CN111091574B - 一种基于单像素特征的医学图像分割方法 - Google Patents
一种基于单像素特征的医学图像分割方法 Download PDFInfo
- Publication number
- CN111091574B CN111091574B CN201911331719.2A CN201911331719A CN111091574B CN 111091574 B CN111091574 B CN 111091574B CN 201911331719 A CN201911331719 A CN 201911331719A CN 111091574 B CN111091574 B CN 111091574B
- Authority
- CN
- China
- Prior art keywords
- pixel
- features
- original image
- boundary
- segmentation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000003709 image segmentation Methods 0.000 title claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims description 19
- 206010028980 Neoplasm Diseases 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims 1
- 238000012216 screening Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 3
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 208000007097 Urinary Bladder Neoplasms Diseases 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004614 tumor growth Effects 0.000 description 1
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
- G06T7/11—Region-based segmentation
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于单像素特征的医学图像分割方法,涉及图像处理技术领域,方法包括图像获取、变换域转换、单像素特征提取、构建分类器、像素点类别判别和后处理,本发明通过提取基于单像素的大量灰度、纹理等高维特征,结合机器学习中分类器方法,以区分正常组织与病变组织,有效解决肿瘤弱边界难以准确分割的问题。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种基于单像素特征的医学图像分割方法。
背景技术
图像分割技术是图像处理与分析领域的复杂而关键的步骤,已广泛应用于医学图像中边界提取、区域分割等。但是,人体结构复杂,病灶与正常组织交错生长,边界不清晰,呈现“弱”边界性质,对病灶的分割提出了重要的挑战。虽然弱边界区域可能很小,但可能对手术方案影响较大,因此如何针对弱边界进行分割是目前的研究热点。
目前,主流的分割方法主要包括:基于图谱的分割方法、基于轮廓的分割方法、基于图论的分割方法、基于学习的分割方法。由于肿瘤的生长模式是任意的、浸润性的,因此没有固定的大小、形状,此类特性极大影响前三种方法的分割性能。基于机器学习的分割方法能够依据某种决策规则,通过在特征空间中将特征向量划分到不同的类区域,来实现未知特征向量的属性判断,可以更好的针对弱边界进行分割。但目前基于学习的分割方法,大都利用图像中像素的灰度信息,而忽略了像素间的灰度变化关系,以及图像变换域的特征。
发明内容
本发明实施例提供了一种基于单像素特征的医学图像分割方法,可以解决现有技术中存在的问题。
本发明提供了一种基于单像素特征的医学图像分割方法,包括以下步骤:
获取医学图像;
对获取的原始图像进行变换域转换,获得多个变换域的分量图像;
在原始图像和所有分量图像中,提取各像素点的单像素特征;
对提取的单像素特征进行特征选择获取最优特征子集,获得最优特征子集后使用该特征子集构建训练集,并利用训练集建立SVM分类器;
利用SVM分类器判别原始图像中每个像素点的类别,从而完成肿瘤区域的分割。
本发明中的一种基于单像素特征的医学图像分割方法,通过提取基于单像素的大量灰度、纹理等高维特征,结合机器学习中分类器方法,以区分正常组织与病变组织,有效解决肿瘤弱边界难以准确分割的问题。
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为本发明中方法的流程图;
图2为膀胱图像预处理生成的疑似肿瘤区域的示意图;
图3为采用本发明的方法对膀胱图像分割的结果。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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。
参照图1,本发明提供了一种基于单像素特征的医学图像分割方法,包括以下步骤:
(1)获取医学图像,如CT、MRI、超声等图像;
(2)对获取的原始图像进行变换域转换,如小波变换、拉普拉斯变换等,从而获得多个变换域的分量图像;
(3)在原始图像和所有分量图像中,提取各像素点的灰度、纹理等单像素特征;
(4)对提取的单像素特征进行特征选择获取最优特征子集,获得最优特征子集后,使用该特征子集构建训练集,并利用训练集建立SVM分类器;
(5)利用SVM分类器判别原始图像中每个像素点的类别,从而完成肿瘤区域的分割;
(6)后处理,对于分割后不连续的边界,采用最大区域连接以及孔洞填充,以获得连续的病灶边界。
上述方法中,步骤(1)所述的获取医学图像,是指通过医学影像采集设备获取CT、MRI、超声等可反映病灶信息的图像。
步骤(2)所述的对获取的原始图像进行变换域转换,如小波变换、拉普拉斯变化等。根据需要,可适当进行多次变换,如进行一次小波变换可生成为4幅分量图像,两次小波变换可生成16幅分量图像。
步骤(3)所述的提取单像素特征,在将原始图像进行变换域转换后生成多幅分量图像,在原始图像和这些分量图像中,可进一步提取灰度、纹理等单像素特征。特征可以为像素的坐标值,某个像素及其六邻域(上下左右前后)像素的灰度值(共7个像素),这7个像素为中心的3×3的区域所包含像素点的灰度值的均值,LM滤波器,等等。
步骤(4)所述的构建分类器,在获取单像素特征后,以像素为研究对象,利用机器学习算法的特征选择方法筛选单像素特征组成的特征集获取区分病灶及正常组织的最优特征组合。
步骤(5)所述的判别像素点类别,在获取可区分某个像素是病灶还是正常组织的分类器后,利用该分类器依次判断存在弱边界的区域,判别每个像素的性质。考虑到分类器大都以0.5作为判别像素性质的标准,本发明在以0.5作为标准分割弱边界的同时,还将概率分布在0.1-0.9的像素标记在原始图像上,作为“软”边界,表征弱边界区域,从而为医生判别提供参考。
步骤(6)所述的后处理,在分类器进行判别后,可能会存在一些孤立点分布在其他分类中,并未形成完整的边界,本发明提出利用孔洞填充、最大区域连接方法进行后处理获取最终的病灶分割结果。
为了更清楚的描述本发明的方法,利用膀胱肿瘤与正常壁组织间的弱边界分割为例进行展示。
(1)图像的获取:采集患者腹部膀胱T2加权序列MRI影像。共包含20个病例,训练集、测试集各包含10个病例。通过前期研究,已可以通过耦合定向水平集方法(IEEE JBiomed Health Inform.2014;18(5):1707-16.)同时分割膀胱的内外壁,并利用肿瘤引起的形态学改变,获得膀胱肿瘤的位置,如图2所示。
(2)对原始图像进行2D-DWT(Two-dimension Discrete Wavelet Transform,二维离散小波变换),获得16幅小波分量图像。
(3)在17幅图像上(原始图像+16幅小波分量图像)提取位置、灰度、纹理特征,共1159(即3+(20+48)×17)个单像素特征。
(4)由于提取的单像素特征中包含有冗余特征,因此需进行特征选择,本发明采用SVM-RFE(Support Vector Machine Recursive Feature Elimination,支持向量机递归特征消除法)进行特征选择,以获取最优特征子集。获得最优特征子集后,使用该特征子集构建训练集,该训练集用于SVM分类器的构建。
(5)基于SVM分类器对测试集中10个病例的疑似肿瘤区域包含的105个像素点进行类别判别,可以得到每个像素点属于肿瘤区域的概率值,根据该概率值,选取不同阈值以获得“硬”和“软”边界来区分肿瘤组织与壁组织,其中“硬”边界的阈值为0.5,“软”边界则定义为概率值在[0.1,0.9]的像素点构成的区域。
(6)未获得完整连续的“硬”边界,进一步采用孔洞填充、最大区域连接方法进行后处理获取最终的肿瘤分割结果,如图3所示。图3第1列为医生手工勾勒边界,第2列为硬边界结果,第3列为软边界结果,可以发现所有概率值在[0.1,0.9]的像素点分布在肿瘤和壁组织间的弱边界。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (1)
1.一种基于单像素特征的医学图像分割方法,其特征在于,包括以下步骤:
获取医学图像;
对获取的原始图像进行变换域转换,获得多个变换域的分量图像;对所述原始图像的变换域转换为小波变换或拉普拉斯变换,变换次数为一次或者多次;
在原始图像和所有分量图像中,提取各像素点的单像素特征;所述单像素特征包括:位置特征、灰度特征和LM纹理特征,所述位置特征包括在原始图像中获取的像素点(x,y,z)的3个坐标值,特征数量为3个;所述灰度特征包括分别为(x,y,z),(x−1,y,z),(x+1,y,z),(x,y−1,z),(x,y+1,z),(x,y,z−1),(x,y,z+1)7个像素点的灰度值、以上述7个点为中心的3*3的区域所包含像素点的灰度值的均值作为7个特征和像素点(x,y,z)与其6邻域内6个体素的灰度值的差值作为6个特征,特征数量为20个;所述LM纹理特征包括48个滤波器的响应值,特征数量为48个;
对提取的单像素特征进行特征选择获取最优特征子集,采用SVM-RFE进行特征选择获得最优特征子集后使用该特征子集构建训练集,并利用训练集建立SVM分类器;在获取单像素特征后,以像素为研究对象,利用机器学习算法的特征选择方法筛选单像素特征组成的特征集获取区分病灶及正常组织的最优特征组合;
利用SVM分类器判别原始图像中每个像素点的类别,从而完成肿瘤区域的分割;
所述方法还包括对于分割后不连续的边界,采用最大区域连接以及孔洞填充,获得连续的边界;
所述SVM分类器对像素点的类别进行判别后,获得每个像素点属于肿瘤区域的概率值,将概率值为0.5的像素点确定为肿瘤区域的边界,将该边界标记在原始图像上;将概率值处于[0.1,0.9]之间的像素点标记在原始图像上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911331719.2A CN111091574B (zh) | 2019-12-21 | 2019-12-21 | 一种基于单像素特征的医学图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911331719.2A CN111091574B (zh) | 2019-12-21 | 2019-12-21 | 一种基于单像素特征的医学图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111091574A CN111091574A (zh) | 2020-05-01 |
CN111091574B true CN111091574B (zh) | 2024-04-02 |
Family
ID=70395355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911331719.2A Active CN111091574B (zh) | 2019-12-21 | 2019-12-21 | 一种基于单像素特征的医学图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091574B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801238B (zh) * | 2021-04-15 | 2021-07-27 | 中国科学院自动化研究所 | 一种图像分类方法、装置、电子设备及存储介质 |
CN117640932B (zh) * | 2024-01-25 | 2024-04-26 | 陕西通达伟业医疗供应链管理有限公司 | 用于远程医疗的神经内科图像压缩传输方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102596025A (zh) * | 2010-06-25 | 2012-07-18 | 中国科学院自动化研究所 | 基于鲁棒统计信息传播的多模态三维磁共振图像脑肿瘤分割方法 |
CN102622749A (zh) * | 2012-02-22 | 2012-08-01 | 中国科学院自动化研究所 | 三维磁共振图像脑子结构自动分割的方法 |
CN105957066A (zh) * | 2016-04-22 | 2016-09-21 | 北京理工大学 | 基于自动上下文模型的ct图像肝脏分割方法及系统 |
CN108694720A (zh) * | 2018-04-25 | 2018-10-23 | 南京邮电大学 | 一种基于多尺度纹理空间聚类的高分影像建筑区提取方法 |
CN109635846A (zh) * | 2018-11-16 | 2019-04-16 | 哈尔滨工业大学(深圳) | 一种多类医学图像判断方法和系统 |
-
2019
- 2019-12-21 CN CN201911331719.2A patent/CN111091574B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102596025A (zh) * | 2010-06-25 | 2012-07-18 | 中国科学院自动化研究所 | 基于鲁棒统计信息传播的多模态三维磁共振图像脑肿瘤分割方法 |
CN102622749A (zh) * | 2012-02-22 | 2012-08-01 | 中国科学院自动化研究所 | 三维磁共振图像脑子结构自动分割的方法 |
CN105957066A (zh) * | 2016-04-22 | 2016-09-21 | 北京理工大学 | 基于自动上下文模型的ct图像肝脏分割方法及系统 |
CN108694720A (zh) * | 2018-04-25 | 2018-10-23 | 南京邮电大学 | 一种基于多尺度纹理空间聚类的高分影像建筑区提取方法 |
CN109635846A (zh) * | 2018-11-16 | 2019-04-16 | 哈尔滨工业大学(深圳) | 一种多类医学图像判断方法和系统 |
Non-Patent Citations (4)
Title |
---|
Segmentation of Retinal Fundus Vasculature in Nonmydriatic Camera Images Using Wavelets;Herbert Jelinek et al.;《Biomedical Engineering》;20031231;第9卷;第193-224页 * |
基于Gabor小波变换与支持向量机的纹理图像分割;赵娟;《中国优秀硕士学位论文全文数据库信息科技辑》;20080915(第9期);正文第32-33、38、48-49页 * |
基于小波变换的图像特征提取方法研究;孙洪飞;《中国优秀硕士学位论文全文数据库信息科技辑》;20160515(第5期);全文 * |
彩色眼底图像视网膜血管分割方法研究进展;朱承璋等;《计算机辅助设计与图形学学报》;20151115(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111091574A (zh) | 2020-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jose et al. | Brain tumor segmentation using k-means clustering and fuzzy c-means algorithms and its area calculation | |
Dahab et al. | Automated brain tumor detection and identification using image processing and probabilistic neural network techniques | |
Kabade et al. | Segmentation of brain tumour and its area calculation in brain MR images using K-mean clustering and fuzzy C-mean algorithm | |
CN109635846B (zh) | 一种多类医学图像判断方法和系统 | |
Karuna et al. | Automatic detection and severity analysis of brain tumors using gui in matlab | |
CN110705555A (zh) | 基于fcn的腹部多器官核磁共振图像分割方法、系统及介质 | |
CN109753997B (zh) | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 | |
Mahapatra et al. | Crohn's disease tissue segmentation from abdominal MRI using semantic information and graph cuts | |
Yan et al. | An automatic kidney segmentation from abdominal CT images | |
Chen et al. | Pathological lung segmentation in chest CT images based on improved random walker | |
CN107506766B (zh) | 图像分割方法及装置 | |
Tirpude et al. | Automated detection and extraction of brain tumor from MRI images | |
CN111091574B (zh) | 一种基于单像素特征的医学图像分割方法 | |
US20230005140A1 (en) | Automated detection of tumors based on image processing | |
CN110751629A (zh) | 一种心肌影像分析装置及设备 | |
Tamilselvi et al. | Segmentation of calculi from ultrasound kidney images by region indicator with contour segmentation method | |
Viji et al. | Performance evaluation of standard image segmentation methods and clustering algorithms for segmentation of MRI brain tumor images | |
Goceri | Automatic kidney segmentation using Gaussian mixture model on MRI sequences | |
Al-Faris et al. | Breast MRI tumour segmentation using modified automatic seeded region growing based on particle swarm optimization image clustering | |
Sasikala et al. | Soft Computing based Brain Tumor Categorization with Machine Learning Techniques | |
Jalab et al. | Fractional Renyi entropy image enhancement for deep segmentation of kidney MRI | |
Eapen et al. | Medical image segmentation for anatomical knowledge extraction | |
Ball et al. | Towards automated segmentation and classification of masses in mammograms | |
Dawod et al. | Adaptive Slices in Brain Haemorrhage Segmentation Based on the SLIC Algorithm. | |
Kalinin et al. | A classification approach for anatomical regions segmentation |
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 |