CN111126403B - 一种基于磁共振血管造影图像的脑血管分割方法和系统 - Google Patents
一种基于磁共振血管造影图像的脑血管分割方法和系统 Download PDFInfo
- Publication number
- CN111126403B CN111126403B CN201911105440.2A CN201911105440A CN111126403B CN 111126403 B CN111126403 B CN 111126403B CN 201911105440 A CN201911105440 A CN 201911105440A CN 111126403 B CN111126403 B CN 111126403B
- Authority
- CN
- China
- Prior art keywords
- probability
- blood vessel
- voxel
- model
- image
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000002583 angiography Methods 0.000 title claims abstract description 43
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 128
- 238000009826 distribution Methods 0.000 claims abstract description 83
- 230000002490 cerebral effect Effects 0.000 claims abstract description 69
- 210000004556 brain Anatomy 0.000 claims abstract description 24
- 230000002792 vascular Effects 0.000 claims description 43
- 238000005315 distribution function Methods 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000007476 Maximum Likelihood Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007670 refining Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 15
- 238000013179 statistical model Methods 0.000 abstract description 9
- 230000007547 defect Effects 0.000 abstract description 3
- 239000000203 mixture Substances 0.000 description 5
- 210000005013 brain tissue Anatomy 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005309 stochastic process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提出一种基于磁共振血管造影图像的脑血管分割方法和系统.发明目的是解决现有的基于统计模型的MRA图像脑血管分割方法中对细小血管的分割效果较差，血管的连续性不足的问题。针对已有模型中采用的单高斯模型来刻画脑血管灰度值分布的不足，本发明提出采用双高斯模型对脑血管组织进行建模。对MRA图像的整体灰度值分布进行拟合易产生参数漂移的问题，本发明提出细化灰度直方图的拟合区域，重点关注与脑血管分布相关的中高灰度值区域。另外，还引入了三维加权马尔科夫随机场，利用图像的局部邻域信息提高分割结果的连续性。
Description
技术领域
本发明涉及图像处理技术领域，并特别涉及一种基于磁共振血管造影图像的脑血管分割方法和系统。
背景技术
磁共振血管造影(magnetic resonance angiography，MRA)技术是目前临床医学上用于脑血管成像的首要选择。从MRA图像中精确地分割出脑血管的结构对于脑血管疾病的诊断，治疗和评估是至关重要的。但由于脑部医学图像组织构成复杂，组织间的灰度相近，使得该领域图像分割任务具有很大的挑战性。因此有关脑血管的分割方法的一直是研究的重点，其中基于统计模型的分割方法是一种有效的方法。
针对通过时间飞跃法采集得到的MRA图像的特点，即不同组织的灰度值分布范围不同，并根据统计学理论，相同组织具有相同的分布特征。因此，现有的基于统计模型的脑血管分割算法通过有限混合模型对脑部组织的分布进行建模，并对组织的灰度值分布进行拟合，进而根据像素的概率密度区分血管和其他脑组织来实现脑血管分割。已有的有限混合模型对血管组织采用单高斯分布进行建模，对非血管组织采用其他有限混合模型进行建模，并在整体灰度值范围内对MRA图像的灰度值分布进行拟合。同时，一些分割方法也结合马尔科夫随机场来改善分割效果，也取得了一些效果。总体上，已有的基于统计模型的脑血管分割算法可以得到基本的脑血管结构，但对细小血管的分割效果较差，血管的连续性不足。因此改善对细小血管的分割效果，并提高血管分割结果的连续性，是目前亟待解决的问题。
Wilson and Noble(1999)首次提出采用两个高斯分布和一个均匀分布组成的有限混合模型，对脑血管组织的分布采用一个高斯分布进行建模，该模型可以得到基本的脑血管结构，但整体分割结果粗糙。Hassouna等人(2006)进一步提出了三个高斯分布和一个瑞利分布组成的有限混合模型，仍然采用单高斯模型对脑血管分布进行建模，但是对其余脑部组织采用双高斯分布和单瑞利分布进行建模。同时，他们考虑了三维MRA图像中像素点间的邻域关系，建立了三维马尔科夫随机场，并根据Hammersley-Clifford理论，通过Gibbs分布计算得到了分类的先验概率。综合由有限混合模型得到的分类似然概率，和三维马尔科夫随机场得到的分类先验概率，通过最大后验概率估计和条件迭代模型，计算得到最终的脑血管分类结果，并且在细节上表现有所提升。之后，Wen等人(2015)提出可以采用双高斯分布和单瑞利分布的混合高斯模型，并且通过三维马尔科夫随机场加强对混合高斯模型的参数的约，但分割效果不稳定，方法健壮性不足。还有一些其他的统计模型的分割方法中提出了不同有限混合模型，但分割效果提升不大。
目前已有的统计模型的脑血管分割方法的基本全部采用单高斯分布对脑血管进行建模，然而单高斯分布极易忽略血管组织与非血管组织的混合区域，这恰好是灰度值较低的细小血管所处的位置。因此，目前的方法难以分割出细节清楚的微小血管。其次，已有的算法都在力图对MRA图像的整体灰度值分布进行建模，但是由于MRA图像中非血管组织占比接近95％，这导致模型的绝大部分成分关注的是明显与脑血管无关的其他组织，十分容易产生参数估计漂移，影响分割效果。最后，已有的基于马尔科夫随机场改善分割效果的算法对局部邻域信息的刻画不够准确和充分，这也会影响最终的分割效果。
发明内容
本发明的目的是解决现有的基于统计模型的MRA图像脑血管分割方法中对细小血管的分割效果较差，血管的连续性不足的问题。针对已有模型中采用的单高斯模型来刻画脑血管灰度值分布的不足，本发明提出采用双高斯模型对脑血管组织进行建模。对MRA图像的整体灰度值分布进行拟合易产生参数漂移的问题，本发明提出细化灰度直方图的拟合区域，重点关注与脑血管分布相关的中高灰度值区域。另外，还引入了三维加权马尔科夫随机场，利用图像的局部邻域信息提高分割结果的连续性。
针对现有技术的不足，本发明提出一种基于磁共振血管造影图像的脑血管分割方法，其中包括：
步骤1、获取待脑血管分割的磁共振血管造影图像，对该磁共振血管造影图像的灰度直方图进行分析，得到灰度值的分布特征，根据该分布特征，确定拟合区域；
步骤2、通过粒子群优化算法得到多高斯聚焦模型的参数，并依据该参数使用多高斯聚焦模型对该灰度直方图中的拟合区域进行拟合，得到血管类的第一似然概率和非血管类的第二似然概率，根据该第一似然概率和该第二似然概率对磁共振血管造影图像中各像素点进行最大似然分类，得到初级脑血管分割结果；
步骤3、基于三维加权邻域系统，建立三维马尔科夫随机场，通过该三维马尔科夫随机场执行Gibbs分布，得到分类的先验概率；
步骤4、将该第一似然概率、该第二似然概率和该先验概率输入至最大后验概率估计模型，得到血管类的后验概率和非血管类的后验概率，以该初级脑血管分割结果为初值，根据条件迭代模型，最大化分类的后验概率，直到分类结果不再改变或者达到最大迭代次数，停止迭代，得到最终的脑血管分割结果。
所述的基于磁共振血管造影图像的脑血管分割方法，其中步骤1中该分布特征包括极值点以及百分位点。
所述的基于磁共振血管造影图像的脑血管分割方法，其中该步骤2包括：
步骤201、采用双高斯模型对脑血管组织和非血管组织的灰度值分布分别进行建模，将模型的拟合区域细化该拟合区域，多高斯聚焦模型的概率密度函数如下：
f(x)＝wG1fG1(x)+wG2fG2(x)+wG3fG3(x)+wG4fG4(x)
其中x代表图像体素点对应的灰度值，fG1和fG2代表脑血管对应的高斯分布函数，fG3和fG4代表非血管组织对应的高斯分布函数，wG1,wG2,wG3和wG4是对应高斯分布函数的权重值；
高斯分布函数fGl如下：
其中μGl和σGl分别代表高斯分布函数fGl的均值和标准差；
步骤202、由该步骤201中多高斯聚焦模型的概率密度函数，得到模型的参数向量(wG1,wG2,wG3,wG4,μG1,σG1,μG2,σG2,μG3,σG3,μG4,σG4)，分别使用V和B代表血管类和非血管类，根据图像体素i对应的灰度值xi，分别得到该灰度值xi属于血管类的似然概率p(x|V)和属于非血管类的似然概率p(x|B):
p(x|V)＝wG1fG1(xi)+wG2fG2(xi)；p(x|B)＝wG3fG3(xi)+wG4fG4(xi)
其中，xi是三维MRA图像中的体素点对应的灰度值。
步骤203、根据最大似然分类，当像素灰度值满足：
wG1fG1(xi)+wG2fG2(xi)>wG3fG3(xi)+wG4fG4(xi)
则该像素点属于血管类，对图像所有像素点进行分类判断，得到初步的脑血管分割结果。
所述的基于磁共振血管造影图像的脑血管分割方法，其中该步骤3包括：
步骤301、通过下式得到该三维加权邻域系统中邻域体素与中心体素的距离dsr：
其中dx，dy和dz分别代表三维加权邻域系统中体素与中心体素在x，y和z轴方向上的距离差，t是与MRA图像切片厚度相关的参数；
步骤302、根据马尔可夫随机场与吉布斯分布间的等价性，通过吉布斯分布分别得到到脑血管类的先验概率p(V)和非脑血管类的先验概率P(B)：
p(y)＝exp(-U(y))/Z,Z＝Σexp(-U(y))
其中y的取值来自分类集合(V,B)，U(y)是吉布斯分布中的能量函数，Z表示能量函数的归一化常数.
所述的基于磁共振血管造影图像的脑血管分割方法，其中该步骤4包括：
步骤401、结合似然概率P(x|y)和先验概率P(x)，根据最大后验概率估计：
yop＝arg max p(y|x)＝arg max p(x|y)*p(y)
分别得到血管类的后验概率p(V|x)和非血管类的后验概率p(B|x):
p(V|x)∝p(x|V)*exp(-U(V))＝(wG1fG1(xi)+wG2fG2(xi))*exp(-U(V))；
p(B|x)∝p(x|B)*exp(-U(B))＝(wG3fG3(xi)·+wG4fG4(xi))*exp(-U(B))。
本发明还提供了一种基于磁共振血管造影图像的脑血管分割系统，其中包括：
模块1、获取待脑血管分割的磁共振血管造影图像，对该磁共振血管造影图像的灰度直方图进行分析，得到灰度值的分布特征，根据该分布特征，确定拟合区域；
模块2、通过粒子群优化算法得到多高斯聚焦模型的参数，并依据该参数使用多高斯聚焦模型对该灰度直方图中的拟合区域进行拟合，得到血管类的第一似然概率和非血管类的第二似然概率，根据该第一似然概率和该第二似然概率对磁共振血管造影图像中各像素点进行最大似然分类，得到初级脑血管分割结果；
模块3、基于三维加权邻域系统，建立三维马尔科夫随机场，通过该三维马尔科夫随机场执行Gibbs分布，得到分类的先验概率；
模块4、将该第一似然概率、该第二似然概率和该先验概率输入至最大后验概率估计模型，得到血管类的后验概率和非血管类的后验概率，以该初级脑血管分割结果为初值，根据条件迭代模型，最大化分类的后验概率，直到分类结果不再改变或者达到最大迭代次数，停止迭代，得到最终的脑血管分割结果。
所述的基于磁共振血管造影图像的脑血管分割系统，其中模块1中该分布特征包括极值点以及百分位点。
所述的基于磁共振血管造影图像的脑血管分割系统，其中该模块2包括：
模块201、采用双高斯模型对脑血管组织和非血管组织的灰度值分布分别进行建模，将模型的拟合区域细化该拟合区域，多高斯聚焦模型的概率密度函数如下：
f(x)＝wG1fG1(x)+wG2fG2(x)+wG3fG3(x)+wG4fG4(x)
其中x代表图像体素点对应的灰度值，fG1和fG2代表脑血管对应的高斯分布函数，fG3和fG4代表非血管组织对应的高斯分布函数，wG1,wG2,wG3和wG4是对应高斯分布函数的权重值；
高斯分布函数fGl如下：
其中μGl和σGl分别代表高斯分布函数fGl的均值和标准差；
模块202、由该模块201中多高斯聚焦模型的概率密度函数，得到模型的参数向量(wG1,wG2,wG3,wG4,μG1,σG1,μG2,σG2,μG3,σG3,μG4,σG4)，分别使用V和B代表血管类和非血管类，根据图像体素i对应的灰度值xi，分别得到该灰度值xi属于血管类的似然概率p(x|V)和属于非血管类的似然概率p(x|B):
p(x|V)＝wG1fG1(xi)+wG2fG2(xi)；p(x|B)＝wG3fG3(xi)+wG4fG4(xi)
其中，xi是三维MRA图像中的体素点对应的灰度值。
模块203、根据最大似然分类，当像素灰度值满足：
wG1fG1(xi)+wG2fG2(xi)>wG3fG3(xi)+wG4fG4(xi)
则该像素点属于血管类，对图像所有像素点进行分类判断，得到初步的脑血管分割结果。
所述的基于磁共振血管造影图像的脑血管分割系统，其中该模块3包括：
模块301、通过下式得到该三维加权邻域系统中邻域体素与中心体素的距离dsr：
其中dx，dy和dz分别代表三维加权邻域系统中体素与中心体素在x，y和z轴方向上的距离差，t是与MRA图像切片厚度相关的参数；
模块302、根据马尔可夫随机场与吉布斯分布间的等价性，通过吉布斯分布分别得到到脑血管类的先验概率p(V)和非脑血管类的先验概率P(B)：
p(y)＝exp(-U(y))/Z,Z＝∑exp(-U(y))
其中y的取值来自分类集合(V,B)，U(y)是吉布斯分布中的能量函数，Z表示能量函数的归一化常数.
所述的基于磁共振血管造影图像的脑血管分割系统，其中该模块4包括：
模块401、结合似然概率P(x|y)和先验概率P(x)，根据最大后验概率估计：
yop＝arg max p(y|x)＝arg max p(x|y)*p(y)
分别得到血管类的后验概率p(V|x)和非血管类的后验概率p(B|x):
p(V|x)∝p(x|V)*exp(-U(V))＝(wG1fG1(xi)+wG2fG2(xi))*exp(-U(V))；
p(B|x)∝p(x|B)*exp(-U(B))＝(wG3fG3(xi)·+wG4fG4(xi))*exp(-U(B))。
由以上方案可知，本发明的优点在于：
与现有的基于统计模型的MRA图像脑血管分割方法相比，本发明具有以下有益效果：
(1)通过双高斯分布准确的描述了脑血管组织的灰度值分布，提升了细小血管的分割效果，使得分割结果的细节更加丰富；
(2)细化多高斯聚焦模型的拟合区域，提高了模型的准确度和健壮性；
(3)通过三维加权马尔科夫随机场提供的局部邻域信息，有效地提升分割结果的连续性。
附图说明
图1为本发明工作流程总图；
图2为MRA图像灰度直方图分析图；
图3为三维加权邻域系统图；
图4为MRA数据上的分割结果对比图；
图5为Dice相似系数和Jaccard相似系数的比较图表。
具体实施方式
发明人在对不同的MRA图像的灰度值分布进行分析时，发现现有方法的模型在脑血管组织和非血管组织混合的中高值区域的拟合不够准确，会影响最终的分割效果。由此可见，选取更优的模型来描述脑血管组织的分布会极大的影响最终的分割效果。同时在现有方法中，基本所有的模型都力图对MRA图像的整体灰度值分布进行建模，而实际上脑血管只占脑部成分的3％到5％，同时也集中分布在中高值灰度区域。因此，本发明提出细化模型对灰度直方图的拟合区域，来使模型聚焦于与脑血管相关的区域。并且结合能准确描述邻域信息的三维加权马尔科夫随机场，最终设计出了基于多高斯聚焦模型和三维加权马尔科夫随机场的脑血管分割方法。
本发明包括以下关键点：
关键点1，提出多高斯聚焦模型，即采用双高斯模型对脑血管组织和非血管组织分别进行建模。已有的有限混合模型采用单高斯模型对脑血管组织进行建模，然而单高斯模型通常难以准确的对脑血管组织进行建模，尤其是在血管组织与非血管组织的混合区域。这里本发明采用双高斯模型对脑血管组织进行建模，可以更加准确的对脑血管组织的灰度值分布进行刻画，特别是在细小血管分布的混合区域，因此可以分割出细小血管，使得分割结果的细节更加丰富。在保证模型表达能力的同时也避免了模型复杂化。
关键点2，细化灰度直方图的拟合区域，重点关注与脑血管分布相关的中高灰度值区域。之前的基于统计模型的脑血管分割算法都在力图对MRA图像的整体灰度值分布进行建模，但是由于MRA图像中非血管组织占比接近95％，因此容易产生参数估计漂移。本发明采用局部聚焦建模，把模型的表达能力聚焦在血管组织上，提高了参数估计的准确性，也提升了模型的健壮性。
关键点3，提出了基于三维加权邻域系统的三维加权马尔科夫随机场。通过尺寸为5×5×5三维加权邻域系统，根据邻域像素点到中心像素点的距离设置Gibbs分布中能量函数的权重系数，得到分类的先验信息。这样得到的图像的局部邻域信息更加准确和丰富，可以有效地提升分割结果的连续性。
为让本发明的上述特征和效果能阐述的更明确易懂，下文特举实施例，并配合说明书附图作详细说明如下。
具体来说本申请提供了一种基于多高斯聚焦模型和三维加权马尔科夫随机场的脑血管分割方法。本发明的整体流程如图1所示：(1)对MRA图像的灰度直方图进行分析，得到灰度值分布特征；(2)建立多高斯聚焦模型，进行参数估计并得到分类的似然概率；(3)基于三维加权马尔科夫随机场计算分类的先验概率；(4)根据最大后验概率估计和条件迭代模型，计算得到脑血管分割结果。
具体步骤包括：
步骤1、对MRA图像的灰度直方图进行分析，得到灰度值分布特征。MRA图像的灰度值分布如图2所示，基本的特征包括极值点Ipeak1和Ipeak2，以及百分位点u0.96和u0.98。通过这些分布特征可以确定模型拟合区域的范围，即第二峰值点Ipeak2开始的中高值区域。
步骤2、建立多高斯聚焦模型，进行参数估计并得到分类的似然概率。建立多高斯聚焦模型对MRA图像的灰度直方图进行拟合，通过粒子群优化算法得到多高斯聚焦模型的参数，并根据最大似然分类，得到初步的脑血管分割结果，具体包括下列子步骤：
步骤201、采用双高斯模型对脑血管组织和非血管组织的灰度值分布分别进行建模，将模型的拟合区域细化到步骤1中模型拟合区域的范围，多高斯聚焦模型的概率密度函数定义如下：
f(x)＝wG1fG1(x)+wG2fG2(x)+wG3fG3(x)+wG4fG4(x)
其中x代表图像体素点对应的灰度值，fG1和fG2代表脑血管对应的高斯分布函数，fG3和fG4代表非血管组织对应的高斯分布函数，wG1,wG2,wG3和wG4是对应高斯分布函数的权重值。
高斯分布函数fGl的定义如下：
其中μGl和σGl分别代表高斯分布函数fGl的均值和标准差。
步骤202、由步骤201中多高斯聚焦模型的概率密度函数定义，可以得到模型的参数向量(wG1,wG2,wG3,wG4,μG1,σG1,μG2,σG2,μG3,σG3,μG4,σG4)，基于步骤1得到的分布特征对多高斯聚焦模型的参数进行初始化，并利用粒子群优化算法对多高斯聚焦模型的参数进行估计。分别使用V和B代表血管类和非血管类，在假设不存在分类先验的条件下，根据图像体素i对应的灰度值xi，可以分别得到该灰度值xi属于血管类的似然概率p(x|V)和属于非血管类的似然概率p(x|B):
p(x|V)＝wG1fG1(xi)+wG2fG2(xi)；p(x|B)＝wG3fG3(xi)+wG4fG4(xi)
其中，xi是三维MRA图像中的体素点对应的灰度值。
步骤203、根据最大似然分类，当血管类的似然概率大于非血管类的似然概率时，即当像素灰度值满足：
wG1fG1(xi)+wG2fG2(xi)>wG3fG3(xi)+wG4fG4(xi)
则该像素点属于血管类，对图像所有像素点进行分类判断，得到初步的脑血管分割结果。
最大值的是似然概率最大，即判断体素xi属于血管类的似然概率p(x|V)和非血管类的似然概率p(x|B)中谁的值最大，我们就认为该体素属于对应类的概率值大，就可以将其分为该类。通过粒子群优化算法可以得到多高斯模型的参数估计，带入对应的双高斯模型中，就可以得到体素体素xi属于血管类的似然概率p(y|V)和非血管类的似然概率p(y|B)的值。
步骤3、基于三维加权马尔科夫随机场计算分类的先验概率。在基于三维加权马尔科夫随机场的脑血管分割算法中，将观察到的数据集建模为两个随机过程的合成，这两个过程都是3D MRA图像中定义的随机过程。一个过程X＝{X1,X2,…,XN}是一组观察到的随机变量，其中Xs是代表体素s的灰度值的随机变量。另一个随机过程Y＝{V,B}是分类的马尔科夫随机场，其中V是代表血管类的随机变量，B是代表表示非血管类的随机变量。
因此基于我们提出的三维加权邻域系统，可以建立三维马尔科夫随机场，并根据Hammersley-Clifford理论，通过Gibbs分布计算得到了分类的先验概率，具体包括下列子步骤：。
步骤301、定义三维加权邻域系统。如图3所示，考虑到MRA图像中血管的尺寸，优选设置在尺寸为5×5×5的三维邻域中，黑色体素表示中心体素，邻域体素按照其与中心体素的距离dsr分为4类，分别用红、橙、灰，白四种颜色表示。dsr的计算方法如下：
其中dx，dy和dz分别代表三维加权邻域系统中体素与中心体素在x，y和z轴方向上的距离差，t是与MRA图像切片厚度相关的参数。
按照权重值可以将邻域体素分为4类，分别用红、橙、灰，白四种颜色表示。
步骤302、根据Hammersley-Clifford理论，即马尔可夫随机场与Gibbs分布具有等价性，因此通过吉布斯(Gibbs)分布可以分别得到脑血管类的先验概率p(V)和非脑血管类的先验概率p(B)。先验概率P(y)的计算方式如下：
p(y)＝exp(-U(y))/Z,Z＝Σexp(-U(y))
其中y的取值来自分类集合(V,B)，U(y)是Gibbs分布中的能量函数，Z表示能量函数的归一化常数。能量函数U(y)定义为：
V(r,s)是三维加权邻域系统中体素r和中心体素s之间的势能函数，定义如下：
步骤4、根据最大后验概率估计和条件迭代模型，计算得到脑血管分割结果。具体包括下列子步骤：
步骤401、结合步骤202中由多高斯聚焦模型得到的似然概率P(x|y)和基于三维加权马尔科夫随机场计算得到的类先验概率P(x)，根据最大后验概率估计：
yop＝arg max p(y|x)＝arg max p(x|y)*p(y)
分别得到血管类的后验概率p(V|x)和非血管类的后验概率p(B|x):
p(V|x)∝p(x|V)*exp(-U(V))＝(wG1fG1(xi)+wG2fG2(xi))*exp(-U(V))
p(B|x)∝p(x|B)*exp(-U(B))＝(wG3fG3(xi)+wG4fG4(xi))*exp(-U(B))
步骤402、以多高斯聚焦模型得到的脑血管分割结果为初值，根据条件迭代模型，最大化分类的后验概率，直到分类结果不再改变或者达到最大迭代次数，停止迭代，得到最终的脑血管分割结果。
本发明将所提出的基于FMG模型脑血管分割方法与Hassouna等人(2006)提出的基于TGR模型分割方法和Wen等人(2015)提出的基于DGR模型分割方法进行对比，在相同MRA数据上的分割结果如图4所示。显而易见，本发明提出的脑血管分割方法可以分割出更加细小的血管和更丰富的细节，并且血管具有更好的连续性，特别是在蓝色圆圈标出的区域。
为了更加客观定量的分析本发明提出的分割算法的有效性，采用Dice相似系数(DSC)和Jaccard相似系数(JSC)对三种脑血管分割方法的分割结果进行评估，结果如表1所示。可以看出，本发明提出的分割方法Dice系数分别优于其他两种分割方法10％和20％，Jaccard系数优于其他两种分割方法20％左右。由此可见，本发明提出的脑血管分割方法与专家手工分割的结果非常接近，具有高可信度。
以下为与上述方法实施例对应的系统实施例，本实施方式可与上述实施方式互相配合实施。上述实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在上述实施方式中。
本发明还提供了一种基于磁共振血管造影图像的脑血管分割系统，其中包括：
模块1、获取待脑血管分割的磁共振血管造影图像，对该磁共振血管造影图像的灰度直方图进行分析，得到灰度值的分布特征，根据该分布特征，确定拟合区域；
模块2、通过粒子群优化算法得到多高斯聚焦模型的参数，并依据该参数使用多高斯聚焦模型对该灰度直方图中的拟合区域进行拟合，得到血管类的第一似然概率和非血管类的第二似然概率，根据该第一似然概率和该第二似然概率对磁共振血管造影图像中各像素点进行最大似然分类，得到初级脑血管分割结果；
模块3、基于三维加权邻域系统，建立三维马尔科夫随机场，通过该三维马尔科夫随机场执行Gibbs分布，得到分类的先验概率；
模块4、将该第一似然概率、该第二似然概率和该先验概率输入至最大后验概率估计模型，得到血管类的后验概率和非血管类的后验概率，以该初级脑血管分割结果为初值，根据条件迭代模型，最大化分类的后验概率，直到分类结果不再改变或者达到最大迭代次数，停止迭代，得到最终的脑血管分割结果。
所述的基于磁共振血管造影图像的脑血管分割系统，其中模块1中该分布特征包括极值点以及百分位点。
所述的基于磁共振血管造影图像的脑血管分割系统，其中该模块2包括：
模块201、采用双高斯模型对脑血管组织和非血管组织的灰度值分布分别进行建模，将模型的拟合区域细化该拟合区域，多高斯聚焦模型的概率密度函数如下：
f(x)＝wG1fG1(x)+wG2fG2(x)+wG3fG3(x)+wG4fG4(x)
其中x代表图像体素点对应的灰度值，fG1和fG2代表脑血管对应的高斯分布函数，fG3和fG4代表非血管组织对应的高斯分布函数，wG1,wG2,wG3和wG4是对应高斯分布函数的权重值；
高斯分布函数FGl如下：
其中μGl和σGl分别代表高斯分布函数fGl的均值和标准差；
模块202、由该模块201中多高斯聚焦模型的概率密度函数，得到模型的参数向量(wG1,wG2,wG3,wG4,μG1,σG1,μG2,σG2,μG3,σG3,μG4,σG4)，分别使用V和B代表血管类和非血管类，根据图像体素i对应的灰度值xi，分别得到该灰度值xi属于血管类的似然概率p(x|V)和属于非血管类的似然概率p(x|B):
p(x|V)＝wG1fG1(xi)+wG2fG2(xi)；p(x|B)＝wG3fG3(xi)+wG4fG4(xi)
其中，xi是三维MRA图像中的体素点对应的灰度值。
模块203、根据最大似然分类，当像素灰度值满足：
wG1fG1(xi)+wG2fG2(xi)>wG3fG3(xi)+wG4fG4(xi)
则该像素点属于血管类，对图像所有像素点进行分类判断，得到初步的脑血管分割结果。
所述的基于磁共振血管造影图像的脑血管分割系统，其中该模块3包括：
模块301、通过下式得到该三维加权邻域系统中邻域体素与中心体素的距离dsr：
其中dx，dy和dz分别代表三维加权邻域系统中体素与中心体素在x，y和z轴方向上的距离差，t是与MRA图像切片厚度相关的参数；
模块302、根据马尔可夫随机场与吉布斯分布间的等价性，通过吉布斯分布分别得到到脑血管类的先验概率p(V)和非脑血管类的先验概率P(B)：
p(y)＝exp(-U(y))/Z,Z＝∑exp(-U(y))
其中y的取值来自分类集合(V,B)，U(y)是吉布斯分布中的能量函数，Z表示能量函数的归一化常数.
所述的基于磁共振血管造影图像的脑血管分割系统，其中该模块4包括：
模块401、结合似然概率P(x|y)和先验概率P(x)，根据最大后验概率估计：
yop＝arg maxp(y|x)＝argmaxp(x|y)*p(y)
分别得到血管类的后验概率p(V|x)和非血管类的后验概率p(B|x):
p(V|x)∝p(x|V)*exp(-U(V))＝(wG1fG1(xi)+wG2fG2(xi))*exp(-U(V))；
p(B|x)∝p(x|B)*exp(-U(B))＝(wG3fG3(xi)+wG4fG4(xi))*exp(-U(B))。
Claims (8)
1.一种基于磁共振血管造影图像的脑血管分割方法，其特征在于，包括：
步骤1、获取待脑血管分割的磁共振血管造影图像，对该磁共振血管造影图像的灰度直方图进行分析，得到灰度值的分布特征，根据该分布特征，确定拟合区域；
步骤2、通过粒子群优化算法得到多高斯聚焦模型的参数，并依据该参数使用多高斯聚焦模型对该灰度直方图中的拟合区域进行拟合，得到血管类的第一似然概率和非血管类的第二似然概率，根据该第一似然概率和该第二似然概率对磁共振血管造影图像中各像素点进行最大似然分类，得到初级脑血管分割结果；
步骤3、基于三维加权邻域系统，建立三维马尔科夫随机场，通过该三维马尔科夫随机场执行Gibbs分布，得到分类的先验概率；
步骤4、将该第一似然概率、该第二似然概率和该先验概率输入至最大后验概率估计模型，得到血管类的后验概率和非血管类的后验概率，以该初级脑血管分割结果为初值，根据条件迭代模型，最大化分类的后验概率，直到分类结果不再改变或者达到最大迭代次数，停止迭代，得到最终的脑血管分割结果；
其中该步骤2包括：
步骤201、采用双高斯模型对脑血管组织和非血管组织的灰度值分布分别进行建模，将模型的拟合区域细化该拟合区域，多高斯聚焦模型的概率密度函数如下：
f(x)＝wG1fG1(x)+wG2fG2(x)+wG3fG3(x)+wG4fG4(x)
其中x代表图像体素点对应的灰度值，fG1和fG2代表脑血管对应的高斯分布函数，fG3和fG4代表非血管组织对应的高斯分布函数，wG1,wG2,wG3和wG4是对应高斯分布函数的权重值；
高斯分布函数fGl如下：
其中μGl和σGl分别代表高斯分布函数fGl的均值和标准差；
步骤202、由该步骤201中多高斯聚焦模型的概率密度函数，得到模型的参数向量(wG1，wG2，wG3，wG4，μG1，σG1，μG2，σG2，μG3，σG3，μG4，σG4)，分别使用V和B代表血管类和非血管类，根据图像体素i对应的灰度值xi，分别得到该灰度值xi属于血管类的似然概率p(x|V)和属于非血管类的似然概率p(x|B)：
p(x|V)＝wG1fG1(xi)+wG2fG2(xi)；p(x|B)＝wG3fG3(xi)+wG4fG4(xi)
其中，xi是三维MRA图像中的体素点对应的灰度值；
步骤203、根据最大似然分类，当像素灰度值满足：
wG1fG1(xi)+wG2fG2(xi)＞wG3fG3(xi)+wG4fG4(xi)
则该像素点属于血管类，对图像所有像素点进行分类判断，得到初步的脑血管分割结果。
2.如权利要求1所述的基于磁共振血管造影图像的脑血管分割方法，其特征在于，步骤1中该分布特征包括极值点以及百分位点。
3.如权利要求1所述的基于磁共振血管造影图像的脑血管分割方法，其特征在于，该步骤3包括：
步骤301、通过下式得到该三维加权邻域系统中邻域体素与中心体素的距离dsr：
其中dx，dy和dz分别代表三维加权邻域系统中体素与中心体素在x，y和z轴方向上的距离差，t是与MRA图像切片厚度相关的参数；
步骤302、根据马尔可夫随机场与吉布斯分布间的等价性，通过吉布斯分布分别得到到脑血管类的先验概率p(V)和非脑血管类的先验概率P(B)：
p(y)＝exp(-U(y))/Z，Z＝∑exp(-U(y))
其中y的取值来自分类集合(V,B)，U(y)是吉布斯分布中的能量函数，Z表示能量函数的归一化常数；
其中能量函数U(y)为：
其中y代表中心体素s的分类标签，Ω为中心体素的5*5*5的邻域体素集合，yr代表邻域体素r的分类标签，dsr表示步骤301中定义的邻域体素r到中心体素s的距离。
4.如权利要求3所述的基于磁共振血管造影图像的脑血管分割方法，其特征在于，该步骤4包括：
步骤401、结合似然概率P(x|y)和先验概率P(x)，根据最大后验概率估计：
yop＝arg max p(y|x)＝arg max p(x|y)*p(y)
分别得到血管类的后验概率p(V|x)和非血管类的后验概率p(B|x)：
p(V|x)∝p(x|V)*exp(-U(V))＝(wG1fG1(xi)+wG2fG2(xi))*exp(-U(V))；
p(B|x)∝p(x|B)*exp(-U(B))＝(wG3fG3(xi)+wG4fG4(xi))*exp(-U(B))。
5.一种基于磁共振血管造影图像的脑血管分割系统，其特征在于，包括：
模块1、获取待脑血管分割的磁共振血管造影图像，对该磁共振血管造影图像的灰度直方图进行分析，得到灰度值的分布特征，根据该分布特征，确定拟合区域；
模块2、通过粒子群优化算法得到多高斯聚焦模型的参数，并依据该参数使用多高斯聚焦模型对该灰度直方图中的拟合区域进行拟合，得到血管类的第一似然概率和非血管类的第二似然概率，根据该第一似然概率和该第二似然概率对磁共振血管造影图像中各像素点进行最大似然分类，得到初级脑血管分割结果；
模块3、基于三维加权邻域系统，建立三维马尔科夫随机场，通过该三维马尔科夫随机场执行Gibbs分布，得到分类的先验概率；
模块4、将该第一似然概率、该第二似然概率和该先验概率输入至最大后验概率估计模型，得到血管类的后验概率和非血管类的后验概率，以该初级脑血管分割结果为初值，根据条件迭代模型，最大化分类的后验概率，直到分类结果不再改变或者达到最大迭代次数，停止迭代，得到最终的脑血管分割结果；
该模块2包括：
模块201、采用双高斯模型对脑血管组织和非血管组织的灰度值分布分别进行建模，将模型的拟合区域细化该拟合区域，多高斯聚焦模型的概率密度函数如下：
f(x)＝wG1fG1(x)+wG2fG2(x)+wG3fG3(x)+wG4fG4(x)
其中x代表图像体素点对应的灰度值，fG1和fG2代表脑血管对应的高斯分布函数，fG3和fG4代表非血管组织对应的高斯分布函数，wG1,wG2,wG3和wG4是对应高斯分布函数的权重值；
高斯分布函数fGl如下：
其中μGl和σGl分别代表高斯分布函数fGl的均值和标准差；
模块202、由该模块201中多高斯聚焦模型的概率密度函数，得到模型的参数向量(wG1，wG2，wG3，wG4，μG1，σG1，μG2，σG2，μG3，σG3，μG4，σG4)，分别使用V和B代表血管类和非血管类，根据图像体素i对应的灰度值xi，分别得到该灰度值xi属于血管类的似然概率p(x|V)和属于非血管类的似然概率p(x|B)：
p(x|V)＝wG1fG1(xi)+wG2fG2(xi)；p(x|B)＝wG3fG3(xi)+wG4fG4(xi)
其中，xi是三维MRA图像中的体素点对应的灰度值；
模块203、根据最大似然分类，当像素灰度值满足：
wG1fG1(xi)+wG2fG2(xi)＞wG3fG3(xi)+wG4fG4(xi)
则该像素点属于血管类，对图像所有像素点进行分类判断，得到初步的脑血管分割结果。
6.如权利要求5所述的基于磁共振血管造影图像的脑血管分割系统，其特征在于，模块1中该分布特征包括极值点以及百分位点。
7.如权利要求5所述的基于磁共振血管造影图像的脑血管分割系统，其特征在于，该模块3包括：
模块301、通过下式得到该三维加权邻域系统中邻域体素与中心体素的距离dsr：
其中dx，dy和dz分别代表三维加权邻域系统中体素与中心体素在x，y和z轴方向上的距离差，t是与MRA图像切片厚度相关的参数；
模块302、根据马尔可夫随机场与吉布斯分布间的等价性，通过吉布斯分布分别得到到脑血管类的先验概率p(V)和非脑血管类的先验概率P(B)：
p(y)＝exp(-U(y))/Z,Z＝∑exp(-U(y))
其中y的取值来自分类集合(V,B)，U(y)是吉布斯分布中的能量函数，Z表示能量函数的归一化常数；
其中能量函数U(y)为：
其中y代表中心体素s的分类标签，Ω为中心体素的5*5*5的邻域体素集合，yr代表邻域体素r的分类标签，dsr表示步骤301中定义的邻域体素r到中心体素s的距离。
8.如权利要求7所述的基于磁共振血管造影图像的脑血管分割系统，其特征在于，该模块4包括：
模块401、结合似然概率P(x|y)和先验概率P(x)，根据最大后验概率估计：yop＝arg maxp(y|x)＝arg max p(x|y)*p(y)
分别得到血管类的后验概率p(V|x)和非血管类的后验概率p(B|x)：
p(V|x)∝p(x|V)*exp(U(V))＝(wG1fG1(xi)+wG2fG2(xi))*exp(-U(V))；
p(B|x)∝p(x|B)*exp(-U(B))＝(wG3fG3(xi)+wG4fG4(xi))*exp(-U(B))。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911105440.2A CN111126403B (zh) | 2019-11-13 | 2019-11-13 | 一种基于磁共振血管造影图像的脑血管分割方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911105440.2A CN111126403B (zh) | 2019-11-13 | 2019-11-13 | 一种基于磁共振血管造影图像的脑血管分割方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111126403A CN111126403A (zh) | 2020-05-08 |
| CN111126403B true CN111126403B (zh) | 2023-10-24 |
Family
ID=70495548
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911105440.2A Active CN111126403B (zh) | 2019-11-13 | 2019-11-13 | 一种基于磁共振血管造影图像的脑血管分割方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111126403B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115661467B (zh) * | 2022-12-28 | 2023-05-05 | 中国科学院自动化研究所 | 脑血管图像分割方法、装置、电子设备及存储介质 |
| CN116342588B (zh) * | 2023-05-22 | 2023-08-11 | 徕兄健康科技(威海)有限责任公司 | 一种脑血管图像增强方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000311180A (ja) * | 1999-03-11 | 2000-11-07 | Fuji Xerox Co Ltd | 特徴セット選択方法、ビデオ画像クラス統計モデルの生成方法、ビデオフレームの分類及びセグメント化方法、ビデオフレームの類似性決定方法、およびコンピュータ可読媒体、並びにコンピュータシステム |
| CN102436636A (zh) * | 2010-09-29 | 2012-05-02 | 中国科学院计算技术研究所 | 自动分割头发的方法及其系统 |
| CN102663416A (zh) * | 2012-03-20 | 2012-09-12 | 苏州迪凯尔医疗科技有限公司 | 手术规划系统中内脏及其内部血管的分割方法 |
| WO2018119912A1 (zh) * | 2016-12-29 | 2018-07-05 | 深圳大学 | 基于并行模糊高斯和粒子滤波的目标跟踪方法及装置 |
| CN109102511A (zh) * | 2018-07-06 | 2018-12-28 | 深圳先进技术研究院 | 一种脑血管分割方法、系统及电子设备 |
| CN109685813A (zh) * | 2018-12-27 | 2019-04-26 | 江西理工大学 | 一种自适应尺度信息的u型视网膜血管分割方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060110071A1 (en) * | 2004-10-13 | 2006-05-25 | Ong Sim H | Method and system of entropy-based image registration |
| US7783092B2 (en) * | 2006-01-17 | 2010-08-24 | Illinois Institute Of Technology | Method for enhancing diagnostic images using vessel reconstruction |
| US8073226B2 (en) * | 2006-06-30 | 2011-12-06 | University Of Louisville Research Foundation, Inc. | Automatic detection and monitoring of nodules and shaped targets in image data |
| US10019796B2 (en) * | 2015-10-16 | 2018-07-10 | General Electric Company | System and method for blood vessel analysis and quantification in highly multiplexed fluorescence imaging |
-
2019
- 2019-11-13 CN CN201911105440.2A patent/CN111126403B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000311180A (ja) * | 1999-03-11 | 2000-11-07 | Fuji Xerox Co Ltd | 特徴セット選択方法、ビデオ画像クラス統計モデルの生成方法、ビデオフレームの分類及びセグメント化方法、ビデオフレームの類似性決定方法、およびコンピュータ可読媒体、並びにコンピュータシステム |
| CN102436636A (zh) * | 2010-09-29 | 2012-05-02 | 中国科学院计算技术研究所 | 自动分割头发的方法及其系统 |
| CN102663416A (zh) * | 2012-03-20 | 2012-09-12 | 苏州迪凯尔医疗科技有限公司 | 手术规划系统中内脏及其内部血管的分割方法 |
| WO2018119912A1 (zh) * | 2016-12-29 | 2018-07-05 | 深圳大学 | 基于并行模糊高斯和粒子滤波的目标跟踪方法及装置 |
| CN109102511A (zh) * | 2018-07-06 | 2018-12-28 | 深圳先进技术研究院 | 一种脑血管分割方法、系统及电子设备 |
| CN109685813A (zh) * | 2018-12-27 | 2019-04-26 | 江西理工大学 | 一种自适应尺度信息的u型视网膜血管分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| 曹容菲 等.基于高斯-马尔科夫随机场模型的脑血管分割算法研究.《电子与信息学报》.2014,第36卷(第36期),第2053-2060页. * |
| 贾亚飞 等.基于扩散方程和MRF的SAR图像分割.《电子与信息学报》.2011,第33卷(第33期),第363-368页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111126403A (zh) | 2020-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hooda et al. | Brain tumor segmentation: A performance analysis using K-Means, Fuzzy C-Means and Region growing algorithm | |
| CN107292312B (zh) | 肿瘤ct图像处理方法 | |
| Kaur | An automatic brain tumor extraction system using different segmentation methods | |
| Shrivastava et al. | Automatic seeded region growing image segmentation for medical image segmentation: a brief review | |
| JP2023517058A (ja) | 画像処理に基づく腫瘍の自動検出 | |
| CN110110727B (zh) | 基于条件随机场和贝叶斯后处理的图像分割方法 | |
| CN111126403B (zh) | 一种基于磁共振血管造影图像的脑血管分割方法和系统 | |
| Gordillo et al. | A new fuzzy approach to brain tumor segmentation | |
| Kaur et al. | Optimized multi threshold brain tumor image segmentation using two dimensional minimum cross entropy based on co-occurrence matrix | |
| Archa et al. | Segmentation of brain tumor in MRI images using CNN with edge detection | |
| Czipczer et al. | Adaptable volumetric liver segmentation model for CT images using region-based features and convolutional neural network | |
| Gunesli et al. | AttentionBoost: Learning what to attend for gland segmentation in histopathological images by boosting fully convolutional networks | |
| Sasirekha et al. | Improved segmentation of MRI brain images by denoising and contrast enhancement | |
| Soleymanifard et al. | Segmentation of whole tumor using localized active contour and trained neural network in boundaries | |
| Gunawan et al. | Fuzzy Region Merging Using Fuzzy Similarity Measurement on Image Segmentation | |
| Czipczer et al. | Automatic liver segmentation on CT images combining region-based techniques and convolutional features | |
| Sun et al. | Bounded asymmetric Gaussian mixture model with spatial constraint for image segmentation | |
| Zheng et al. | Improvement of grayscale image segmentation based on pso algorithm | |
| Chen et al. | Segmentation of ventricles in brain CT images using gaussian mixture model method | |
| Susomboon et al. | Automatic single-organ segmentation in computed tomography images | |
| Gupta et al. | Multi Level Approach for Segmentation of Interstitial Lung Disease (ILD) Patterns Classification Based on Superpixel Processing and Fusion of K‐Means Clusters: SPFKMC | |
| Isa et al. | The automated segmentation techniques of T2-weighted MRI images using K-means clustering and Otsu-based thresholding method | |
| Li et al. | Segmentation of medical images with a combination of convolutional operators and adaptive Hidden Markov model | |
| Attia et al. | Left ventricle detection in echocardiography videos | |
| Li et al. | CATS v2: Hybrid encoders for robust medical 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 |