CN111192249A - 基于机器学习的能量泛函模型的医学图像病变区域分割方法 - Google Patents

基于机器学习的能量泛函模型的医学图像病变区域分割方法 Download PDF

Info

Publication number
CN111192249A
CN111192249A CN201911394461.0A CN201911394461A CN111192249A CN 111192249 A CN111192249 A CN 111192249A CN 201911394461 A CN201911394461 A CN 201911394461A CN 111192249 A CN111192249 A CN 111192249A
Authority
CN
China
Prior art keywords
medical image
machine learning
model
energy functional
lesion region
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
Application number
CN201911394461.0A
Other languages
English (en)
Other versions
CN111192249B (zh
Inventor
方玲玲
赵欣怡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liaoning Normal University
Original Assignee
Liaoning Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Liaoning Normal University filed Critical Liaoning Normal University
Priority to CN201911394461.0A priority Critical patent/CN111192249B/zh
Publication of CN111192249A publication Critical patent/CN111192249A/zh
Application granted granted Critical
Publication of CN111192249B publication Critical patent/CN111192249B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • 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 Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于机器学习的能量泛函模型的医学图像病变区域分割方法，首先利用Gabor变换和广义线性机器学习方法对医学图像进行处理，捕捉到病变区域和正常组织区域的区分性描述，获得基于病变区域的学习模型；然后在此基础上构建能量泛函模型，对医学图像病变区域进行分割。解决了机器学习方法对标签数据较敏感和能量泛函会陷入局部极小值的问题，能够很好地分割含有复杂背景的医学图像，同时有效保留病灶区域的特征信息，为医生进行病变区域诊断的准确性提供可靠的保障。

Description

基于机器学习的能量泛函模型的医学图像病变区域分割方法
技术领域
本发明涉及医学图像分割领域，尤其是一种基于机器学习的能量泛函模型的医学图像病变区域分割方法。
背景技术
美国医学界于2011年首次提出“精准医疗”方案，该方案结合人类对疾病机制的认知以及相关的医学数据信息技术，对疾病进行精准的分类及诊断，是一种因人因病而异、愈加精准的医疗方式。但由于医学成像设备差异、人体内部结构复杂等因素，在获取医学图像的时候通常会出现灰度分布不均匀、边缘模糊、噪声强度大等特性。现有的医学图像自动分割方法对病变区域的组织分辨力不够，进而不能对图像中病变区域的边界进行准确预测。另外，病变区域在医学图像中经常会与其它正常部位混淆，这在很大程度上也增加了分割算法的难度。究其原因主要为两个方面，一是简单特征无法准确地描述包含病灶的区域，二是传统的分割方法不足以准确地从图像中区分出病灶区域和背景区域。
基于广义线性模型的机器学习分割算法是一种浅层学习方式，虽然不需要大量数据集进行训练，但是会对标签数据比较敏感。基于能量泛函模型的分割算法，存在初始化问题，并且在演化过程中会出现能量泛函局部极小值的问题。迄今为止，并没有关于将基于广义线性模型的机器学习分割算法与基于能量泛函模型的分割算法相结合应用于医学图像病变区域分割的相关报道。
发明内容
本发明是为了解决现有技术所存在的上述技术问题，提供一种基于机器学习的能量泛函模型的医学图像病变区域分割方法。
本发明的技术解决方案是：一种基于机器学习的能量泛函模型的医学图像病变区域分割方法，其特征在于按照如下步骤进行：
步骤1：初始化Gabor变换的特征数组参数值，将特征数组做置零处理；同时，将输入医学图像的上1/2部分作为测试集，下1/2部分作为训练集，分别对训练集中的训练图像和测试集中的测试图像进行Gabor变换，所述Gabor变换的一般表达式如下：
复数形式：
Figure BDA0002345922580000021
实数部分：
Figure BDA0002345922580000022
虚数部分：
Figure BDA0002345922580000023
式(1)、(2)、(3)中，λ代表正弦波波长，θ表示滤波器方向，ψ代表初始相位，σ代表高斯函数的标准差，即尺度宽度，γ代表空间纵横比，其中x'＝x cosθ+y sinθ，y'＝-x sinθ+y cosθ；
设正弦波的频率：
Figure BDA0002345922580000024
滤波器的方向：
Figure BDA0002345922580000025
高斯函数标准差：σx＝σy＝2；ψ＝0；
改变参数σ，θ和f的值，通过三重循环实现不同的参数执行多种Gabor变换，同时进行图像二维卷积运算，提取训练图像和测试图像的特征信息features；
步骤2：采用glmfit算法构造基于广义线性机器学习的模型
Figure BDA0002345922580000026
Figure BDA0002345922580000027
式(4)中，features为训练图像经过Gabor变换提取的特征；trainingAns(:)为二值训练图像；'normal'表示该逻辑模型是正态分布；
步骤3：构造基于能量泛函的病变区域分割模型：
利用广义线性机器学习的模型
Figure BDA0002345922580000028
构建分割医学图像病灶区域的能量泛函模型
Figure BDA0002345922580000029
Figure BDA00023459225800000210
式(5)中，水平集φ表示医学图像病变区域边界的有符号距离函数；Esmooth(φ)和
Figure BDA00023459225800000211
分别是光滑项和数据项，具体定义如下：
Figure BDA00023459225800000212
式(6)中：δα(·)为正则化的狄克拉函数，权重b与图像梯度成反比；
Figure BDA00023459225800000213
式(7)中：c代表像素平均灰度值，其中co和
Figure BDA0002345922580000031
分别表示病变区域灰度均值和学习模型，cb和
Figure BDA0002345922580000032
代表正常组织区域的灰度均值和学习模型；
最后，求解能量泛函模型
Figure BDA0002345922580000033
取得最小值时对应的水平集形式：
Figure BDA0002345922580000034
式(8)中t为演化时间步长；
根据梯度下降流方法：
Figure BDA0002345922580000035
本发明首先利用Gabor变换和广义线性机器学习方法对医学图像进行处理，捕捉到病变区域和正常组织区域的区分性描述，获得基于病变区域的学习模型；然后在此基础上构建能量泛函模型，对医学图像病变区域进行分割。解决了机器学习方法对标签数据较敏感和能量泛函会陷入局部极小值的问题，能够很好地分割含有复杂背景的医学图像，同时有效保留病灶区域的特征信息，为医生进行病变区域诊断的准确性提供可靠的保障。
附图说明
图1为本发明实施例进行Gabor变换所得到的特征信息。
图2为本发明实施例通过广义线性模型所得到的学习模型。
图3为本发明实施例的流程图和对应实验结果图。
图4本发明实施例进行医学图像病灶区域分割的结果图。
具体实施方式
本发明的基于机器学习的能量泛函模型的医学图像病变区域分割方法如图3中左半部分所示，按照如下步骤进行：
步骤1：初始化Gabor变换的特征数组参数值，将特征数组做置零处理；同时，将输入医学图像的上1/2部分作为测试集，下1/2部分作为训练集，分别对训练集中的训练图像和测试集中的测试图像进行Gabor变换，所述Gabor变换的一般表达式如下：
复数形式：
Figure BDA0002345922580000036
实数部分：
Figure BDA0002345922580000041
虚数部分：
Figure BDA0002345922580000042
式(1)、(2)、(3)中，λ代表正弦波波长，θ表示滤波器方向，ψ代表初始相位，σ代表高斯函数的标准差，即尺度宽度，γ代表空间纵横比，其中x'＝x cosθ+y sinθ，y'＝-x sinθ+y cosθ；
设正弦波的频率：
Figure BDA0002345922580000043
滤波器的方向：
Figure BDA0002345922580000044
高斯函数标准差：σx＝σy＝2；ψ＝0；
改变参数σ，θ和f的值，通过三重循环实现不同的参数执行多种Gabor变换，同时进行图像二维卷积运算，提取训练图像和测试图像的特征信息features；
实部特征和虚部特征分别如图1中a、b所示。
步骤2：采用glmfit算法构造基于广义线性机器学习的模型
Figure BDA0002345922580000045
Figure BDA0002345922580000046
式(4)中，features为训练图像经过Gabor变换提取的特征；trainingAns(:)为二值训练图像；'normal'表示该逻辑模型是正态分布；
训练图像及广义线性机器学习的模型分别如图2左右部分所示。
步骤3：构造基于能量泛函的病变区域分割模型：
利用广义线性机器学习的模型
Figure BDA0002345922580000047
构建分割医学图像病灶区域的能量泛函模型
Figure BDA0002345922580000048
Figure BDA0002345922580000049
式(5)中，水平集φ表示医学图像病变区域边界的有符号距离函数；Esmooth(φ)和
Figure BDA00023459225800000410
分别是光滑项和数据项，具体定义如下：
Figure BDA00023459225800000411
式(6)中：δα(·)为正则化的狄克拉函数，权重b与图像梯度成反比；
Figure BDA00023459225800000412
式(7)中：c代表像素平均灰度值，其中co和
Figure BDA00023459225800000413
分别表示病变区域灰度均值和学习模型，cb和
Figure BDA0002345922580000051
代表正常组织区域的灰度均值和学习模型；
最后，求解能量泛函模型
Figure BDA0002345922580000052
取得最小值时对应的水平集形式：
Figure BDA0002345922580000053
式(8)中t为演化时间步长，本实施例t＝0.1；
根据梯度下降流方法：
Figure BDA0002345922580000054
运行时间和迭代次数统计结果如下表所示。
Figure BDA0002345922580000055
与本发明方法流程对应的实验结果如图3右半部分所示。
利用本发明方法对医学图像进行分割，得到病变区域和正常组织区域如图4所示。图4中：第一行：医学图像；第二行：初始轮廓位置；第三行：分割结果；第四行：真实分割结果。

Claims (1)

1.一种基于机器学习的能量泛函模型的医学图像病变区域分割方法，其特征在于按照如下步骤进行：
步骤1：初始化Gabor变换的特征数组参数值，将特征数组做置零处理；同时，将输入医学图像的上1/2部分作为测试集，下1/2部分作为训练集，分别对训练集中的训练图像和测试集中的测试图像进行Gabor变换，所述Gabor变换的一般表达式如下：
复数形式：
Figure FDA0002345922570000011
实数部分：
Figure FDA0002345922570000012
虚数部分：
Figure FDA0002345922570000013
式(1)、(2)、(3)中，λ代表正弦波波长，θ表示滤波器方向，ψ代表初始相位，σ代表高斯函数的标准差，即尺度宽度，γ代表空间纵横比，其中x'＝xcosθ+ysinθ，y'＝-xsinθ+ycosθ；
设正弦波的频率：
Figure FDA0002345922570000014
滤波器的方向：
Figure FDA0002345922570000015
高斯函数标准差：σx＝σy＝2；ψ＝0；
改变参数σ，θ和f的值，通过三重循环实现不同的参数执行多种Gabor变换，同时进行图像二维卷积运算，提取训练图像和测试图像的特征信息features；
步骤2：采用glmfit算法构造基于广义线性机器学习的模型
Figure FDA0002345922570000016
Figure FDA0002345922570000017
式(4)中，features为训练图像经过Gabor变换提取的特征；trainingAns(:)为二值训练图像；'normal'表示该逻辑模型是正态分布；
步骤3：构造基于能量泛函的病变区域分割模型：
利用广义线性机器学习的模型
Figure FDA0002345922570000021
构建分割医学图像病灶区域的能量泛函模型
Figure FDA0002345922570000022
Figure FDA0002345922570000023
式(5)中，水平集φ表示医学图像病变区域边界的有符号距离函数；Esmooth(φ)和
Figure FDA0002345922570000024
分别是光滑项和数据项，具体定义如下：
Figure FDA0002345922570000025
式(6)中：δα(·)为正则化的狄克拉函数，权重b与图像梯度成反比；
Figure FDA0002345922570000026
式(7)中：c代表像素平均灰度值，其中co和
Figure FDA0002345922570000027
分别表示病变区域灰度均值和学习模型，cb和
Figure FDA0002345922570000028
代表正常组织区域的灰度均值和学习模型；
最后，求解能量泛函模型
Figure FDA0002345922570000029
取得最小值时对应的水平集形式：
Figure FDA00023459225700000210
式(8)中t为演化时间步长；
根据梯度下降流方法：
Figure FDA00023459225700000211
CN201911394461.0A 2019-12-30 2019-12-30 基于机器学习的能量泛函模型的医学图像病变区域分割方法 Active CN111192249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911394461.0A CN111192249B (zh) 2019-12-30 2019-12-30 基于机器学习的能量泛函模型的医学图像病变区域分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911394461.0A CN111192249B (zh) 2019-12-30 2019-12-30 基于机器学习的能量泛函模型的医学图像病变区域分割方法

Publications (2)

Publication Number Publication Date
CN111192249A true CN111192249A (zh) 2020-05-22
CN111192249B CN111192249B (zh) 2023-06-20

Family

ID=70709512

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911394461.0A Active CN111192249B (zh) 2019-12-30 2019-12-30 基于机器学习的能量泛函模型的医学图像病变区域分割方法

Country Status (1)

Country Link
CN (1) CN111192249B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111862112A (zh) * 2020-07-08 2020-10-30 哈尔滨工业大学（深圳） 一种基于深度学习和水平集方法的医学图像分割方法
CN114760168A (zh) * 2022-03-22 2022-07-15 广东电力通信科技有限公司 一种ai智能边缘计算网关

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103646398A (zh) * 2013-12-04 2014-03-19 山西大学 一种皮肤镜病灶自动分割方法
CN106056611A (zh) * 2016-06-03 2016-10-26 上海交通大学 基于区域信息和边缘信息的水平集图像分割方法及其系统
US20170270664A1 (en) * 2016-03-21 2017-09-21 The Board Of Trustees Of The Leland Stanford Junior University Methods for characterizing features of interest in digital images and systems for practicing same
CN110232383A (zh) * 2019-06-18 2019-09-13 湖南省华芯医疗器械有限公司 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103646398A (zh) * 2013-12-04 2014-03-19 山西大学 一种皮肤镜病灶自动分割方法
US20170270664A1 (en) * 2016-03-21 2017-09-21 The Board Of Trustees Of The Leland Stanford Junior University Methods for characterizing features of interest in digital images and systems for practicing same
CN106056611A (zh) * 2016-06-03 2016-10-26 上海交通大学 基于区域信息和边缘信息的水平集图像分割方法及其系统
CN110232383A (zh) * 2019-06-18 2019-09-13 湖南省华芯医疗器械有限公司 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李钢;李海芳;赵怡;邓红霞;: "修正局部极小值的局部灰度差异分割模型", 计算机工程与应用, no. 08 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111862112A (zh) * 2020-07-08 2020-10-30 哈尔滨工业大学（深圳） 一种基于深度学习和水平集方法的医学图像分割方法
CN114760168A (zh) * 2022-03-22 2022-07-15 广东电力通信科技有限公司 一种ai智能边缘计算网关

Also Published As

Publication number Publication date
CN111192249B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
Yuan et al. Automatic skin lesion segmentation using deep fully convolutional networks with jaccard distance
Jeyavathana et al. A survey: analysis on pre-processing and segmentation techniques for medical images
Pitiot et al. Adaptive elastic segmentation of brain MRI via shape-model-guided evolutionary programming
Nabizadeh et al. Automatic tumor segmentation in single-spectral MRI using a texture-based and contour-based algorithm
Mishra et al. Segmentation of vascular regions in ultrasound images: A deep learning approach
Upadhyay et al. Unsupervised multiscale retinal blood vessel segmentation using fundus images
WO2023047118A1 (en) A computer-implemented method of enhancing object detection in a digital image of known underlying structure, and corresponding module, data processing apparatus and computer program
CN111192249B (zh) 基于机器学习的能量泛函模型的医学图像病变区域分割方法
Panda et al. Automated retinal nerve fiber layer defect detection using fundus imaging in glaucoma
Jiang et al. Segmentation of prostate ultrasound images: the state of the art and the future directions of segmentation algorithms
Javidi et al. Retinal image assessment using bi-level adaptive morphological component analysis
Khan et al. Brain Tumor detection Using Machine Learning and Deep Learning Approaches
Kareem et al. Segmenting and classifiying the brain tumor from MRI medical images based on machine learning algorithms: A review
Banerjee et al. A CADe system for gliomas in brain MRI using convolutional neural networks
Huang et al. Fuzzy semantic segmentation of breast ultrasound image with breast anatomy constraints
Qiu et al. Deep bv: A fully automated system for brain ventricle localization and segmentation in 3d ultrasound images of embryonic mice
Sivanandan et al. An Improved Ultrasound Tumor Segmentation Using CNN Activation Map Clustering and Active Contours
Ain et al. Mri based glioma detection and classification into low-grade and high-grade gliomas
Honale et al. A review of methods for blood vessel segmentation in retinal images
Carmo et al. Extended 2d volumetric consensus hippocampus segmentation
Sadremomtaz et al. Improving the quality of pulmonary nodules segmentation using the new proposed U-Net neural network
CN113362346A (zh) 基于机器学习双区域轮廓演化模型的视盘和视杯分割方法
Pavel et al. Cancer detection using image processing techniques based on cell counting, cell area measurement and clump detection
Marone et al. Learning the lumen border using a convolutional neural networks classifier
Rajeshwari et al. A Survey on Segmentation & Clustering techniquesto detect brain tumor for MRI

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