CN111161245B - 一种鲁棒的交互式医学图像分割方法 - Google Patents
一种鲁棒的交互式医学图像分割方法 Download PDFInfo
- Publication number
- CN111161245B CN111161245B CN201911394679.6A CN201911394679A CN111161245B CN 111161245 B CN111161245 B CN 111161245B CN 201911394679 A CN201911394679 A CN 201911394679A CN 111161245 B CN111161245 B CN 111161245B
- Authority
- CN
- China
- Prior art keywords
- segmentation
- image
- window
- function
- formula
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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
- G06T2207/30041—Eye; Retina; Ophthalmic
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种鲁棒的交互式医学图像分割方法,该分割方法包括如下步骤:(1)在OCT图像中预分割出视网膜病灶所在的窗口;(2)在窗口内设置两个固定的脚点,形成待分割窗口;在待分割窗口内利用活动轮廓模型进行迭代收缩完成分割。该方法基于活动轮廓模型的图像分割方法,对于散斑噪声强的视网膜OCT图像通过手动加窗口减少分割范围以排除背景区散斑噪声对模型的影响并加速分割病灶过程;通过脚点可以克服病灶不透光特性导致的分割不准确;结合分数阶微分增强和局部模糊能量泛函提出了活动轮廓模型能鲁棒而高效的完成好的病灶分割。
Description
技术领域
本发明涉及一种鲁棒的交互式医学图像分割方法,属于图像处理的技术领域。
背景技术
视网膜光学相干断层扫描技术(OCT)影像是许多眼科疾病及其他疾病的有效诊断依据,如糖尿病视网膜病变、黄斑水肿以及钙化在OCT图像中一般都表现为相应的斑块。视网膜图像每一层有自己特殊的结构特征,不同的尺寸、形状和分布。每一层的信号和噪声模型都是不同的。具有明显特征的病理结构一般出现在特定的层次上。比如,鼓膜结构出现在视网膜色素上皮层(RPE)的正下或正上方。而与年龄相关的黄斑变性相关的高反射病灶预计不会出现在神经纤维层(NFL)中。在临床诊断上面,识别视网膜组织特征的相关病灶通常由眼科医生手动分割,手动分割需要花费大量的时间,并且人为因素较强。因此适用于视网膜OCT图像病灶分割技术得研究和应用就显得尤为重要。
对于视网膜OCT图像来说,强度分布极不均匀,通常表现为低对比度,并且散斑噪声严重,因此进行全局分割病灶效果并不好,对于小病灶的分割与识别就比较困难。传统的基于区域的活动轮廓模型依赖于图像的全局信息,在处理灰度强度不均匀的图像时,同一个类别在因灰度不均导致的灰度不同时,基于全局信息是无法有效识别的。视网膜病灶边缘就会有灰度会呈现不同而出现不均匀问题,处理这个问题对于病灶识别分割也有非常重要的意义。
发明内容
针对现有技术的不足,本发明提供一种鲁棒的交互式医学图像分割方法。
本发明提供了一种鲁棒的交互式医学图像分割方法,首先预分割出视网膜病灶所在的窗口,然后在窗口内设置两个固定的脚点,形成待分割窗口;在该待分割窗口内利用活动轮廓模型进行迭代收缩,完成对病灶的分割。
术语解释:
活动轮廓模型:是一条能量递减曲线,由轮廓自身特征决定的内部能量和图像特征决定的外部能量共同支配,在能量最小的原则下移动并最终停止于所要寻找的物体边缘附近。
本发明的技术方案为:
一种鲁棒的交互式医学图像分割方法,包括如下步骤:
(1)在OCT图像中预分割出视网膜病灶所在的窗口;目的是减少分割范围,以排除背景区散斑噪声对模型的影响,并加速分割病灶过程。
(2)在所述窗口内设置两个固定的脚点,形成待分割窗口;两个脚点是病灶下边缘的两个分割边界点,这两脚点的连线是不动的分割边界,设置固定的脚点可以克服病灶不透光特性导致的分割不准确;在所述待分割窗口内利用活动轮廓模型进行迭代收缩完成分割;使用活动轮廓模型能鲁棒而高效的完成好的病灶分割。
活动轮廓模型的模糊能量函数如公式(Ⅰ)所示:
公式(Ⅰ)中,E表示模糊能量值;目的是找到合适的伪水平集函数u(x)使得E达到最小值,此时的u(x)就是分割结果的表示;x表示整个图片范围内的像素点,y表示整个图片范围内的像素点;x、y分别表示不同次处理过程中针对的整个图片范围内的像素点;u(x)表示针对整个图片范围内的像素点x的伪水平集函数;α表示调节图像信息能量参数;β表示调节伪水平集函数惩罚信息的参数;λ1表示调节分割区域内能量的参数;λ2表示调节分割区域外能量的参数;I(x)表示图像在x像素点处的灰度值,DvI(x)表示对像素点x的图像做v阶分数阶微分增强;Ω表示x和y图像定义域;m是模糊隶属度的加权指数;Kσ(y-x)表示y-x的高斯核函数,标准偏差为σ,用于控制待分割窗口的局部范围;模糊能量函数在第一重积分的过程中,把y固定,对x进行全局像素点积分;第二重积分的过程中,保证y在进行全局像素点积分时,当像素点y距离x比较近,此时Kσ(y-x)有意义,当y距离x比较远时,Kσ(y-x)趋于零,无意义;f1(y)和f2(y)均为局部模糊聚类中心函数,f1(y)用来计算y邻域内零水平集内的局部灰度均值;f2(y)用来计算y邻域内零水平集外的局部灰度均值;f1(y)和f2(y)的定义如公式(Ⅱ)和(Ⅲ)所示:
基于局部模糊聚类中心函数能够很好的分割灰度分布不均匀的图像;
根据本发明优选的,步骤(1)之前,先对原OCT图像进行正则化处理,正则化处理的目的是就是原图像的像素值归一化到[0,1]的范围内;再对图像进行分数阶微分增强,目的是减少散斑噪声的影响,分数阶微分增强的具体过程如下:
然后,使用所述n×n的分数阶微分增强掩模对图像进行卷积运算,完成对图像的分数阶微分增强;
进一步优选的,n=5,v=0.2。
根据本发明优选的,步骤(2)中,为了最小化模糊能量函数E,固定f1(y)和f2(y)不变,然后求出使得E最小的u(x),得到u(x)随时间t演化,如公式(Ⅳ)如示:
采用有限差分离散算法分割求解公式(Ⅳ)。有限差分离散算法就是离散数值计算代替连续微分计算进行数值计算。
根据本发明优选的,步骤(2)中,α>0;β>0;λ1>0;λ2>0;α、β、λ1、λ2为固定参数;v=0.2;m=2;σ=5。
根据本发明优选的,步骤(2)中,在对图像进行迭代收缩完成分割的过程中,为了保证对于灰度不均匀图像的鲁棒分割,采用高斯平滑方法对公式(Ⅳ)中的伪水平集函数u(x)进行平滑,平滑过程中第k次迭代的近似解u(x)k和第k+1次迭代的近似解u(x)k+1满足的关系:
u(x)k+1=Kξu(x)k (V),
在公式(V)中,Kξ表示标准偏差为ξ的高斯核函数,k表示迭代次数;
当模糊能量函数E取最小值时,对应的u(x)为视网膜图像的窗口区域进行迭代完成分割的表示,即完成对所述待分割窗口的迭代收缩分割;
进一步优选的,ξ=0.5。
本发明的有益效果为:
1.本发明提供一种鲁棒的交互式医学图像分割方法,该方法基于活动轮廓模型的图像分割方法,对于散斑噪声强的视网膜OCT图像通过手动加窗口减少分割范围以排除背景区散斑噪声对模型的影响并加速分割病灶过程;通过脚点可以克服病灶不透光特性导致的分割不准确;结合分数阶微分增强和局部模糊能量泛函提出了活动轮廓模型能鲁棒而高效的完成好的病灶分割。
2.本发明为基于活动轮廓模型的图像分割方法,可以克服OCT图像对比度低,散斑噪声严重的问题,对视网膜OCT图像中的病灶的识别能力强。
附图说明
图1未进行处理的原始图像;
图2利用离散方法得到n×n的分数阶微分增强掩模的示意图;
图3预分割出视网膜病灶所在的窗口并形成待分割窗口的图像;
图4利用活动轮廓模型进行迭代收缩完成分割后的图像。
具体实施方式
下面结合实施例和说明书附图对本发明做进一步说明,但不限于此。
实施例1
一种鲁棒的交互式医学图像分割方法,包括如下步骤:
(1)未进行处理的原OCT图像,如图1所示,先对原OCT图像进行正则化处理,正则化处理的目的是就是原图像的像素值归一化到[0,1]的范围内;再对图像进行分数阶微分增强,目的是减少散斑噪声的影响,分数阶微分增强的具体过程如下:
首先,利用离散方法得到n×n的分数阶微分增强掩模,如图2所示,任一元素Γ(-v+1)表示(-v+1)的伽玛函数,Γ(-v+i+1)表示(-v+i+1)的伽玛函数,i!表示i的阶乘,其中n=5,v=0.2;
然后,使用n×n的分数阶微分增强掩模对图像进行卷积运算,完成对图像的分数阶微分增强。
(2)预分割出视网膜病灶所在的窗口;目的是减少分割范围,以排除背景区散斑噪声对模型的影响,并加速分割病灶过程。
(3)在窗口内设置两个固定的脚点,形成待分割窗口;两个脚点是病灶下边缘的两个分割边界点,这两脚点的连线是不动的分割边界,设置固定的脚点可以克服病灶不透光特性导致的分割不准确;如图3所示,图中五角形边框就是初始零水平集位置,是由人机交互画出的,里面包含了病灶的位置。其中,下面的两个点就是病灶的两个脚点位置,代表了病灶下面的两个依靠专家人机交互给定的不动分割点,即这两个点和连线是由专家依据其自身知识经验给定的分割下边界。在待分割窗口内利用活动轮廓模型进行迭代收缩完成分割;使用活动轮廓模型能鲁棒而高效的完成好的病灶分割。
活动轮廓模型的模糊能量函数如公式(Ⅰ)所示:
公式(Ⅰ)中,E表示模糊能量值;目的是找到合适的伪水平集函数u(x)使得E达到最小值,此时的u(x)就是分割结果的表示;x表示整个图片范围内的像素点,y表示整个图片范围内的像素点;x、y分别表示不同次处理过程中针对的整个图片范围内的像素点;u(x)表示针对整个图片范围内的像素点x的伪水平集函数;α表示调节图像信息能量参数;β表示调节伪水平集函数惩罚信息的参数;λ1表示调节分割区域内能量的参数;λ2表示调节分割区域外能量的参数;
I(x)表示图像在x像素点处的灰度值,DvI(x)表示对像素点x的图像做v阶分数阶微分增强;Ω表示x和y图像定义域;m是模糊隶属度的加权指数,m=2;Kσ是标准偏差为σ的高斯核函数,Kσ(y-x)表示y-x的高斯核函数,标准偏差为σ,σ=5,用于控制待分割窗口的局部范围;模糊能量函数在第一重积分的过程中,把y固定,对x进行全局像素点积分;第二重积分的过程中,保证y在进行全局像素点积分时,当像素点y距离x比较近,此时Kσ(y-x)有意义,当y距离x比较远时,Kσ(y-x)趋于零,无意义;f1(y)和f2(y)均为局部模糊聚类中心函数,f1(y)用来计算y邻域内零水平集内的局部灰度均值;f2(y)用来计算y邻域内零水平集外的局部灰度均值;f1(y)和f2(y)的定义如公式(Ⅱ)和(Ⅲ)所示:
基于局部模糊聚类中心函数能够很好的分割灰度分布不均匀的图像;
求解模糊能量函数E最小值的过程就是迭代收缩完成分割的过程。
为了最小化模糊能量函数E,固定f1(y)和f2(y)不变,然后求出使得E最小的u(x),得到u(x)随时间t演化,如公式(Ⅳ)如示:
采用有限差分离散算法分割求解公式(Ⅳ),有限差分离散算法就是离散数值计算代替连续微分计算进行数值计算。
在对图像进行迭代收缩完成分割的过程中,为了保证对于灰度不均匀图像的鲁棒分割,采用高斯平滑方法对公式(Ⅳ)中的伪水平集函数u(x)进行平滑,平滑过程中第k次迭代的近似解u(x)k和第k+1次迭代的近似解u(x)k+1满足的关系:
u(x)k+1=Kξu(x)k (V),
在公式(V)中,Kξ表示标准偏差为ξ的高斯核函数,k表示迭代次数;其中ξ=0.5。
当模糊能量函数E取最小值时,对应的u(x)为视网膜图像的窗口区域进行迭代完成分割的表示,即完成对待分割窗口的迭代收缩分割。
完成迭代收缩分割后的窗口如图4所示,不规则曲线围绕的区域为分割的后的窗口。
Claims (4)
1.一种鲁棒的交互式医学图像分割方法,其特征在于,包括如下步骤:
(1)在OCT图像中预分割出视网膜病灶所在的窗口;
(2)在所述窗口内设置两个固定的脚点,形成待分割窗口;在所述待分割窗口内利用活动轮廓模型进行迭代收缩完成分割;
活动轮廓模型的模糊能量函数如公式(I)所示:
公式(I)中,E表示模糊能量值;x表示整个图片范围内的像素点,y表示整个图片范围内的像素点;x、y分别表示不同次处理过程中针对的整个图片范围内的像素点;u(x)表示针对整个图片范围内的像素点x的伪水平集函数;α表示调节图像信息能量参数;β表示调节伪水平集函数惩罚信息的参数;λ1表示调节分割区域内能量的参数;λ2表示调节分割区域外能量的参数;I(x)表示图像在x像素点处的灰度值,DvI(x)表示对像素点x的图像做v阶分数阶微分增强;Ω表示x和y图像定义域;m是模糊隶属度的加权指数;Kσ(y-x)表示y-x的高斯核函数,标准偏差为σ,用于控制待分割窗口的局部范围;f1(y)和f2(y)均为局部模糊聚类中心函数,f1(y)用来计算y邻域内零水平集内的局部灰度均值;f2(y)用来计算y邻域内零水平集外的局部灰度均值;f1(y)和f2(y)的定义如公式(II)和(III)所示:
3.根据权利要求2所述的一种鲁棒的交互式医学图像分割方法,其特征在于,步骤(2)中,在对图像进行迭代收缩完成分割的过程中,采用高斯平滑方法对公式(IV)中的伪水平集函数u(x)进行平滑,平滑过程中第k次迭代的近似解u(x)k和第k+1次迭代的近似解u(x)k+1满足的关系:
u(x)k+1=Kξu(x)k (V),
在公式(V)中,Kξ表示标准偏差为ξ的高斯核函数,k表示迭代次数。
4.根据权利要求3所述的一种鲁棒的交互式医学图像分割方法,其特征在于,ξ=0.5。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2019102288266 | 2019-03-25 | ||
CN201910228826 | 2019-03-25 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111161245A CN111161245A (zh) | 2020-05-15 |
CN111161245B true CN111161245B (zh) | 2023-06-06 |
Family
ID=70559133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911394679.6A Active CN111161245B (zh) | 2019-03-25 | 2019-12-30 | 一种鲁棒的交互式医学图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111161245B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105405116A (zh) * | 2014-09-04 | 2016-03-16 | 南京理工大学 | 一种基于图割的立体匹配方法 |
CN105741279A (zh) * | 2016-01-27 | 2016-07-06 | 西安电子科技大学 | 基于粗糙集的快速抑制模糊聚类的图像分割方法 |
CN107274414A (zh) * | 2017-05-27 | 2017-10-20 | 西安电子科技大学 | 基于改进局部信息的cv模型的图像分割方法 |
CN110415231A (zh) * | 2019-07-25 | 2019-11-05 | 山东浪潮人工智能研究院有限公司 | 一种基于注意力先验网络的cnv分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8073220B2 (en) * | 2009-04-20 | 2011-12-06 | Siemens Aktiengesellschaft | Methods and systems for fully automatic segmentation of medical images |
-
2019
- 2019-12-30 CN CN201911394679.6A patent/CN111161245B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105405116A (zh) * | 2014-09-04 | 2016-03-16 | 南京理工大学 | 一种基于图割的立体匹配方法 |
CN105741279A (zh) * | 2016-01-27 | 2016-07-06 | 西安电子科技大学 | 基于粗糙集的快速抑制模糊聚类的图像分割方法 |
CN107274414A (zh) * | 2017-05-27 | 2017-10-20 | 西安电子科技大学 | 基于改进局部信息的cv模型的图像分割方法 |
CN110415231A (zh) * | 2019-07-25 | 2019-11-05 | 山东浪潮人工智能研究院有限公司 | 一种基于注意力先验网络的cnv分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111161245A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020199593A1 (zh) | 图像分割模型训练方法、图像分割方法、装置、设备及介质 | |
Devalla et al. | A deep learning approach to digitally stain optical coherence tomography images of the optic nerve head | |
Yin et al. | User-guided segmentation for volumetric retinal optical coherence tomography images | |
Vigueras-Guillén et al. | Fully convolutional architecture vs sliding-window CNN for corneal endothelium cell segmentation | |
Zahoor et al. | Fast optic disc segmentation in retina using polar transform | |
Hassan et al. | Deep learning based joint segmentation and characterization of multi-class retinal fluid lesions on OCT scans for clinical use in anti-VEGF therapy | |
He et al. | Deep learning based topology guaranteed surface and MME segmentation of multiple sclerosis subjects from retinal OCT | |
Xiang et al. | Automatic segmentation of retinal layer in OCT images with choroidal neovascularization | |
Novosel et al. | Loosely coupled level sets for simultaneous 3D retinal layer segmentation in optical coherence tomography | |
CN106485721A (zh) | 从光学相干断层图像获取视网膜结构的方法及其系统 | |
Mardani et al. | Enhancing retinal blood vessel segmentation in medical images using combined segmentation modes extracted by DBSCAN and morphological reconstruction | |
de Sisternes et al. | Automated intraretinal segmentation of SD-OCT images in normal and age-related macular degeneration eyes | |
CN110458752A (zh) | 一种基于局部遮挡条件下的图像换脸方法 | |
CA3104562A1 (en) | Method and computer program for segmentation of optical coherence tomography images of the retina | |
CN115147710A (zh) | 基于异质滤波探测与水平集分割的声纳图像目标处理方法 | |
CN111161245B (zh) | 一种鲁棒的交互式医学图像分割方法 | |
Xu et al. | Automatic segmentation and measurement of choroid layer in high myopia for OCT imaging using deep learning | |
Liu et al. | Automated retinal boundary segmentation of optical coherence tomography images using an improved Canny operator | |
WO2022007353A1 (zh) | 一种基于信号逆向补偿的脉络膜oct图像增强方法及装置 | |
Sun et al. | 3D automatic segmentation method for retinal optical coherence tomography volume data using boundary surface enhancement | |
CN109919098B (zh) | 目标对象的识别方法和装置 | |
Zahoor et al. | Fast optic disc segmentation in retinal images using polar transform | |
Luangruangrong et al. | Automatic exudates detection in retinal images using efficient integrated approaches | |
Jadhav et al. | Detection of blood vessels in retinal images for diagnosis of diabetics | |
Zhang et al. | Fast retinal layer segmentation of spectral domain optical coherence tomography 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |