CN111008976B

CN111008976B - Pet图像的筛选方法和装置

Info

Publication number: CN111008976B
Application number: CN201911211384.0A
Authority: CN
Inventors: 吴嘉; 杨韪菀; 崔润曦; 陈志刚; 刘佳琦
Original assignee: Central South University
Current assignee: Central South University
Priority date: 2019-12-02
Filing date: 2019-12-02
Publication date: 2023-04-07
Anticipated expiration: 2039-12-02
Also published as: CN111008976A

Abstract

本发明公开了一种PET图像的筛选方法和装置，所述方法包括：对于每张PET图像，使用差分激活滤波器确定该PET图像的像素的激活信号，进而计算该PET图像中像素的激活信c号的最大池化的值；将激活信号的最大池化的值大于零的PET图像，筛选为包含病变图像的PET图像。应用本发明可以对包含病变区域的图像进行筛选，帮助医生诊断以减少医生工作量。

Description

PET图像的筛选方法和装置

技术领域

本发明涉及图像处理技术领域，特别是指一种PET图像的筛选方法和装置。

背景技术

在癌症诊断的过程中，因为患者可能无法提前确定病变的具体位置，而一个全身的PET(正电子发射断层成像)扫描将会产生多达640张图像。对于医生来说，筛选出关键的PET图像通常需要很长的时间，而且有时仅仅一些相关的关键图像可用。

因此，有必要提供一种可以对包含病变区域的图像进行筛选的算法，帮助医生诊断以减少医生工作量。

发明内容

有鉴于此，本发明的目的在于提出一种PET图像的筛选方法和装置，可以对包含病变区域的图像进行筛选，帮助医生诊断以减少医生工作量。

基于上述目的，本发明提供一种PET图像的筛选方法，包括：

对于每张PET图像，使用差分激活滤波器确定该PET图像的像素的激活信号，进而计算该PET图像中像素的激活信号的最大池化的值；

将激活信号的最大池化的值大于零的PET图像，筛选为包含病变图像的PET图像。

其中，所述使用差分激活滤波器确定该PET图像的像素点的激活信号，具体包括：

根据如下公式一计算所述PET图像的像素点的激活信号A(x,y)：

公式一中，A(x,y)为所述PET图像中坐标为(x,y)的像素点的激活信号，N(x,y)为所述PET图像中中心坐标为(x,y)的视野窗口，g_i为N(x,y)中第i个像素的灰度值，S为所述视野窗口的边长，T是设定在范围[0-255]内的示踪剂浓度阈值；tanh为激活功能函数。

较佳地，在所述将激活信号的最大池化大于零的PET图像，筛选为包含病变图像的PET图像后，还包括：对筛选为包含病变的PET图像进行降噪处理：

对筛选出的PET图像，进行广义Anscombe变化转化为有单位方差的高斯噪声的信号f(x)，进而使用高斯降噪算法获得去噪的信号D(x)；

使用神经网络反演处理信号D(x)的逆变化方法，获得降噪处理后的图像；其中，所述神经网络是预先训练得到的。

其中，所述神经网络是根据如下方法预先训练得到的：

将训练集中的PET图像的信号应用方差稳定性变换，转化为具有单位方差的高斯噪声的信号；

将转化得到的具有单位方差的高斯噪声的信号，使用高斯降噪算法去噪后，获得去噪信号；

将获得的去噪信号，作为所述神经网络的输入；

将验证集中对应的PET图像的信号作为所述神经网络的预输出，用以训练所述神经网络；

其中，所述验证集中的PET图像的生成方法为：基于随机矩阵M得到验证集中的一个PET图像的图像信号；所述训练集中PET图像的生成方法为：对验证集中PET图像的图像信号加入泊松噪声，得到噪声污染了的图像信号，作为训练集中对应的PET图像。

较佳地，在所述将激活信号的最大池化大于零的PET图像，筛选为包含病变图像的PET图像后，还包括：

对筛选出的PET图像进行图像分割和病灶分割。

其中，所述对筛选出的PET图像进行图像分割和病灶分割，具体包括：

计算所述PET图像的每个像素的密度；

对所述PET图像进行基于密度峰值的聚类中心选择；

根据选择的聚类中心，进行集群聚类，并删除团簇光晕；

将具有相交边缘的集群融合为一个集群后，每个集群形成一个病变区域。

本发明还提供一种PET图像的筛选装置，包括：

差分激活处理模块，用于对于每张PET图像，使用差分激活滤波器确定该PET图像的像素的激活信号，进而计算该PET图像中像素的激活信号的最大池化；

筛选模块，用于将激活信号的最大池化大于零的PET图像，筛选为包含病变图像的PET图像。

进一步，所述装置还包括：

图像降噪处理模块，用于对筛选为包含病变的PET图像进行降噪处理。

进一步，所述装置还包括：

图像区域分割模块，用于对筛选出的PET图像进行图像分割和病灶分割。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如上所述的PET图像的筛选方法。

本发明的技术方案中，对于每张PET图像，使用差分激活滤波器确定该PET图像的像素的激活信号，进而计算该PET图像中像素的激活信号的最大池化；将激活信号的最大池化大于零的PET图像，筛选为包含病变图像的PET图像。这样，有助于为医生筛选出示踪剂浓度高的图像，即包含病变图像的PET图像让医生察看，以避免医生需要对几百张PET图像一一察看，从而减少医生工作量；而且，试验证明，使用差分激活滤波器对PET图像进行筛选可以取得很高的准确性。

进一步，本发明的技术方案中，筛选出包含病变图像的PET图像后，还可对筛选出的PET图像，进行广义Anscombe变化转化为有单位方差的高斯噪声的信号f(x)，进而使用高斯降噪算法获得去噪的信号D(x)；使用神经网络反演处理信号D(x)的逆变化方法，获得降噪处理后的图像。使用神经网络反演处理信号D(x)的逆变化方法，相比于现有的反演逆变化方法，可以进一步提高图像降噪性能。

进一步，本发明的技术方案中，还可针对筛选出的PET图像，或针对降噪后的PET图像进行图像分割和病灶分割；具体地，对PET图像进行基于密度峰值的聚类中心选择后，根据选择的聚类中心，进行集群聚类；而得到的集群则为分割出的病变区域；从而更进一步帮助医生快速识别、诊断出PET图像中的病变区域。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种PET图像的筛选方法流程图；

图2为本发明实施例提供的一种对筛选出的PET图像进行降噪处理的方法流程图；

图3为本发明实施例提供的一种神经网络的结构示意图；

图4为本发明实施例提供的一种对筛选出的PET图像进行图像分割和病灶分割的方法流程图；

图5a、5b、5c、5d、5e、5f分别为本发明实施例提供的一种PET图像、PET图像的密度、PET图像删除低密度像素、PET图像集群聚类后、PET图像删除团簇光晕后、将PET图像具有相交边缘的集群融合后的示意图；

图6为本发明实施例提供的一种判断聚类中心的方法流程图；

图7为本发明实施例提供的一种神经网络的训练方法流程图；

图8为本发明实施例提供的一种对神经网络进行训练的方法流程图；

图9、10均为本发明实施例提供的使用差分激活滤波器对PET图像进行筛选的实验结果的示意图；

图11为本发明实施例提供的基于神经网络反演处理信号的逆变化方法进行图像降噪的评估结果示意图；

图12、13为本发明实施例提供的基于神经网络反演处理信号的逆变化方法进行图像降噪后的PET图像的示意图；

图14为本发明实施例提供的基于密度峰值的聚类方法进行PET图像的分割以及分区的示意图；

图15为本发明实施例提供的由医生手动标记出包含病变区域的PET图像的示意图；

图16为本发明实施例提供的基于密度峰值的聚类方法进行PET图像的分割以及分区的性能评估结果示意图；

图17为本发明实施例提供的一种PET图像的筛选装置的内部结构框图；

图18为本发明实施例提供的一种电子设备硬件结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

需要说明的是，除非另外定义，本发明实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

本发明的发明人考虑到，正电子发射计算机断层显像通常通过测量包括正电子发射体标记的葡萄糖(18F-FDG)、胺、酸胆碱、胸腺嘧啶和血液显像剂的放射性示踪剂的分布和浓度来量化肿瘤；通常显示出示踪剂浓度高的图像有可能是病变区域。而在实际应用中，本发明的发明人发现，对于病患多达几百张的PET图像中，只有一部分图像显示出示踪剂浓度高的图像，也就是说，只有一部分图像中可能有病变区域。

因此，本发明的技术方案中，对于每张PET图像，使用差分激活滤波器确定该PET图像的像素的激活信号，进而计算该PET图像中像素的激活信号的最大池化；将激活信号的最大池化大于零的PET图像，筛选为包含病变图像的PET图像。这样，有助于为医生筛选出示踪剂浓度高的图像，即包含病变图像的PET图像让医生察看，以避免医生需要对几百张PET图像一一察看，从而减少医生工作量。

下面结合附图详细说明本发明实施例的技术方案。

本发明实施例提供的一种PET图像的筛选方法，具体流程如图1所示，包括如下步骤：

步骤S101：使用差分激活滤波器对PET图像进行筛选，筛选出包含病变图像的PET图像。

在癌症诊断过程中，患者全身PET扫描将会产生多达640张图像，这样对于医生来说筛选出关键的PET图像进行诊断需要大量时间，因此，本步骤中，使用差分激活滤波器对PET图像进行筛选，以筛选出包含病变的图像，从而减少医生诊断工作量。

具体地，根据如下公式一计算所述PET图像的像素的激活信号：

公式一中，A(x,y)为所述PET图像中坐标为(x,y)的像素点的激活信号，N(x,y)为所述PET图像中中心坐标为(x,y)的视野窗口，g_i为N(x,y)中第i个像素的灰度值，S为所述视野窗口的边长，T是设定在范围[0-255]内的示踪剂浓度阈值；tanh为激活功能函数，所述激活功能函数通过将差分信号转化为值的范围为(0-1)的激活信号，通过计算在所述视野窗口中的平均值来获得A(x,y)的最终值；激活功能函数表达式具体如公式二所示：

若计算的所述PET图像中最大的激活信号小于等于0，则判断该PET图像不包含病变图像；否则，判断该PET图像中包含病变图像，可以通过后续的步骤做进一步处理。

具体地，可以根据如下公式三的计算结果，判断PET图像是否包含病变图像：

公式三中，Pet_j表示第j个PET图像的判断结果，True表示判断结果为包含病变图像，False表示判断结果为不包含病变图像，MaxPool(A_j)表示第j个PET图像中像素的激活信号的最大池化的值，即像素的激活信号的最大值。

步骤S102：对筛选出的PET图像进行降噪处理。

本步骤中，对筛选出的PET图像进行降噪处理的方法流程，如图2所示，可以包括如下子步骤：

子步骤S201：对筛选出的PET图像，进行广义Anscombe(安斯科姆)变化转化为有单位方差的高斯噪声的信号f(x)，进而使用高斯降噪算法获得去噪的信号D(x)。

具体地，在正电子发射计算机断层显像(PET)中通过将辐射信号转化为数字信号来形成图像，这些信号不可避免地受到相关信号噪声的影响。为了尽可能减少噪声对PET图像分割的影响，PET图像的去噪已经引起了很大的关注。在最近的研究中，这些噪声的模型为高斯-泊松噪声。广义Anscombe变化可以用于泊松-高斯噪声的方差稳定性变换，如下公式四所示：

公式四中x是PET图像的像素值，α是泊松噪声的规模，μ和σ分别是高斯噪声的均值和方差。

广义Anscombe变化将含有泊松-高斯噪声的原始的PET图像转化为有单位方差的高斯噪声的信号f(x)后，通过为f(x)使用高斯降噪算法获得去噪的信号D(x)。

子步骤S202：通过反变换将去噪的信号D(x)转化为最终的去噪图像。

在现有技术中，通过方差稳定性变换的反变换可以将去噪的信号D(x)转化为最终的去噪图像。以往的研究表明，在低强度图像中，不合理的反变换是影响图像降噪性能的主要因素。为了改善由于代数反演以及渐进无偏差反演引起的误差，精确无偏差反演被提出。考虑到信号D(x)的噪声有时不能完美被处理，假设E{f(x)}是f(x)的完美加工，错误的产生可以表达为如下公式五：

ε²＝E{(D-E{f(x)})²} (公式五)

当分布D-E{f(x)}是单峰，则可以使用最大似然反演去逆转换信号D(x)。

更优地，本发明提出了一种新的使用神经网络反演处理信号D(x)的逆变化方法，获得降噪处理后的图像，从而提高图像降噪性能。该神经网络是预先训练得到的，其结构可以如图3所示，包括4层结构，各层神经元的个数分别为30、100、300、100。

将上述得到的去噪的信号D(x)输入到预先训练得到的神经网络中，则该神经网络的输出即为最终的去噪图像。该神经网络的训练方法将在后续进行详细介绍。

步骤S103：对筛选出的PET图像进行图像分割和病灶分割。

本步骤中，对筛选出的PET图像进行图像分割和病灶分割的具体方法的流程如图4所示，包括如下子步骤：

子步骤S401：计算所述PET图像的每个像素的密度；

首先进行密度计算，由于之前使用的基于密度的聚类算法在计算PET图像中每个像素的密度方面存在如计算复杂性高、参考鲁棒性不足等局限性。因此，本发明中根据PET成像原理计算密度。借助癌组织快速生长以及强大的新陈代谢特征，18F-FDG示踪剂集中在病变区域，对绝对病变区域的像素矩阵如公式六定义：

公式六中，

是矩阵中的通道数，p是像素值。对于灰度的PET图像，

p＝0，表示其绝对病变区域。n的值决定是否考虑到像素场。当n＝1，当前像素仅在计算密度时具有重要性；当n>1时，像素的密度通过其所在领域进行计算。对于PET图像中位置为(x,y)的像素，

用于表示该像素的领域，此领域与绝对病变区域大小相同；通过

与定义的绝对病变区域的像素矩阵中对应点相减，获得位置为(x,y)的像素的定义密度。具体地，该像素的密度可以通过以下公式七计算定义：

公式七中，Max、Min分别表示灰度图像中的灰度极大值、灰度极小值。例如，如图5a所示的PET图像，计算得到的该PET图像的每个像素的密度的图示如图5b所示。

为了最小化具有相同密度的像素点的碰撞，可以向每个密度值添加一个最小随机值，如公式八所示：

Ds(x，y)′＝Ds(x，y)+r，r＜10^-3 (公式八)

因为随机值r＜＜Ds(x，y)，对密度的影响可以忽略。定义密度的时间复杂度为O(n)。

子步骤S402：对所述PET图像进行基于密度峰值的聚类中心选择。

在进行密度计算之后，将进行基于密度峰值的聚类中心选择。根据密度峰值方法，若一个元素为聚类中心，则该元素必须具有高密度而且远离其他聚类中心。为了确定像素是否为聚类中心，我们首先将定义密度Ds′转换至一个列表中，然后可以将每个像素对应的定义密度的表示为

可以通过公式九的计算来修减集群元素来提高算法性能：

公式九中，

是与像素值p_t对应的定义密度阈值。在灰度PET图像中，像素值p_t略大于上述的T值。公式九用于过滤像素，因为在PET图像中，病变区域只占小部分，空白背景占大部分。为了降低算法复杂度，我们设置阈值

当像素密度小于

表示其不是病变区域，删除此点；当像素密度大于

表示该像素很有可能是病变区域。显然，通过公式九可以删除一些不是病变区域的像素点以减少了算法的复杂度。删除元素之后的定义密度列表可以被表示为ρ_i，

其结果示例如图5c所示。

为ρ的降序序列，降序序列

中元素的序号下标j和ρ中该元素的序号下标i的相关关系可以用函数j＝S(i)来表示。相对i₀处元素的距离的值δ_i可由如下公式十计算，其中i₀为ρ中定义密度最大的元素的下标。

公式十中，dist(i，i₀)表示ρ中下标为i的元素所对应的像素与ρ中下标为i₀的元素所对应的像素在PET图像中的空间距离。

作为聚类中心的点要满足更大的ρ和更大的δ这两个条件；因此，可以通过以下公式十一计算γ_i：

γ_i＝ρ_i·δ_i (公式十一)

通过公式十一的计算，可以得到序列γ；聚类中心可以通过估计γ的拐点来决定。然而，在之前的研究中，聚类中心不能精确的被计算。因此，本发明提出一个计算聚类中心的新的方法。为了更加简单的解释我们的方法，我们首先定义两个概念：聚类中心的数量C小于实际病变区域的数目N的分割不足，以及聚类中心的数量C大于实际病变区域的数目N的过度分割。因为在PET图像中病变之间的形状以及方向有很大差别，所以很难确保聚类中心的数量等于病变区域的数量。对于过度分割，我们可以通过边缘融合来解决这个问题。因此，为了准确地进行分割和划分，有必要确保C≥N。

子步骤S403：根据选择的聚类中心，进行集群聚类，并删除团簇光晕。

在确定了聚类中心后，将根据以下规则评估剩余像素组，即原像素组中去掉已被判断为聚类中心的点的集合。对于剩余像素组中的像素点k，计算该像素点与所有密度比像素点k高的像素点的距离。这样与k距离最小的点将会与点k处于同一个分组中。最终，同一个分组的像素点聚类一个集群，从而得到j₀个集群U^j，j＝1...j₀。在每一个集群中，聚类中心是其中最密集的元素，集群聚类后的示例如图5d所示。

先前的研究已经表明，在集群中高密度的点为聚类中心，在边缘的低密度点是团簇光晕。通常认为团簇光晕是要消除的噪声。在PET图像中，团簇光晕等同于病变周围的晕团。因此，我们需要删除团簇光晕并且确定病变的最终范围。首先，PET图像函数I(x,y)的梯度模量G(x,y)的计算如公式十二所示：

根据团簇中心的密度重新标记集群U^j，使得U¹团簇中心的密度高于其他团簇中心。为了确保团簇光晕的阈值t_halo具有足够的鲁棒性，通过选择梯度模量为聚类的前5％的像素来构建一套新的集群记为

其中t_halo的计算如公式十三所示：

公式十三中，

是

中元素的数目。

表示

由于过度分区，某些密度较小的聚类可能整体上是团簇光晕。U¹具有最高密度的聚类中心；因此，U¹不可能是团簇光晕。对于其他集群U^j，j＞1的团簇光晕的阈值

与

之间的关系由值为[0，0.2]的系数α来调整。最后，在集群U^j中密度小于

的像素点是团簇光晕。删除团簇光晕后示例如图5e所示。

子步骤S404：融合过度划分区域的边缘。

在删除团簇光晕后，有必要融合过度划分区域的边缘。边缘融合的原理是，当一个像素与其他集群中的像素在相邻范围内出现时，则两个集群边缘相交。如图5f所示，将具有相交边缘的集群融合成一个集群后最终形成一个病变区域；也就是说，将具有相交边缘的集群融合为一个集群后，每个集群形成一个病变区域。

上述子步骤S402中提到的判断聚类中心的具体方法流程，如图6所示，包括如下步骤：

步骤S601：对γ进行降序排序得到

降序序列

中元素的序号下标j和γ中该元素的序号下标i的相关关系可以用函数表达为i＝Or(j)，j＝1...N。N为γ的元素的总数。

步骤S602：计算平均值

步骤S603：从j₁等于N至其等于1循环，若满足

则将j₁＝j₁-1后，退出循环；其中，α_jump是设定的一个介于0.8至1的值；

步骤S604：将j₂等于1至其等于N循环，若

则将j₂＝j₂-1后，退出循环；

步骤S605：取j₀＝max(j₁，j₂)+b，其中b为设定的一个整数，且其大于等于1并小于等于2；

步骤S606：将j从1取值至j₀，通过公式i＝Or(j)获得对应的i的值。这样在原序列γ中，序列号为i的元素对应的像素点为聚类中心。

上述的神经网络的训练方法流程，如图7所示，包括如下步骤：

步骤S701：生成训练集和验证集中的PET图像。

本步骤中，验证集中的每个PET图像的生成方法为：基于随机矩阵M得到验证集中的一个PET图像的图像信号I_o；

进而，训练集中PET图像的生成方法为：对验证集中PET图像的图像信号I_o加入泊松噪声，得到噪声污染了的图像信号I_p，作为训练集中对应的PET图像。

定义行列数与PET图像的行列数一致的随机矩阵M，矩阵M中每个值都是从0到255的整数，如公式十四所示：

M作为图像信号I_o。泊松噪声n_poisson～P(λ)被添加到I_o以至得到噪声污染了的图像信号I_p，如公式十五所示：

I_p＝I_o+_npoisson (公式十五)

步骤S702：使用训练集和验证集中的PET图像的信号对神经网络进行训练。

本步骤中，对神经网络进行训练的过程，如图8所示，包括如下子步骤：

子步骤S801：将训练集中的PET图像的信号I_p应用方差稳定性变换，使得I_p转化为具有单位方差的高斯噪声的信号。

本子步骤中，对I_p可以应用上述公式四进行广义Anscombe变化转化为有单位方差的高斯噪声的信号。考虑到添加的噪声为纯高斯噪声，因此公式四中的α＝1，σ＝0，μ＝0。

子步骤S802：将子步骤S801转化得到的具有单位方差的高斯噪声的信号，使用BM3D(高斯降噪算法)去噪后，可以获得较佳的去噪信号。

子步骤S803：将子步骤S802获得的去噪信号，作为所述神经网络的输入；

子步骤S804：将验证集中对应的PET图像的信号作为所述神经网络的预输出，用以训练所述神经网络。

具体地，该神经网络的正向传输公式如公式十六所示：

公式十六中，

是第i次神经网络的输出，Wⁱ，bⁱ分别是神经网络的权重和偏差值，S是激活函数。我们建议隐藏层使用Relu作为激活函数，以及输出层使用Tanb作为激活函数，网络的损失函数如公式十七所示：

公式十七中，通过损失函数J(W，b)的向后传播来计算变化率，并且最终通过梯度下降法来更新神经网络的权重和偏差值；C表示经过神经网络的训练样本总数，I_j代表第j次输入的图像信号；

表示第j次神经网络的输出。

需要说明的是，本发明实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本发明实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

为了评估本发明提出的PET图像的筛选方法的有效性，使用了来自中南大学第二附属医院的101张PET和CT扫描图像。这些图像的分辨率是481×421。这些图像在使用前已经脱敏，为了评估降噪算法的性能，将医生的主观观点用于评估降噪图像。因此，为了有效的定量评估去噪算法的性能，将其与最近的工作进行了比较。在实验的这一部分，使用了这些虽然不是PET图像中的数据但是在图像处理的过程中常用的数据集。

对于上述步骤S101中提到的使用差分激活滤波器对PET图像进行筛选的方法，此处使用误差矩阵和机会一致性卡帕统计去评估该方法的性能。卡帕系数是根据真阳性(TP)，真阴性(TN)，假阳性(FP)，假阴性(FN)的实验结果计算得出的。卡帕系数值越高，则分割越精确。当预筛出的图像和医生同时确认包含高浓度区域的PET图像时记录为真阳性，当预筛出的图像和医生同时确认不包含高浓度区域的PET图像时记录为真阴性。当预筛选确认包含高浓度区域的PET图像而医生不确定时记录为假阳性，当预筛选确认不包含高浓度区域的PET图像的数量而医生不同意这个结果是记录为假阴性。整体误差OE＝FN+FP以及分类精度CA＝(TP+TN)/(TP+TN+FP+FN)被计算。去噪算法的性能通过归一化均方误差和峰值信噪比进行评估。在PET的图像分割中，通常使用骰子相似系数和豪斯多夫距离进行评估分割结果。

为了便于比较，实验中要求医生简单地标记是否所有PET图像都包含病变区域。我们通过改变上述公式一中T的值来计算卡帕系数，最终的实验结果如图9所示。

在灰度PET图像中病变多以低强度像素点显示；因此，当阈值T接近255时，差分激活过滤器能够将更多的“边界”病例识别为包含病变的图像。在讨论边界图像之前，我们将评估图9的实验结果。随着阈值T的增加，FP整体呈现上升的趋势，FN逐渐减少。当T＝120时，使用差分激活滤波器对PET图像进行筛选的算法取得了有很高准确性和KC系数的结果。在图9中的实验数据展示了使用差分激活滤波器的预筛选算法的有效性。

边界图像的标记受医生主观因素的影响；因此，不能保证正确性。例如，由于附近高浓度示踪剂的影响，相邻病变的PET扫描图像也会产生伪影。因此，医生无法清楚地定义边界图像。鉴于这种情况，我们需要考虑PET图像在临床实践中的应用。与明显显示病变的图像相比，边界图像不是医生诊断的基础。而且，边界图像不是单独形成的。考虑到医生的建议和以往的工作结果，我们认为差分激活滤波器的主要作用是筛选出可用于诊断的PET图像。我们要求医生重新标记实验图像，同时保留诊断图像和正常图像。新的实验结果显示在图10中。对于诊断图像，使用差分激活滤波器对PET图像进行筛选的算法非常准确，参数T具有健壮性。

对于上述步骤S102的图像降噪的评估结果在图11中给出，除了Camera外，NNswas的反演在归一化均方误差和峰值信噪比中都优于EUinversion，神经网络反演是一个不需要计算图像积分的矩阵结构，它有利于高性能并行设备的计算，如图形处理单元。

在第二组实验中，本发明的降噪算法被用于实际的PET图像，如图12，图13所示。由于PET图像包含固有的噪声，因此峰值信噪比和归一化均方误差不适合用于评估实验2的结果。参考最近的工作，我们邀请了两位来自PET中心的医生和一位数据图像处理研究人员去评估人工降噪的结果。他们一致认为，与原始图像相比，降噪后的图像的噪声明显下降，有利于图像的观察以及诊断。当然，这些结果受观察者的主观因素影响。考虑到实验1和2的结果，我们认为广义Anscombe变化和神经网络反演可以结合，产生具有更高信噪比和相比以前错误更少的去噪图像。神经网络反演不依赖噪声分布而且易于设计及使用。

如图14所示，将上述步骤S103的定义密度的聚类方法用于对降噪图像的分割以及分区。在下一个实验中，我们计算了PET图像分割以及病灶分割的结果。为了更有效地评估分割算法地性能，我们要求医生手动标记出包含病变区域的PET图像的部分作为参考图像，如图15所示。尽管手动分割具有很高的主观性而且这将导致其轮廓不是很精准，不太可能重复，然而这种方法依然是评估医学图像分割问题的最先进的方法。

为了更有效地评估定义密度的聚类算法在PET图像分割地性能，将其与应用于PET图像分割的AP以及FCM算法进行比较。此外，我们添加了已经被用于图像分割SOM聚类算法，以骰子相似系数(DSC)以及豪斯多夫距离(HD)为评估指标，DSC和HD为均值，将该算法分割地结果与参考图像进行了比较。更好地分割结果应该具有更高的DSC以及更低的HD。最后的实验结果如图16所示。考虑到手动分割的结果受医生的主观判断的影响，因此我们在这不考虑算法之间的比较。然而，定义密度聚类算法具有93.401％的DSC以及2.41861的HD，这样显示了定义密度聚类算法在PET图形分割中令人满意的性能。我们注意到在观察图9中的结果之前，FCM以及SOM需要多次的调整参数。FCM的集群数k和SOM的输出层节点数对实验的结果有重大影响；AP算法没有展示令人满意的性能，由于其算法高复杂性，导致在进行分割之前，要对图像进行手动裁剪。

医生在含有病变的PET图像中标记了病变的数目。与手工分割相比，病变的数目更容易观察以及标记者受主观的影响比较少。我们不能保证在所有的情况下具有相同的结果，但是，两个医生的标记结果的结合令人信服。当p_t＝130，140，150，MAE＝0.226时，定义密度的聚类算法在病灶分割中显示了极好的性能。在实际的人工观测中也获得了令人满意的结果，其中一些图如图14中的C图所示。

基于上述的PET图像的筛选方法，本发明实施例提供的一种PET图像的筛选装置，结构如图17所示，包括：差分激活处理模块1701、筛选模块1702其中，差分激活处理模块1701用于对于每张PET图像，使用差分激活滤波器确定该PET图像的像素的激活信号，进而计算该PET图像中像素的激活信号的最大池化；具体地，差分激活处理模块1701可以根据上述公式一计算所述PET图像的像素的激活信号。

筛选模块1702用于将激活信号的最大池化大于零的PET图像，筛选为包含病变图像的PET图像。

进一步，本发明实施例提供的一种PET图像的筛选装置还可包括：图像降噪处理模块1703。

图像降噪处理模块1703用于对筛选为包含病变的PET图像进行降噪处理。

具体地，图像降噪处理模块1703可以对筛选出的PET图像，进行广义Anscombe变化转化为有单位方差的高斯噪声的信号f(x)，进而使用高斯降噪算法获得去噪的信号D(x)；

进一步，本发明实施例提供的一种PET图像的筛选装置还可包括：神经网络训练模块1704。

神经网络训练模块1704用于对所述神经网络进行训练。

具体地，神经网络训练模块1704首先生成训练集和验证集中的PET图像；进而，将训练集中的PET图像的信号应用方差稳定性变换，转化为具有单位方差的高斯噪声的信号；将转化得到的具有单位方差的高斯噪声的信号，使用高斯降噪算法去噪后，获得去噪信号；将获得的去噪信号，作为所述神经网络的输入；将验证集中对应的PET图像的信号作为所述神经网络的预输出，用以训练所述神经网络；

其中，神经网络训练模块1704生成所述验证集中的PET图像的方法为：基于随机矩阵M得到验证集中的一个PET图像的图像信号；神经网络训练模块1704生成所述训练集中PET图像的方法为：对验证集中PET图像的图像信号加入泊松噪声，得到噪声污染了的图像信号，作为训练集中对应的PET图像。

进一步，本发明实施例提供的一种PET图像的筛选装置还可包括：图像区域分割模块1705。

图像区域分割模块1705用于对筛选出的PET图像进行图像分割和病灶分割。

具体地，图像区域分割模块1705计算筛选出的PET图像的每个像素的密度；对所述PET图像进行基于密度峰值的聚类中心选择；根据选择的聚类中心，进行集群聚类，并删除团簇光晕；将具有相交边缘的集群融合为一个集群后，每个集群形成一个病变区域。

上述PET图像的筛选装置中的各模块的功能具体实现方法可参考如图1所示流程中的各步骤中详述的方法，此处不再赘述。

上述实施例的装置用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

图18示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。

处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的PET图像的筛选方法。

存储器1020可以采用ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。

输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。

总线1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

进一步，本发明的技术方案中，还可针对筛选出的PET图像，或针对降噪后的PET图像进行图像分割和病灶分割；具体地，对PET图像进行基于密度峰值的聚类中心选择后，根据选择的聚类中心，进行集群聚类；而得到的集群则为分割出的病变区域；从而更进一步帮助医生快速识别出PET图像中的病变区域。

本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本发明难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本发明难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本发明的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本发明的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本发明。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、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

1.一种PET图像的筛选方法，其特征在于，包括：

对于每张PET图像，使用差分激活滤波器确定该PET图像的像素的激活信号，进而计算该PET图像中像素的激活信号的最大池化；

将激活信号的最大池化大于零的PET图像，筛选为包含病变图像的PET图像；

对筛选为包含病变的PET图像进行降噪处理：对筛选出的PET图像，进行广义安斯科姆Anscombe变化转化为有单位方差的高斯噪声的信号f(x)，进而使用高斯降噪算法获得去噪的信号D(x)；使用神经网络反演处理信号D(x)的逆变化方法，获得降噪处理后的PET图像；其中，所述神经网络是预先训练得到的；

对所述降噪处理后的PET图像进行图像分割和病灶分割。

2.根据权利要求1所述的方法，其特征在于，所述使用差分激活滤波器确定该PET图像的像素的激活信号，具体包括：

根据如下公式一计算所述PET图像的像素的激活信号A(x,y)：

公式一中，A(x,y)为所述PET图像中坐标为(x,y)的像素的激活信号，N(x,y)为所述PET图像中中心坐标为(x,y)的视野窗口，g_i为N(x,y)中第i个像素的灰度值，S为所述视野窗口的边长，T是设定在范围[0-255]内的示踪剂浓度阈值；tanh为激活功能函数。

3.根据权利要求2所述的方法，其特征在于，所述神经网络是根据如下方法预先训练得到的：

将获得的去噪信号，作为所述神经网络的输入；

4.根据权利要求1所述的方法，其特征在于，所述对筛选出的PET图像进行图像分割和病灶分割，具体包括：

计算所述PET图像的每个像素的密度；

对所述PET图像进行基于密度峰值的聚类中心选择；

根据选择的聚类中心，进行集群聚类，并删除团簇光晕；

5.一种PET图像的筛选装置，其特征在于，包括：

筛选模块，用于将激活信号的最大池化大于零的PET图像，筛选为包含病变图像的PET图像；

图像降噪处理模块，用于对筛选为包含病变的PET图像进行降噪处理：对筛选出的PET图像，进行广义安斯科姆Anscombe变化转化为有单位方差的高斯噪声的信号f(x)，进而使用高斯降噪算法获得去噪的信号D(x)；使用神经网络反演处理信号D(x)的逆变化方法，获得降噪处理后的PET图像；其中，所述神经网络是预先训练得到的；

图像区域分割模块，用于对所述降噪处理后的PET图像进行图像分割和病灶分割。

6.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4任一所述的方法。