CN111091578A - 一种针对血管医学影像的分割方法 - Google Patents
一种针对血管医学影像的分割方法 Download PDFInfo
- Publication number
- CN111091578A CN111091578A CN201911304686.2A CN201911304686A CN111091578A CN 111091578 A CN111091578 A CN 111091578A CN 201911304686 A CN201911304686 A CN 201911304686A CN 111091578 A CN111091578 A CN 111091578A
- Authority
- CN
- China
- Prior art keywords
- image
- function
- similarity
- gray
- item
- 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
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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种针对血管医学影像的分割方法,包括:通过计算区域内每个像素点与之对应位置的假设像素点灰度值的欧氏距离得到区域内像素点的相似度,再利用灰度相似性信息Gi·ck代替传统变分水平集图像分割模型中常用的fi(x)作为图像的数据保真项;将水平集函数保持为带符号距离函数;添加正则项惩罚函数来使得水平集函数接近符号距离函数;结合数据项、长度项、正则项和边界停止项,得到改进的能量泛函的变分活动轮廓模型。本发明通过引入区域内像素点的相似度以及灰度相似性信息构造数据保真项,然后加入边缘阻止函数控制曲线的演化,最后结合正则项得到改进的变分活动轮廓模型。
Description
技术领域
本发明涉及影像处理技术领域,具体地说,特别涉及一种针对血管医学影像的分割方法。
背景技术
医学影像是近年来由工学带动的发展而兴起的一项新兴技术,以简单方便、和高特异性等优势特性受到了临床医学领域的极大关注。并且随着科技进步和相关影像的快速更新,影像医学在医学领域内取得了创新与突破,得到了医疗界的广泛与认可,如今已经成为临床医疗工作的重要支柱。因此,研究医学影像的处理已经成为目前医学成像领域内的前沿课题。
过去几十年中,各种新的医学成像技术的临床应用使得医学诊断和治疗技术得以迅猛发展。在提高设备获得图像分辨力的同时,图像分割也成为另一个人们关注的焦点。所谓图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。近年来由于人们生活水平的不断提高,对健康有了更高的要求,尤其在一些心血管疾病以及肿瘤细胞等病态细胞的提取方面需要很大的突破。因此,为了及时的发现可能存在的疾病以及预防诊断从而更好地造福人类,在未来的时间内,分割技术的研究仍将是一个热点。未来的分割技术将朝着更快、更准确和更加自动化的方向发展,故对于这些病灶医学图像的分割就显得格外重要。虽然图像分割在众多医学影像处理技术中起步早、发展快,但在许多时候分割所得到的结果仍然不理想。但是,图像处理技术等研究成果在临床上也得到了应用,取得了较好的效果。
图像分割历来就是图像处理中的一个热点、难点。至今为止,还没有一种通用方法能把血管图像从各种模式的图像中准确的分割出来。有的方法是利用了基于信号强度的模式识别技术;有的方法则利用了明确的血管模型来提取血管的轮廓;此外,有些算法要求在分割前依据图像质量和噪声的不同对图像进行预处理;而有些算法在分割后要利用后处理来消除在分割中产生的一些误差,即图像后处理。由于人体血管系统各部分都有其特点,所以一般血管图像又具有强度不均匀、图像中各个组织间的边界弱等缺点等较大的差异性;且由于不同组织的信息不同,难以达到较好的分割效果。这些缺陷往往会给医生的准确诊断带来很大的麻烦,严重影响医生对疾病的诊断效率。
血管图像是的分割是医学中一个重要的工作,由于血管的组成及构造错综复杂且有灰度不均匀的特性,故对血管图像的分割存在一些困难。因此,进一步研究对血管医学影像的分割具有重要意义。
发明内容
为了解决现有技术的问题,本发明实施例提供了一种针对血管医学影像的分割方法。所述技术方案如下:
一方面,一种针对血管医学影像的分割方法,包括以下步骤:
步骤1):通过计算区域内每个像素点与之对应位置的假设像素点灰度值的欧氏距离得到区域内像素点的相似度,再利用灰度相似性信息Gi·ck代替传统变分水平集图像分割模型中常用的fi(x)作为图像的数据保真项;
步骤2):将水平集函数保持为有符号距离函数;添加正则项惩罚函数来使得水平集函数接近符号距离函数;
步骤3):结合数据项、长度项、正则项和边界停止项,得到改进的能量泛函的变分活动轮廓模型。
进一步地,针对血管医学影像的分割方法还包括:采用颜色特征值的统计直方图特征对灰度信息描述,定义灰度信息表达式为:
其中i(i=m、l)为图像的灰度值,L是图像灰度值范围,ni是图像中具有灰度值为i的像素点个数,N是图像在目标区域和背景区域的像素总数;因为图像的纹理特征信息会影响区域相似性,所以在计算灰度相似性时考虑纹理特征,从而使灰度信息表达式更加合理;
假设cm(m=0…L-1)和cl(l=0…L-1)分别代表目标区域和背景区域不同像素点位置的统计直方图灰度的信息,则用欧氏距离函数来计算直方图的相似性,表达式为:
其中G∈[0,1];当g的取值越小,表示在区域的灰度相似性越大;反之,代表所在区域的灰度相似性越小。
进一步地,针对血管医学影像的分割方法还包括:为了能够保证拟合曲线在边界停止演化,并且为了控制曲线的收敛速率和避免能量泛函陷入局部极小值,引入了由水平集方法构造的边界停止能量函数;定义为:
Es=∫gH(φ)dxdy
进一步地,针对血管医学影像的分割方法还包括:为了演化过程中保持演化轮廓平滑并在分割结果中尽可能减少小面积区域的数量,选择曲线的弧长作为正则化项,该正则项定义为:
本发明实施例提供的技术方案带来的有益效果是:
本发明提供的一种针对血管医学影像的分割方法,通过引入区域内像素点的相似度以及灰度相似性信息构造数据保真项,然后加入边缘阻止函数控制曲线的演化,最后结合正则项得到改进的变分活动轮廓模型;本发明可以将血管图像很好的分割出来,并且提高了分割的准确率,保留了图像的边缘信息。因为图像的纹理特征信息会影响区域相似性,尤其是医学图像,所以在本发明中是引入灰度相似性信息,从而使灰度信息表达式更加合理;本实施例不仅能够很好的保留血管图像的边界信息,而且还提高了分割的准确率,获得了较好的实验结果,得到了理想的分割效果。
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,下面将对本发明实施方式作进一步地详细描述。
本发明提供了一种针对血管医学影像的分割方法,包括以下步骤:
步骤1):通过计算区域内每个像素点与之对应位置的假设像素点灰度值的欧氏距离得到区域内像素点的相似度,再利用灰度相似性信息Gi·ck代替传统变分水平集图像分割模型中常用的fi(x)作为图像的数据保真项;有利于使曲线和目标边界更好地进行拟合,同时使拟合曲线更好地向目标方向演化;
步骤2):为了在演化过程中保持轮廓的稳定性,将水平集函数保持为有符号距离函数;在这里没有使用重新初始化这一步来保持水平集函数作为符号函数,而是添加正则项惩罚函数来使得水平集函数接近符号距离函数;
步骤3):结合数据项、长度项、正则项和边界停止项,得到改进的能量泛函的变分活动轮廓模型。
具体地,利用灰度相似性信息Gi·ck代替传统变分水平集图像分割模型中常用的fi(x)作为图像的数据保真项。得到如下的能量泛函:
E(cm,cl,φ)=∫∫Kσ(x-y)(I(y)-G1·cm)2H(φ(y))dydx +∫∫Kσ(x-y)(I(y)-G2·cl)2(1-H(φ(y)))dydx
上述能量泛函是通过计算区域内每个像素点与之对应位置的假设像素点灰度值的欧氏距离得到区域内像素点的相似度,有利于使曲线和目标边界更好地进行拟合,同时使拟合曲线更好地向目标方向演化。
此外,采用颜色特征值的统计直方图特征对灰度信息描述,定义灰度信息表达式为:
其中i(i=m、l)为图像的灰度值,L是图像灰度值范围,ni是图像中具有灰度值为i的像素点个数,N是图像在目标区域和背景区域的像素总数。因为图像的纹理特征信息会影响区域相似性,所以本申请在计算灰度相似性时考虑纹理特征,从而使灰度信息表达式更加合理。
假设cm(m=0…L-1)和cl(l=0…L-1)分分别代表目标区域和背景区域不同像素点位置的统计直方图灰度的信息,则用欧氏距离函数来计算直方图的相似性,表达式为:
其中G∈[0,1]。当g的取值越小,表示在区域的灰度相似性越大;反之,代表所在区域的灰度相似性越小。
之后,为了能够保证拟合曲线在边界停止演化,并且为了控制曲线的收敛速率和避免能量泛函陷入局部极小值,引入了由水平集方法构造的边界停止能量函数。定义为:
Es=∫gH(φ)dxdy
此外,为了演化过程中保持演化轮廓平滑并在分割结果中尽可能减少小面积区域的数量,本申请中选择曲线的弧长作为正则化项,该正则项定义为:
然后,为了在演化过程中保持轮廓的稳定性,本申请中将水平集函数保持为有符号距离函数。通常,需要将水平集函数重新初始化为带符号距离函数,以便随后增加计算时间。因此,在这里没有使用重新初始化这一步来保持水平集函数作为符号函数,而是添加正则项惩罚函数来使得水平集函数接近符号距离函数,其定义为如下形式:
最终,结合数据项、长度项、正则项和边界停止项,得到如下本申请中改进的能量泛函的变分活动轮廓模型,表示为:
这里Kσ是高斯核窗口,Gi为直方图相似性,φ为0水平集函数,其中Ω1和Ω2分别是输入图像I的目标区域和背景区域。
φ(y)是水平集函数,它有如下的表达式:
其中,Ω1为目标区域,Ω2为背景区域。
H(·)是Heaviside函数和δ(·)是Dirac函数,分别定义为:
1.对上述模型进行数值求解
上述能量泛函E(cm,cl,φ)有两种类型的未知变量,用控制变量方法来解决相应各个变量的最小值。
1.1关于子问题(cm,cl)的求解过程
首先,固定函数φ(y),求解E(cm,cl,φ)关于cm和cl的最小化,cm和cl是能量泛 E(cm,cl,φ)函的最小值满足下列条件:
进一步分别解得cm和cl:
1.2关于φ的子问题的求解过程
通过固定cm和cl,并且引入时间参数t,求得关于φ(y)最小化的能量泛函:
这里e1(x)=∫Kσ(x-y)(I(y)-G1·cm)2dy和e2(x)=∫Kσ(x-y)(I(y)-G2·cl)2dy。进一步可得关于φ的能量泛函E(cm,cl,φ)的最小值:
其中Δt是时间步长,D是一个差分算子。然后利用差分算子得到了演化方程的曲率:
则演化方程的最终形式为:
本发明实施例提供的技术方案带来的有益效果是:
本发明提供的一种针对血管医学影像的分割方法,通过引入区域内像素点的相似度以及灰度相似性信息构造数据保真项,然后加入边缘阻止函数控制曲线的演化,最后结合正则项得到改进的变分活动轮廓模型;本发明可以将血管图像很好的分割出来,并且提高了分割的准确率,保留了图像的边缘信息。因为图像的纹理特征信息会影响区域相似性,尤其是医学图像,所以在本发明中是引入灰度相似性信息,从而使灰度信息表达式更加合理;本实施例不仅能够很好的保留血管图像的边界信息,而且还提高了分割的准确率,获得了较好的实验结果,得到了理想的分割效果。
以上仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种针对血管医学影像的分割方法,其特征在于,包括以下步骤:
步骤1):通过计算区域内每个像素点与之对应位置的假设像素点灰度值的欧氏距离得到区域内像素点的相似度,再利用灰度相似性信息Gi·ck代替传统变分水平集图像分割模型中常用的fi(x)作为图像的数据保真项;
步骤2):将水平集函数保持为有符号距离函数;添加正则项惩罚函数来使得水平集函数接近符号距离函数;
步骤3):结合数据项、长度项、正则项和边界停止项,得到改进的能量泛函的变分活动轮廓模型。
2.如权利要求1所述的方法,其特征在于,还包括:采用颜色特征值的统计直方图特征对灰度信息描述,定义灰度信息表达式为:
其中i(i=m、l)为图像的灰度值,L是图像灰度值范围,ni是图像中具有灰度值为i的像素点个数,N是图像在目标区域和背景区域的像素总数;因为图像的纹理特征信息会影响区域相似性,所以在计算灰度相似性时考虑纹理特征,从而使灰度信息表达式更加合理;
假设cm(m=0…L-1)和cl(l=0…L-1)分别代表目标区域和背景区域不同像素点位置的统计直方图灰度的信息,则用欧氏距离函数来计算直方图的相似性,表达式为:
其中G∈[0,1];当g的取值越小,表示在区域的灰度相似性越大;反之,代表所在区域的灰度相似性越小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911304686.2A CN111091578B (zh) | 2019-12-17 | 2019-12-17 | 一种针对血管医学影像的分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911304686.2A CN111091578B (zh) | 2019-12-17 | 2019-12-17 | 一种针对血管医学影像的分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111091578A true CN111091578A (zh) | 2020-05-01 |
CN111091578B CN111091578B (zh) | 2023-07-04 |
Family
ID=70395048
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911304686.2A Active CN111091578B (zh) | 2019-12-17 | 2019-12-17 | 一种针对血管医学影像的分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111091578B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927216A (zh) * | 2021-03-22 | 2021-06-08 | 苏州恩可医药科技有限公司 | 一种nk细胞活性快速检测方法及系统 |
CN112927123A (zh) * | 2021-03-19 | 2021-06-08 | 中国人民解放军战略支援部队信息工程大学 | 一种gpu加速的有向距离场符号建模方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004079657A2 (en) * | 2003-03-03 | 2004-09-16 | Motorola Inc | Level sets image segmentation |
US20070122039A1 (en) * | 2005-11-29 | 2007-05-31 | Microsoft Corporation | Segmentation of objects by minimizing global-local variational energy |
CN105139398A (zh) * | 2015-08-26 | 2015-12-09 | 武汉大学 | 一种基于多特征的灰度不均图像快速分割方法 |
EP3188127A1 (en) * | 2015-12-29 | 2017-07-05 | Laboratoires Bodycad Inc. | Method and system for performing bone multi-segmentation in imaging data |
CN107292890A (zh) * | 2017-06-19 | 2017-10-24 | 北京理工大学 | 一种医学图像分割方法和装置 |
CN109472792A (zh) * | 2018-10-29 | 2019-03-15 | 石家庄学院 | 结合局部熵的局部能量泛函与非凸正则项的图像分割方法 |
CN109886977A (zh) * | 2019-02-19 | 2019-06-14 | 闽南师范大学 | 一种带有邻域约束的图像分割方法、终端设备及存储介质 |
-
2019
- 2019-12-17 CN CN201911304686.2A patent/CN111091578B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004079657A2 (en) * | 2003-03-03 | 2004-09-16 | Motorola Inc | Level sets image segmentation |
US20070122039A1 (en) * | 2005-11-29 | 2007-05-31 | Microsoft Corporation | Segmentation of objects by minimizing global-local variational energy |
CN105139398A (zh) * | 2015-08-26 | 2015-12-09 | 武汉大学 | 一种基于多特征的灰度不均图像快速分割方法 |
EP3188127A1 (en) * | 2015-12-29 | 2017-07-05 | Laboratoires Bodycad Inc. | Method and system for performing bone multi-segmentation in imaging data |
CN107292890A (zh) * | 2017-06-19 | 2017-10-24 | 北京理工大学 | 一种医学图像分割方法和装置 |
CN109472792A (zh) * | 2018-10-29 | 2019-03-15 | 石家庄学院 | 结合局部熵的局部能量泛函与非凸正则项的图像分割方法 |
CN109886977A (zh) * | 2019-02-19 | 2019-06-14 | 闽南师范大学 | 一种带有邻域约束的图像分割方法、终端设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
CHENG LIU ET AL.: "An improved edge-based level set method combining local regional fitting information for noisy image segmentation" * |
严静: "颅内动脉粥样硬化斑块HRMR图像分割与三维重建" * |
唐利明 等: "结合BV-L2分解的CV变分水平集模型" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927123A (zh) * | 2021-03-19 | 2021-06-08 | 中国人民解放军战略支援部队信息工程大学 | 一种gpu加速的有向距离场符号建模方法 |
CN112927216A (zh) * | 2021-03-22 | 2021-06-08 | 苏州恩可医药科技有限公司 | 一种nk细胞活性快速检测方法及系统 |
CN112927216B (zh) * | 2021-03-22 | 2023-10-03 | 苏州恩可医药科技有限公司 | 一种nk细胞活性快速检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111091578B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nasr-Esfahani et al. | Segmentation of vessels in angiograms using convolutional neural networks | |
CN109064476B (zh) | 一种基于水平集的ct胸片肺组织图像分割方法 | |
Liu et al. | Automatic whole heart segmentation using a two-stage u-net framework and an adaptive threshold window | |
CN109300113B (zh) | 一种基于改进凸包方法的肺结节辅助检测系统及方法 | |
CN111462145B (zh) | 基于双权重符号压力函数的活动轮廓图像分割方法 | |
CN108615239B (zh) | 基于阈值技术和灰度投影的舌图像分割方法 | |
US20050018890A1 (en) | Segmentation of left ventriculograms using boosted decision trees | |
CN111091578A (zh) | 一种针对血管医学影像的分割方法 | |
CN109191468B (zh) | 一种血管提取的方法、装置及存储介质 | |
Hu et al. | Automatic segmentation of dermoscopy images using saliency combined with adaptive thresholding based on wavelet transform | |
CN113643353B (zh) | 眼底图像的血管管径的增强分辨率的测量方法 | |
CN108898578B (zh) | 一种医疗图像的处理方法、装置及计算机存储介质 | |
Dharmawan et al. | A new optic disc segmentation method using a modified Dolph-Chebyshev matched filter | |
Singh et al. | An efficient combined approach for medical brain tumour segmentation | |
CN116385467B (zh) | 基于自监督学习的脑血管分割方法及相关设备 | |
CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 | |
CN113012127A (zh) | 基于胸部医学影像的心胸比测量方法 | |
Jalab et al. | Fractional Renyi entropy image enhancement for deep segmentation of kidney MRI | |
CN108629780B (zh) | 基于颜色分解和阈值技术的舌图像分割方法 | |
Rashid et al. | Segmenting melanoma lesion using single shot detector (SSD) and level set segmentation technique | |
CN114913185A (zh) | 肺ct图像的纹理分割方法及系统 | |
CN114373216A (zh) | 用于眼前节octa的眼动追踪方法、装置、设备和存储介质 | |
Rebelo et al. | Automatic epicardial fat segmentation and volume quantification on non-contrast cardiac Computed Tomography | |
CN114119688A (zh) | 基于深度学习的冠状动脉造影前后单模医学图像配准方法 | |
CN108921860B (zh) | 一种前列腺磁共振图像全自动分割方法 |
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 |