CN114118367B (zh) * | 2021-11-16 | 2024-03-29 | 上海脉衍人工智能科技有限公司 | 增量式神经辐射场构建的方法及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008104453A1 (fr) * | 2007-02-16 | 2008-09-04 | Commissariat A L'energie Atomique | Procède de reconnaissance et de localisation automatique d'entités dans des images numériques |
CN102438529A (zh) * | 2008-12-22 | 2012-05-02 | 美的派特恩公司 | 自动检测医学图像中的病变的方法和系统 |
-
2016
- 2016-12-09 FR FR1662238A patent/FR3060169B1/fr active Active
-
2017
- 2017-12-08 EP EP17821977.0A patent/EP3552146B1/fr active Active
- 2017-12-08 US US16/467,807 patent/US20210327052A1/en not_active Abandoned
- 2017-12-08 CN CN201780086072.4A patent/CN110574036A/zh active Pending
- 2017-12-08 WO PCT/FR2017/053457 patent/WO2018104682A1/fr unknown
- 2017-12-08 JP JP2019551755A patent/JP2020501289A/ja active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008104453A1 (fr) * | 2007-02-16 | 2008-09-04 | Commissariat A L'energie Atomique | Procède de reconnaissance et de localisation automatique d'entités dans des images numériques |
CN102438529A (zh) * | 2008-12-22 | 2012-05-02 | 美的派特恩公司 | 自动检测医学图像中的病变的方法和系统 |
Non-Patent Citations (5)
Title |
---|
ADEL HAFIANE 等: "Adaptive Median Binary Patterns for Texture Classification", 《INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION》 * |
ADEL HAFIANE 等: "Phase-based probabilistic active contour for nerve detection in ultrasound images for regional anesthesia", 《COMPUTERS IN BIOLOGY AND MEDICINE》 * |
OUSSAMA HADJERCI 等: "Computer-aided detection system for nerve identification using ultrasound images: A comparative study", 《INFORMATICS IN MEDICINE UNLOCKED》 * |
OUSSAMA HADJERCI 等: "Nerve Detection in Ultrasound Images Using Median Gabor Binary Pattern", 《INTERNATIONAL CONFERENCE IMAGE ANALYSIS AND RECOGNITION》 * |
OUSSAMA HADJERCI 等: "Nerve Localization by Machine Learning Framework with New Feature Selection Algorithm", 《INTERNATIONAL CONFERENCE ON IMAGE ANALYSIS AND PROCESSING》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113674373A (zh) * | 2021-07-02 | 2021-11-19 | 清华大学 | 基于深度学习的真实感人脸渲染方法与装置 |
CN113674373B (zh) * | 2021-07-02 | 2024-04-26 | 清华大学 | 基于深度学习的真实感人脸渲染方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3552146B1 (fr) | 2021-02-10 |
US20210327052A1 (en) | 2021-10-21 |
WO2018104682A1 (fr) | 2018-06-14 |
EP3552146A1 (fr) | 2019-10-16 |
JP2020501289A (ja) | 2020-01-16 |
FR3060169B1 (fr) | 2019-05-17 |
FR3060169A1 (fr) | 2018-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Seeja et al. | Deep learning based skin lesion segmentation and classification of melanoma using support vector machine (SVM) | |
Moghaddasi et al. | Automatic assessment of mitral regurgitation severity based on extensive textural features on 2D echocardiography videos | |
Umer et al. | Iris recognition using multiscale morphologic features | |
CN110574036A (zh) | 一系列回波描记图像中的神经的检测 | |
Puhan et al. | Efficient segmentation technique for noisy frontal view iris images using Fourier spectral density | |
Zaeri | Minutiae-based fingerprint extraction and recognition | |
Bezerra et al. | Robust iris segmentation based on fully convolutional networks and generative adversarial networks | |
Sabri et al. | Skin cancer diagnosis using an improved ensemble machine learning model | |
Lakshmi et al. | Automated detection and segmentation of brain tumor using genetic algorithm | |
Salam et al. | Diagnosing of dermoscopic images using machine learning approaches for melanoma detection | |
Dhanashree et al. | Fingernail analysis for early detection and diagnosis of diseases using machine learning techniques | |
Bachay et al. | Hybrid Deep Learning Model Based on Autoencoder and CNN for Palmprint Authentication. | |
Sulthana et al. | A novel end-to-end deep convolutional neural network based skin lesion classification framework | |
Bansal et al. | FAR and FRR based analysis of iris recognition system | |
Meng et al. | Pneumonia diagnosis on chest X-rays with machine learning | |
Mishne et al. | Multiscale anomaly detection using diffusion maps and saliency score | |
Shanthi et al. | Survey on Detection of Melanoma Skin Cancer Using Image Processing and Machine Learning | |
Choudhary et al. | A Statistical Approach for Iris Recognition Using K-NN Classifier | |
Bhagat et al. | Iris recognition using radon transform and GLCM | |
Abdulbaqi et al. | Biometrics detection and recognition based-on geometrical features extraction | |
Srinivasan et al. | Frequency based gait gender identification | |
Patil et al. | Automatic blood vessels segmentation & extraction in fundus images for identification | |
Nayebi et al. | Dorsal Hand Veins Based Biometric Identification System Using Deep Learning | |
Mahmoodian et al. | Higher order statistical analysis for thyroid texture classification and segmentation in 2d ultrasound images | |
Jaison | Gender identification system for crime scence analysis using fingerprints |
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: 20191213 |