CN110782434A - 一种脑结核mri图像病灶智能标记定位装置 - Google Patents
一种脑结核mri图像病灶智能标记定位装置 Download PDFInfo
- Publication number
- CN110782434A CN110782434A CN201910987212.6A CN201910987212A CN110782434A CN 110782434 A CN110782434 A CN 110782434A CN 201910987212 A CN201910987212 A CN 201910987212A CN 110782434 A CN110782434 A CN 110782434A
- Authority
- CN
- China
- Prior art keywords
- image
- tuberculosis
- module
- focus
- brain
- 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.)
- Granted
Links
- 201000008827 tuberculosis Diseases 0.000 title claims abstract description 64
- 210000004556 brain Anatomy 0.000 title claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000007917 intracranial administration Methods 0.000 claims abstract description 17
- 238000012706 support-vector machine Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000002490 cerebral effect Effects 0.000 claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 210000001519 tissue Anatomy 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 14
- 230000003902 lesion Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000000926 neurological effect Effects 0.000 claims description 3
- 210000003625 skull Anatomy 0.000 claims description 3
- 210000004872 soft tissue Anatomy 0.000 claims description 3
- 210000005154 hemibrain Anatomy 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 206010027259 Meningitis tuberculous Diseases 0.000 description 2
- 210000005013 brain tissue Anatomy 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 210000002418 meninge Anatomy 0.000 description 2
- 208000001223 meningeal tuberculosis Diseases 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000193830 Bacillus <bacterium> Species 0.000 description 1
- 206010019233 Headaches Diseases 0.000 description 1
- 206010061218 Inflammation Diseases 0.000 description 1
- 206010028813 Nausea Diseases 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 231100000869 headache Toxicity 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 231100000861 limb weakness Toxicity 0.000 description 1
- 208000027905 limb weakness Diseases 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000008693 nausea Effects 0.000 description 1
- 230000001613 neoplastic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 230000002485 urinary effect Effects 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/38—Registration of image sequences
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/64—Analysis of geometric attributes of convexity or concavity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/68—Analysis of geometric attributes of symmetry
-
- 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
- G06T2207/30016—Brain
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种脑结核MRI图像病灶智能标记定位装置，包括预处理模块、空间标准化处理模块、颅内脑外组织分割模块、对称性分析处理模块、阈值化处理模块、显著性特征提取模块、支持向量机训练模块、病灶标记定位模块；其中，显著性特征提取模块，用于逐个统计每个轮廓的不同特征包括周长、面积、凸包长、边矩率、等效直径、离心率、方向夹角这七个显著性特征，将它们作为判定指标输入到支持向量机中进行训练；支持向量机训练模块，用于对脑结核MRI图像的病灶轮廓区域特征进行分类，从而对图像中的脑结核病灶像素进行标记定位生成遮罩；病灶标记定位模块，用于将标记轮廓遮罩与原图像进行点乘运算从而标记定位得到脑结核病灶。
Description
技术领域
本发明涉及图像处理领域，具体来说是一种对脑结核MRI图像病灶进行智能标记定位的装置。
背景技术
脑结核是由结核杆菌血行播散至脑膜及脑组织所引起的特异性炎症，常常继发于肺部、骨或泌尿系统等的结合感染，一般多发生在脑膜上，会累及血管和脑实质，具有严重并发症和高死亡率，患者多有头痛、恶心、肢体无力等表现，若不及早发现治疗，易引发后遗症，造成残疾。
目前，根据临床影像学特点将脑结核按照结核发病部位可以分成脑膜结核、脑实质结核和混合型颅内结核，它们在MRI诊断上的影像表现会因MRI图像类型、扫描时期等因素引起差异性，需花费大量时间去研究不同图像类型上的影像表现才能对脑结核类型加以定论，降低了诊断效率。
另外，结核瘤和结核结节在颅内表现多样，与其他肿瘤性病变鉴别存在困难，并且颅内结核多发生于我国西部及经济欠发达地区，放射科受人员及MRI设备条件限制，存在图像分辨力差等缺点，对图像识别存在困难。因此急需一种脑结核病灶智能标记定位装置对脑结核进行智能快速标记定位，提高脑结核病灶的检测速度。
发明内容
本发明提出了一种脑结核病灶智能标记定位装置，能够快速分割出具体的病灶。本发明通过如下技术方案进行实施：
一种脑结核MRI图像病灶智能标记定位装置，包括预处理模块、空间标准化处理模块、颅内脑外组织分割模块、对称性分析处理模块、阈值化处理模块、显著性特征提取模块、支持向量机训练模块、病灶标记定位模块，其中，
预处理模块，用于对MRI图像进行高斯滤波去噪、去除背景伪影、图像归一化操作，将MRI图像的不同序列间的图像进行双线性插值从而保持图像尺寸的一致；
空间标准化处理模块，用于对预处理后的MRI图像进行空间标准化，选取MontrealNeurological Institute(MNI)空间的T1序列模板作为参考标准，将MRI轴位T1增强序列图像进行相应的空间变换，所得的图像变换参数再应用于其余的MRI脑结核序列图像从而实现空间标准化，在对图像分区配准时采用三次B样条插值进行嵌入；
颅内脑外组织分割模块，用于将空间标准化后的MRI脑图像进行颅内脑外组织的分割去除，使用基于FSL_BET算法对头骨和脑外软组织进行分割剔除，便于后续图像的差分运算；
对称性分析模块，将经过颅内脑外组织分割后的MRI脑结核图像依据脑部图像对称结构信息寻找脑部中心坐标和基于左右半脑的对称轴并进行相互差分运算；
阈值化处理模块，用于对两幅子差分图像分别进行大津二值化处理，再用二维零均值离散高斯核进行开运算去除细小轮廓；
显著性特征提取模块，用于逐个统计每个轮廓的不同特征包括周长、面积、凸包长、边矩率、等效直径、离心率、方向夹角这七个显著性特征，将它们作为判定指标输入到支持向量机中进行训练；
支持向量机训练模块，用于对脑结核MRI图像的病灶轮廓区域特征进行分类，用先验脑结核样本训练支持向量机分类器进而完成参数识别，将已经训练好的分类器模型应用到待测试的脑结核MRI图像集中，从而对图像中的脑结核病灶像素进行标记定位生成遮罩；
病灶标记定位模块，用于将标记轮廓遮罩与原图像进行点乘运算从而标记定位得到脑结核病灶。
优选地，在对图像分区配准时采用三次B样条插值进行嵌入的步骤如下：
a)选取型值点：将插值后的坐标转换成插值前的坐标，即
其中m为图像放大倍数，然后取周边的16个点，按所得坐标值往上下左右各延伸2个单位；
b)在平面上根据型值点的选择确定坐标(u,v)：若型值点在4×4矩阵中的下标为(i,j)，则得
若型值点最小为(preX,preY)，则由插值后图像中的像素点(X,Y)得
c)解方程：利用已有的型值点和已确定的(u,v)用求逆矩阵方法反推出16个控制点；
d)由16个控制点和对应的(u,v)得到最终的像素值并赋予对应的位置。
对称性分析模块的执行步骤如下：
提取出图像中的人脑区域并通过Canny边缘检测算子提取人脑区域外轮廓曲线C，依据下列公式计算出人脑区域的中心坐标(r0,c0)：
其中Peri为外轮廓曲线C的长度，此处视为外轮廓曲线C的像素个数，(xi,yi)为外轮廓曲线C上的像素坐标值；将人脑区域拟合成椭圆，则把人脑左右半脑对称轴拟合成椭圆长轴，此时的对称轴偏离图像垂直Y轴方向的夹角θ由下式得到：
其中Mpq表示(p+q)阶中心矩，且p,q＝0,1,2；
此时，得左右半脑对称轴；
利用所得对称轴提取出左半脑图像I1(I1x,I1y)和右半脑图像I2(I2x,I2y)，再把两幅图像中的像素沿对称轴根据如下公式计算得到子图像I'1(I'1x,I'1y)和I'2(I'2x,I'2y)：
其中(r0,c0)为人脑区域的中心坐标，再得到两幅子差分图像Ic1(x,y)和Ic2(x,y)。
附图说明
图1是本发明脑结核病灶智能分割方法的流程图；
图2(a)(b)分别是一例脑结核患者经过空间标准化和颅内脑外组织分割后的脑部MRI图像；
图3(a)(b)分别是另一例脑结核患者经过空间标准化和颅内脑外组织分割后的脑部MRI图像；
图4是脑部对称性结构示意图；
图5是一例脑结核患者MRI图像病灶标记定位结果图；
图6是另一例脑结核患者MRI图像病灶标记定位结果图；
图7是本发明装置模块结构图。
具体实施方式
为了对本发明进行详细阐述，现结合附图实施案例对本发明的具体实施过程作进一步描述分析，从而突出本发明相较于常规人眼查验医学影像的优势。将从影像研究所采集的脑结核MRI影像按照影像类型、拍摄时间进行分类整理，本发明提供了一种针对脑结核MRI图像病灶快速智能标记定位装置，其实施流程图如图1所示，具体步骤包括：
步骤1：MRI脑结核图像预处理模块
对MRI脑结核图像进行高斯滤波去噪、去除背景伪影、图像归一化等操作，本例脑结核图像层厚为6.0mm，层间距为7.8mm，分辨率为512*512，采样频率为1.5，重复时间TR为1900ms，回波时间TE为19ms，根据公式I′(i,j)＝(I(i,j)-min)×(255/(max-min))将其灰度值范围归一化到人眼可分辨的灰度范围0-255内，其中矩阵I表示原始MRI图像，灰度值范围是(min,max)，I'为其灰度归一化后的图像。同时为了后续的空间标准化的便利性，将MRI图像的不同序列间的图像进行双线性插值从而保持图像尺寸的一致。
步骤2：图像空间标准化处理模块
对预处理后的MRI图像进行空间标准化，经过空间标准化后不同样本间的相同序列的脑图像均具有相同的解剖结构，能够将不同研究样本在同一个标准坐标系下进行比较，在成组水平上对体素逐个分析。接着选取Montreal Neurological Institute(MNI)空间的轴位T1序列模板作为参考标准，将MRI轴位T1增强序列图像进行相应的空间变换，所得的图像变换参数再应用于其余的MRI脑结核序列图像从而实现空间标准化，在对图像分区配准时采用三次B样条插值进行嵌入，由于三次B样条函数在灵活性和计算速度上能够进行合理的折中，与其它次数的样条插值相比在模拟任意形状时更加灵活，三次B样条曲面具体计算公式为：
其中B样条特征矩阵包含了16个网格点的角点信息，接下来就需要在双线性插值图像的基础上进行三次B样条插值从而确定每一个像素点的灰度值，具体步骤如下：
a)选取型值点。将插值后的坐标转换成插值前的坐标，即
(其中m为图像放大倍数)，然后取周边的16个点，按所得坐标值往上下左右各延伸2个单位；
b)确定(u,v)。在平面上根据型值点的选择确定坐标(u,v)，若型值点在4×4矩阵中的下标为(i,j)，则可得
若型值点最小为(preX,preY)，则由插值后图像中的像素点(X,Y)可得
c)解方程。由式(1)中看出，可以利用已有的型值点和已确定的(u,v)用求逆矩阵方法反推出16个控制点；
d)由16个控制点和对应的(u,v)得到最终的像素值并赋予对应的位置。
如图2(a)所示是本例脑结核患者经过空间标准化分区配准后的脑部MRI图像，图3(a)是另一位脑结核患者经过空间标准化分区配准后的图像。
步骤3：颅内脑外组织分割去除模块
将空间标准化后的MRI脑图像进行颅内脑外组织的分割去除，使用基于FSL_BET算法对头骨和脑外软组织进行分割剔除，以便于后续图像的差分算法。如图2(b)所示是本例脑结核患者经过颅内脑外组织分割后的脑部MRI图像，本例脑结核患者的MRI图像在进行脑外组织分割时设置图像密度阈值为0.4，图3(b)是另一位脑结核患者进行脑外组织分割后的图像。
步骤4：对称性分析处理模块
将经过颅内脑外组织分割后的MRI脑结核图像依据脑部图像对称结构信息寻找脑部中心坐标和基于左右半脑的对称轴并进行相互差分运算，如图4所示是该方法的简单示意图，具体方法是首先提取出图像中的人脑区域并通过Canny边缘检测算子提取人脑区域外轮廓曲线C，此时可以依据公式(2)和(3)计算出人脑区域的中心坐标(r0,c0)：
其中Peri为外轮廓曲线C的长度，此处可视为外轮廓曲线C的像素个数，(xi,yi)为外轮廓曲线C上的像素坐标值。将人脑区域拟合成椭圆，则可把人脑左右半脑对称轴拟合成椭圆长轴，此时的对称轴偏离图像垂直Y轴方向的夹角θ可通过计算公式(4)得到：
其中Mpq表示(p+q)阶中心矩，且p,q＝0,1,2，具体表达式为：
此时，可得左右半脑对称轴如式(6)所示：
y＝tan(θ)(x-r0)+c0 \*MERGEFORMAT(6)
接着利用所得对称轴提取出左半脑图像I1(I1x,I1y)和右半脑图像I2(I2x,I2y)，再把两幅图像中的像素沿对称轴根据公式(7)得到子图像I'1(I'1x,I'1y)和I'2(I'2x,I'2y)：
其中(r0,c0)为人脑区域的中心坐标，再根据公式(8)和(9)得到两幅子差分图像Ic1(x,y)和Ic2(x,y)：
Ic1(x,y)＝|I'2(I'2x,I'2y)-I1(I1x,I1y)| \*MERGEFORMAT(8)
Ic2(x,y)＝|I'1(I'1x,I'1y)-I2(I2x,I2y)| \*MERGEFORMAT(9)
步骤5：阈值化处理模块
对两幅子差分图像分别进行大津二值化处理，具体方法是在图像的灰度直方图双峰间找到一个合适的阈值，该阈值使得同一类加权方差最小。使用二维零均值离散高斯核进行开运算去除细小轮廓，本例脑结核患者所用高斯核为标准差为1.0的整数高斯核。
步骤6：显著性特征提取模块
逐个统计每个轮廓的不同特征包括周长、面积、凸包长、边矩率、等效直径、离心率、方向夹角、固性、点廓最短距离共九个特征，其中每个特征定义如下表所示：
表1轮廓特征定义
将上述九个特征向量分别进行假设检验筛选出显著性特征，采用两个正态总体双侧t检验法，取显著性检验水平α＝0.05，通过计算统计量
其中
和
分别是两样本均值，和
分别是两样本方差，n1和n2分别是两样本容量，具体轮廓区域特征如下表：
表2脑结核病灶轮廓与非病灶轮廓区域具体特征值
经过双侧假设检验确定周长、面积、凸包长、边矩率、等效直径、离心率、方向夹角这七个特征具有显著性，将它们作为判定指标输入到支持向量机中进行训练。
步骤7：支持向量机训练分类器
采用支持向量机技术对脑结核MRI图像的病灶轮廓区域特征进行分类，用先验60例典型脑结核样本训练支持向量机分类器进而完成参数识别，特征分别为轮廓周长、面积、凸包长、边矩率、等效直径、离心率、方向夹角共七个特征，制作出符合支持向量机格式的标签样本，将分类器的训练集中的脑结核病灶轮廓样本标签置为1，非病灶轮廓样本标签置为0，设计并训练基于拓扑形态学特征的支持向量机分类器，给定超平面方程wTx+b＝0，选取径向基函数作为核函数，采用网格搜索法调节正则化参数C和核函数参数gamma，根据每次模型的表现，选取合适的步长，当确定大致范围后，再细化搜索区间。为了提高分类结果，使用粒子群算法(PSO)对参数进行优化。在本申请实施例中，选定正则化参数C＝40及核函数参数gamma＝3，其中支持向量的系数显示如下表：
表3支持向量决策函数的系数值
此时SVM模型评分Score＝0.92，准确率Accuracy＝0.92，精度Precision＝0.91，召回率Recall＝0.98，得到最终的脑结核病灶检测分类模型。将已经训练好的分类器模型应用到待测试的脑结核MRI图像集中，从而对图像中的脑结核病灶像素进行标记定位生成遮罩。
病灶标记定位模块
将标记轮廓遮罩与原图像进行点乘运算标记定位得到脑结核病灶，如图5所示为本例脑结核患者MRI图像病灶标记定位结果图，图6是另一位脑结核患者MRI图像病灶标记定位结果图。
Claims (3)
1.一种脑结核MRI图像病灶智能标记定位装置，包括预处理模块、空间标准化处理模块、颅内脑外组织分割模块、对称性分析处理模块、阈值化处理模块、显著性特征提取模块、支持向量机训练模块、病灶标记定位模块，其中，
预处理模块，用于对MRI图像进行高斯滤波去噪、去除背景伪影、图像归一化操作，将MRI图像的不同序列间的图像进行双线性插值从而保持图像尺寸的一致；
空间标准化处理模块，用于对预处理后的MRI图像进行空间标准化，选取MontrealNeurological Institute(MNI)空间的T1序列模板作为参考标准，将MRI轴位T1增强序列图像进行相应的空间变换，所得的图像变换参数再应用于其余的MRI脑结核序列图像从而实现空间标准化，在对图像分区配准时采用三次B样条插值进行嵌入；
颅内脑外组织分割模块，用于将空间标准化后的MRI脑图像进行颅内脑外组织的分割去除，使用基于FSL_BET算法对头骨和脑外软组织进行分割剔除，便于后续图像的差分运算；
对称性分析模块，将经过颅内脑外组织分割后的MRI脑结核图像依据脑部图像对称结构信息寻找脑部中心坐标和基于左右半脑的对称轴并进行相互差分运算；
阈值化处理模块，用于对两幅子差分图像分别进行大津二值化处理，再用二维零均值离散高斯核进行开运算去除细小轮廓；
显著性特征提取模块，用于逐个统计每个轮廓的不同特征包括周长、面积、凸包长、边矩率、等效直径、离心率、方向夹角这七个显著性特征，将它们作为判定指标输入到支持向量机中进行训练；
支持向量机训练模块，用于对脑结核MRI图像的病灶轮廓区域特征进行分类，用先验脑结核样本训练支持向量机分类器进而完成参数识别，将已经训练好的分类器模型应用到待测试的脑结核MRI图像集中，从而对图像中的脑结核病灶像素进行标记定位生成遮罩；
病灶标记定位模块，用于将标记轮廓遮罩与原图像进行点乘运算从而标记定位得到脑结核病灶。
2.根据权利要求1所述的脑结核病灶标记定位装置，其特征在于：在对图像分区配准时采用三次B样条插值进行嵌入的步骤如下：
a)选取型值点：将插值后的坐标转换成插值前的坐标，即
其中m为图像放大倍数，然后取周边的16个点，按所得坐标值往上下左右各延伸2个单位；
b)在平面上根据型值点的选择确定坐标(u,v)：若型值点在4×4矩阵中的下标为(i,j)，则得
若型值点最小为(preX,preY)，则由插值后图像中的像素点(X,Y)得
c)解方程：利用已有的型值点和已确定的(u,v)用求逆矩阵方法反推出16个控制点；
d)由16个控制点和对应的(u,v)得到最终的像素值并赋予对应的位置。
3.根据权利要求1-2所述的脑结核病灶标记定位装置，其特征在于：对称性分析模块的执行步骤如下：
提取出图像中的人脑区域并通过Canny边缘检测算子提取人脑区域外轮廓曲线C，依据下列公式计算出人脑区域的中心坐标(r0,c0)：
其中Peri为外轮廓曲线C的长度，此处视为外轮廓曲线C的像素个数，(xi,yi)为外轮廓曲线C上的像素坐标值；将人脑区域拟合成椭圆，则把人脑左右半脑对称轴拟合成椭圆长轴，此时的对称轴偏离图像垂直Y轴方向的夹角θ由下式得到：
其中Mpq表示(p+q)阶中心矩，且p,q＝0,1,2；
此时，得左右半脑对称轴；
利用所得对称轴提取出左半脑图像I1(I1x,I1y)和右半脑图像I2(I2x,I2y)，再把两幅图像中的像素沿对称轴根据如下公式计算得到子图像I′1(I′1x,I′1y)和I′2(I′2x,I′2y)：
其中(r0,c0)为人脑区域的中心坐标，再得到两幅子差分图像Ic1(x,y)和Ic2(x,y)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910987212.6A CN110782434B (zh) | 2019-10-17 | 2019-10-17 | 一种脑结核mri图像病灶智能标记定位装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910987212.6A CN110782434B (zh) | 2019-10-17 | 2019-10-17 | 一种脑结核mri图像病灶智能标记定位装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110782434A true CN110782434A (zh) | 2020-02-11 |
| CN110782434B CN110782434B (zh) | 2023-09-01 |
Family
ID=69385849
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910987212.6A Active CN110782434B (zh) | 2019-10-17 | 2019-10-17 | 一种脑结核mri图像病灶智能标记定位装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110782434B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111931772A (zh) * | 2020-09-18 | 2020-11-13 | 平安科技（深圳）有限公司 | 医学图像处理方法、装置、设备及存储介质 |
| CN112037141A (zh) * | 2020-08-13 | 2020-12-04 | 上海东软医疗科技有限公司 | 图像去噪方法、装置、存储介质及电子设备 |
| CN113269711A (zh) * | 2021-04-06 | 2021-08-17 | 东北大学 | 脑图像的处理方法及装置、电子设备和存储介质 |
| CN113313690A (zh) * | 2021-05-31 | 2021-08-27 | 齐鲁工业大学 | 一种皮革纤维mct序列切片图像的同根区域智能检测方法 |
| CN114418984A (zh) * | 2022-01-14 | 2022-04-29 | 汕头市超声仪器研究所股份有限公司 | 一种基于超声的人体组织对称性检测分析方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007079207A2 (en) * | 2005-12-30 | 2007-07-12 | Yeda Research & Development Co. Ltd. | An integrated segmentation and classification approach applied to medical applications analysis |
| CN105184799A (zh) * | 2015-09-18 | 2015-12-23 | 浙江工商大学 | 一种改进的无监督脑部肿瘤mri图像分割方法 |
| CN106778005A (zh) * | 2016-12-27 | 2017-05-31 | 中南民族大学 | 基于多参数mri的前列腺癌计算机辅助检测方法及系统 |
-
2019
- 2019-10-17 CN CN201910987212.6A patent/CN110782434B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2007079207A2 (en) * | 2005-12-30 | 2007-07-12 | Yeda Research & Development Co. Ltd. | An integrated segmentation and classification approach applied to medical applications analysis |
| CN105184799A (zh) * | 2015-09-18 | 2015-12-23 | 浙江工商大学 | 一种改进的无监督脑部肿瘤mri图像分割方法 |
| CN106778005A (zh) * | 2016-12-27 | 2017-05-31 | 中南民族大学 | 基于多参数mri的前列腺癌计算机辅助检测方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 韩高飞;: "CT影像特征在高血压脑出血患者预后评估中的应用研究" * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112037141A (zh) * | 2020-08-13 | 2020-12-04 | 上海东软医疗科技有限公司 | 图像去噪方法、装置、存储介质及电子设备 |
| CN111931772A (zh) * | 2020-09-18 | 2020-11-13 | 平安科技（深圳）有限公司 | 医学图像处理方法、装置、设备及存储介质 |
| CN113269711A (zh) * | 2021-04-06 | 2021-08-17 | 东北大学 | 脑图像的处理方法及装置、电子设备和存储介质 |
| CN113269711B (zh) * | 2021-04-06 | 2024-01-09 | 东北大学 | 脑图像的处理方法及装置、电子设备和存储介质 |
| CN113313690A (zh) * | 2021-05-31 | 2021-08-27 | 齐鲁工业大学 | 一种皮革纤维mct序列切片图像的同根区域智能检测方法 |
| CN114418984A (zh) * | 2022-01-14 | 2022-04-29 | 汕头市超声仪器研究所股份有限公司 | 一种基于超声的人体组织对称性检测分析方法 |
| WO2023133929A1 (zh) * | 2022-01-14 | 2023-07-20 | 汕头市超声仪器研究所股份有限公司 | 一种基于超声的人体组织对称性检测分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110782434B (zh) | 2023-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110782434B (zh) | 一种脑结核mri图像病灶智能标记定位装置 | |
| Dubey et al. | Evaluation of three methods for MRI brain tumor segmentation | |
| Koh et al. | An automatic segmentation method of the spinal canal from clinical MR images based on an attention model and an active contour model | |
| Hiremath et al. | Follicle detection in ultrasound images of ovaries using active contours method | |
| Chang et al. | 3-D snake for US in margin evaluation for malignant breast tumor excision using mammotome | |
| CN110956634A (zh) | 一种基于深度学习的脑微出血自动检测方法及系统 | |
| CN111681230A (zh) | 脑白质高信号评分系统及其评分方法 | |
| van den Elsen et al. | Image fusion using geometrical features | |
| Maitra et al. | A novel edge detection algorithm for digital mammogram | |
| Qasem et al. | A Learning Based Brain Tumor Detection System. | |
| Kumar et al. | Detection of tumor in liver using image segmentation and registration technique | |
| Alam et al. | Evaluation of medical image registration techniques based on nature and domain of the transformation | |
| Yin et al. | Automatic breast tissue segmentation in MRIs with morphology snake and deep denoiser training via extended Stein’s unbiased risk estimator | |
| CN109816665B (zh) | 一种光学相干断层扫描图像的快速分割方法及装置 | |
| Thomas et al. | An automated kidney tumour detection technique from computer tomography images | |
| Durgadevi et al. | A Methodological Investigation for fetal brain MRI Segmentation Techniques-Analysis | |
| CN114862799B (zh) | 一种用于flair-mri序列的全自动脑体积分割方法 | |
| Saha et al. | Tensor scale-based image registration | |
| Muthu et al. | Morphological operations in medical image pre-processing | |
| Chetty et al. | A survey on brain tumor extraction approach from MRI images using image processing | |
| Zhan et al. | Registering histological and MR images of prostate for image-based cancer detection | |
| CN108921860B (zh) | 一种前列腺磁共振图像全自动分割方法 | |
| Guzmán et al. | Slice correspondence estimation using SURF descriptors and context-based search for prostate whole-mount histology MRI registration | |
| Abdallah | Segmentation of Brain Stroke Lesions using Marker-based Algorithms in CT images | |
| Kharb et al. | A review on skull stripping techniques of brain MRI 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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Sun Jinglai Inventor after: Mao Jiayong Inventor after: Wang Huiquan Inventor after: Yu Xuyao Inventor after: Guo Lingfei Inventor after: Gao Fei Inventor after: Yu Hui Inventor before: Yu Hui Inventor before: Mao Jiayong Inventor before: Wang Huiquan Inventor before: Yu Xuyao Inventor before: Guo Lingfei Inventor before: Gao Fei Inventor before: Sun Jinglai |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |