CN111242958B - 一种基于结构特征优化的颈动脉级联学习分割方法 - Google Patents
一种基于结构特征优化的颈动脉级联学习分割方法 Download PDFInfo
- Publication number
- CN111242958B CN111242958B CN202010040605.9A CN202010040605A CN111242958B CN 111242958 B CN111242958 B CN 111242958B CN 202010040605 A CN202010040605 A CN 202010040605A CN 111242958 B CN111242958 B CN 111242958B
- Authority
- CN
- China
- Prior art keywords
- segmentation
- region
- central line
- optimized
- endpoint
- 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 104
- 238000000034 method Methods 0.000 title claims abstract description 57
- 210000001715 carotid artery Anatomy 0.000 title claims abstract description 23
- 238000005457 optimization Methods 0.000 title claims abstract description 11
- 239000013598 vector Substances 0.000 claims abstract description 16
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000004962 physiological condition Effects 0.000 abstract description 3
- 230000004927 fusion Effects 0.000 abstract description 2
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 208000014882 Carotid artery disease Diseases 0.000 description 3
- 208000037876 carotid Atherosclerosis Diseases 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000003143 atherosclerotic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002980 postoperative effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000013106 supervised machine learning method Methods 0.000 description 1
Images
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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
一种基于结构特征优化的颈动脉级联学习分割方法,包括以下步骤:步骤1、通过初始分割模型获得预分割S;步骤2、基于分割子区域的距离来优化分割;步骤3、基于中心线端点距离来优化分割;步骤4、基于血管方向和中心线端点向量夹角来优化分割;基于局部语义分割模型的颈动脉预分割、基于全局语义分割模型的颈动脉预分割、融合模型的颈动脉预分割进行处理后,得到优化后的三个分割结果(P’、G’、C’);步骤5、利用优化后的分割训练新的分割模型:最后利用优化后的预分割结果,结合初始图像进行级联分割模型的训练。本发明利用计算机图像处理技术对医学图像进行处理,能够更加直观地反映病人的具体生理情况。
Description
技术领域
本发明属于医学图像处理领域以及人工智能技术领域,涉及一种颈动脉级联学习分割方法。
背景技术
目前在人工智能技术领域中,对于颈动脉图像的分割,主要有以下:
1)基于主动轮廓模型的自动分割:该方法属于半自动的分割方法,用运动的参数轮廓去拟合目标边界,轮廓的演化靠多次迭代,以优化能量函数来实现,而能量函数的构造涉及手工调试模型参数,一般为轮廓的外力(图像梯度),轮廓内力(形状先验)等,此外,实现具体位置的分割还需要进行手工设置初始轮廓位置和大小。
2)基于机器学习的分割:该方法可以分为有监督机器学习和无监督机器学习两种类型,有监督的方法有SVM(支持向量机)和随机森林等方法,通过学习图像每个像素对应的人工标注来建立模型;无监督的方法典型的是基于混合高斯模型的方法,对数据集的分布进行建模,从而对像素分类。以上方法中,除了在训练时需要调试超参数之外,模型还需要手工选取多种特征来实现较好的分割效果。
3)基于深度学习的语义分割:该方法是目前比较流行的一种有监督的机器学习方法,一般有比较高的准确率,但是他需要依靠大量的数据集,并且需要花费巨大的训练代价(硬件、存储空间、训练时间)来实现,是一种端到端的方法,即用户输入一个图像,不需要用户其他操作就可以获得一个分割结果。
虽然目前技术能够基本实现大致上的颈动脉分割,但是还存在一些分割不完整或者过渡分割的区域。例如在颈动脉MRI图像中带斑块的情况(颈动脉粥样硬化),其内腔严重狭窄,还有颈动脉分支的上侧可能存在多个小分支,从而加大了分割的难度,现有方法容易在这些位置欠分割。此外,在颈动脉周围存在一些与颈动脉相似的动脉血管,这些并不是在分析动脉斑块粥样硬化病症的目标,但是现有技术容易将这些部分作为颈动脉分割的内容,造成过度分割。
发明内容
为了克服已有技术的不足,本发明提供了一种基于结构特征优化的颈动脉级联学习分割方法,利用计算机图像处理技术对医学图像进行处理,能够更加直观地反映病人的具体生理情况,帮助医生分析与诊断病情,术前方案规划及术后评估。对于颈动脉粥样硬化(颈动脉斑块)这样病症来说,利用医学图像处理技术对其进行精确的分割,能够辅助医生工作,而本发明也提供了更加精确结果和更直观的应用方式,进一步提高了医生的工作效率。
本发明解决其技术问题所采用的技术方案是:
一种基于结构特征优化的颈动脉级联学习分割方法,包括以下步骤:
步骤1、通过初始分割模型获得预分割S:通过颈动脉分割方法获得预分割的三维二值图像;
步骤2、基于分割子区域的距离来优化分割,过程如下:
步骤2.1:对预分割S提取其区域范围信息,优化分各个结果,将n个分割区域分为最大区域R_max和待判定区域R_i(i=1,...,n-1);
步骤2.2:定义在S中根据8连通规则可统计所有的区域的点集Ri,其中包含体素个数最多的最大区域的点集Rm,通过计算其他区域点集与最大区域点集的欧氏距离(二范数),以最小的欧式距离代表区域间的距离:
Di=min||Rm-Ri||2,i={1,...,n-1}
Sn={R0,...Rn-1,Rm},Sn=Sn-1∪{Rm}
其中Sn代表内腔预分割的区域集合,包含n个区域,除去最大区域Rm,其余的区域为待判定区域Ri的集合Sn-1;
步骤2.3:然后利用距离门限值dmin来筛选预分割中的异常分割区域,得到优化后的区域Sopt,
其中对于体素数量过大的区域,通过用Marching-Cubes方法构建三维表面以简化计算量;
步骤3、基于中心线端点距离来优化分割,过程如下:
步骤3.1:分别对每个预分割提取其中心线信息,用三维细化方法(Lee-1994)获得每个区域的中心线;
步骤3.2:对优化后的区域的中心线,并找到他们的端点集Pi,对于最大区域Rm有其骨架(中心线)的端点集Pm;
步骤3.3:和步骤2.2类似,我们计算待判定端点集Pi到最大区域端点Pm之间的欧氏距离,并用最大端点距离门限值来进一步筛选距离过大的区域(公式和上一步骤类似,距离的表示用区域距离计算变成中心线端点间的距离),从而进一步优化分割;
步骤4、基于血管方向和中心线端点向量夹角来优化分割,过程如下:
步骤4.1:对优化后的区域,在计算出每个待判定区域所代表的的血管中心线后,利用主成分分析方法(PCA)来获得该中心线的大致方向:
U∑VT=P(x,y,z)-P′(x′,y′,z′)
上式中,P(x,y,z)代表每个中心线上所有的点集位置构成的n×3矩阵,P’(x’,y’,z’)为点集的平均位置,在SVD分解时他们行数相同(P’(x’,y’,z’)复制自身来实现),通过SVD分解之后矩阵V的第一行代表该中心线的方向(血管方向Vc);
步骤4.2:用最大区域中心线端点和待判定区域端点定义端点向量集Vep:
其中EO和EM分别为每个从待判定中心线端点点集和最大区域中心线端点集;
步骤4.3:然后用端点向量集和血管方向集,定义中心线端点和最大区域中心线端点的夹角集Ai:
N代表端点向量集中的向量个数,Copt为优化后的中心线集,只要夹角集中有一个角度小于角度门限值θthr,该中心线代表的待判定区域就会保留;
步骤5、利用优化后的分割训练新的分割模型:最后利用优化后的预分割结果,结合初始图像进行级联分割模型的训练。
进一步,所述步骤1中,分割方法为半自动三维主动轮廓模型方法、基于机器学习的分割方法或基于深度学习语义分割的方法。
本发明的有益效果主要表现在:利用计算机图像处理技术对医学图像进行处理,能够更加直观地反映病人的具体生理情况,帮助医生分析与诊断病情,术前方案规划及术后评估。对于颈动脉粥样硬化(颈动脉斑块)这样病症来说,利用医学图像处理技术对其进行精确的分割,能够辅助提高医生的工作效率。
附图说明
图1是基于结构特征优化的颈动脉级联学习分割方法的流程图。
图2是基于结构特征优化的颈动脉级联学习分割方法的步骤分解图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1和图2,一种基于结构特征优化的颈动脉级联学习分割方法,包括以下步骤:
步骤1、通过初始分割模型获得预分割S:通过颈动脉分割方法获得预分割的三维二值图像;
步骤2、基于分割子区域的距离来优化分割,过程如下:
步骤2.1:对预分割S提取其区域范围信息,优化分各个结果,将n个分割区域分为最大区域R_max和待判定区域R_i(i=1,...,n-1);
步骤2.2:定义在S中根据8连通规则可统计所有的区域的点集Ri,其中包含体素个数最多的最大区域的点集Rm,通过计算其他区域点集与最大区域点集的欧氏距离(二范数),以最小的欧式距离代表区域间的距离:
Di=min||Rm-Ri||2,i={1,...,n-1}
Sn={R0,...Rn-1,Rm},Sn=Sn-1∪{Rm}
其中Sn代表内腔预分割的区域集合,包含n个区域,除去最大区域Rm,其余的区域为待判定区域Ri的集合Sn-1;
步骤2.3:然后利用距离门限值dmin来筛选预分割中的异常分割区域,得到优化后的区域Sopt,
其中对于体素数量过大的区域,通过用Marching-Cubes方法构建三维表面以简化计算量;
步骤3、基于中心线端点距离来优化分割,过程如下:
步骤3.1:分别对每个预分割提取其中心线信息,用三维细化方法(Lee-1994)获得每个区域的中心线;
步骤3.2:对优化后的区域的中心线,并找到他们的端点集Pi,对于最大区域Rm有其骨架(中心线)的端点集Pm;
步骤3.3:和步骤2.2类似,我们计算待判定端点集Pi到最大区域端点Pm之间的欧氏距离,并用最大端点距离门限值来进一步筛选距离过大的区域(公式和上一步骤类似,距离的表示用区域距离计算变成中心线端点间的距离),从而进一步优化分割;
步骤4、基于血管方向和中心线端点向量夹角来优化分割,过程如下:
步骤4.1:对优化后的区域,在计算出每个待判定区域所代表的的血管中心线后,我们利用主成分分析方法(PCA)来获得该中心线的大致方向:
U∑VT=P(x,y,z)-P′(x′,y′,z′)
上式中,P(x,y,z)代表每个中心线上所有的点集位置构成的n×3矩阵,P’(x’,y’,z’)为点集的平均位置,在SVD分解时他们行数相同(P’(x’,y’,z’)复制自身来实现),通过SVD分解之后矩阵V的第一行代表该中心线的方向(血管方向Vc);
步骤4.2:用最大区域中心线端点和待判定区域端点定义端点向量集Vep:
其中EO和EM分别为每个从待判定中心线端点点集和最大区域中心线端点集;
步骤4.3:然后用端点向量集和血管方向集,定义中心线端点和最大区域中心线端点的夹角集Ai:
N代表端点向量集中的向量个数,Copt为优化后的中心线集,只要夹角集中有一个角度小于角度门限值θthr,该中心线代表的待判定区域就会保留;
以上的三种优化方法(步骤2、步骤3、步骤4)对基于局部语义分割模型的颈动脉预分割、基于全局语义分割模型的颈动脉预分割、融合模型的颈动脉预分割进行处理后,得到优化后的三个分割结果(P’、G’、C’)。
步骤5、利用优化后的分割训练新的分割模型:最后利用优化后的预分割结果,结合初始图像进行级联分割模型的训练。
进一步,所述步骤1中,分割方法为半自动三维主动轮廓模型方法、基于机器学习的分割方法或基于深度学习语义分割的方法。
Claims (2)
1.一种基于结构特征优化的颈动脉级联学习分割方法,其特征在于,所述方法包括以下步骤:
步骤1、通过初始分割模型获得预分割S:通过颈动脉分割方法获得预分割的三维二值图像;
步骤2、基于分割子区域的距离来优化分割,过程如下:
步骤2.1:对预分割S提取其区域范围信息,优化分割结果,将n个分割区域分为最大区域R_max和待判定区域R_i(i=1,...,n-1);
步骤2.2:定义在S中根据8连通规则可统计所有的区域的点集Ri,其中包含体素个数最多的最大区域的点集Rm,通过计算其他区域点集与最大区域点集的欧氏距离,以最小的欧式距离代表区域间的距离:
Di=min||Rm-Ri||2,i={1,...,n-1}
Sn={R0,...Rn-1,Rm},Sn=Sn-1∪{Rm}
其中Sn代表内腔预分割的区域集合,包含n个区域,除去最大区域Rm,其余的区域为待判定区域Ri的集合Sn-1;
步骤2.3:然后利用距离门限值dmin来筛选预分割中的异常分割区域,得到优化后的区域Sopt,
其中对于体素数量过大的区域,通过用Marching-Cubes方法构建三维表面以简化计算量;
步骤3、基于中心线端点距离来优化分割,过程如下:
步骤3.1:分别对每个预分割提取其中心线信息,用三维细化方法Lee-1994获得每个区域的中心线;
步骤3.2:对优化后的区域的中心线,并找到他们的端点集Pi,对于最大区域Rm有其骨架的端点集Pm;
步骤3.3:计算待判定端点集Pi到最大区域端点Pm之间的欧氏距离,并用最大端点距离门限值来进一步筛选距离过大的区域,从而进一步优化分割;
步骤4、基于血管方向和中心线端点向量夹角来优化分割,过程如下:
步骤4.1:对优化后的区域,在计算出每个待判定区域所代表的血管中心线后,利用主成分分析方法PCA来获得该中心线的大致方向:
U∑VT=P(x,y,z)-P′(x′,y′,z′)
上式中,P(x,y,z)代表每个中心线上所有的点集位置构成的n×3矩阵,P’(x’,y’,z’)为点集的平均位置,在SVD分解时他们行数相同,P’(x’,y’,z’)复制自身来实现,通过SVD分解之后矩阵V的第一行代表该中心线的方向,即血管方向Vc;
步骤4.2:用最大区域中心线端点和待判定区域端点定义端点向量集Vep:
其中EO和EM分别为每个待判定中心线端点点集和最大区域中心线端点集;
步骤4.3:然后用端点向量集和血管方向集,定义中心线端点和最大区域中心线端点的夹角集Ai:
N代表端点向量集中的向量个数,Copt为优化后的中心线集,只要夹角集中有一个角度小于角度门限值θthr,该中心线代表的待判定区域就会保留;
步骤5、利用优化后的分割训练新的分割模型:最后利用优化后的预分割结果,结合初始图像进行级联分割模型的训练。
2.如权利要求1所述的一种基于结构特征优化的颈动脉级联学习分割方法,其特征在于,所述步骤1中,分割方法为半自动三维主动轮廓模型方法、基于机器学习的分割方法或基于深度学习语义分割的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010040605.9A CN111242958B (zh) | 2020-01-15 | 2020-01-15 | 一种基于结构特征优化的颈动脉级联学习分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010040605.9A CN111242958B (zh) | 2020-01-15 | 2020-01-15 | 一种基于结构特征优化的颈动脉级联学习分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242958A CN111242958A (zh) | 2020-06-05 |
CN111242958B true CN111242958B (zh) | 2022-04-08 |
Family
ID=70877767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010040605.9A Active CN111242958B (zh) | 2020-01-15 | 2020-01-15 | 一种基于结构特征优化的颈动脉级联学习分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242958B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111932552B (zh) * | 2020-07-21 | 2023-12-01 | 深圳睿心智能医疗科技有限公司 | 一种主动脉建模的方法及装置 |
CN112767420B (zh) * | 2021-02-26 | 2021-11-23 | 中国人民解放军总医院 | 基于人工智能的核磁影像分割方法、装置、设备和介质 |
CN113780313A (zh) * | 2021-09-18 | 2021-12-10 | 东软睿驰汽车技术(沈阳)有限公司 | 线特征的提取方法、装置和电子设备 |
CN117115187B (zh) * | 2023-10-24 | 2024-02-09 | 北京联影智能影像技术研究院 | 颈动脉壁分割方法、装置、计算机设备和存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10037603B2 (en) * | 2015-05-04 | 2018-07-31 | Siemens Healthcare Gmbh | Method and system for whole body bone removal and vascular visualization in medical image data |
CN108335284B (zh) * | 2018-01-09 | 2022-06-28 | 北京理工大学 | 一种冠脉血管中心线匹配方法和系统 |
CN108898626B (zh) * | 2018-06-21 | 2019-09-27 | 清华大学 | 一种冠状动脉的自动配准方法 |
CN110136157B (zh) * | 2019-04-09 | 2021-03-26 | 华中科技大学 | 一种基于深度学习的三维颈动脉超声图像血管壁分割方法 |
-
2020
- 2020-01-15 CN CN202010040605.9A patent/CN111242958B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111242958A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242958B (zh) | 一种基于结构特征优化的颈动脉级联学习分割方法 | |
Torrents-Barrena et al. | Segmentation and classification in MRI and US fetal imaging: recent trends and future prospects | |
CN109272512B (zh) | 一种自动分割左心室内外膜的方法 | |
Virmani et al. | Effect of despeckle filtering on classification of breast tumors using ultrasound images | |
CN103886619B (zh) | 一种融合多尺度超像素的目标跟踪方法 | |
US20130216127A1 (en) | Image segmentation using reduced foreground training data | |
CN110110727B (zh) | 基于条件随机场和贝叶斯后处理的图像分割方法 | |
Leventić et al. | Left atrial appendage segmentation from 3D CCTA images for occluder placement procedure | |
Wan et al. | Super-BPD: Super boundary-to-pixel direction for fast image segmentation | |
CN111932552B (zh) | 一种主动脉建模的方法及装置 | |
Wen et al. | Review of research on the instance segmentation of cell images | |
Gui et al. | Reliable and dynamic appearance modeling and label consistency enforcing for fast and coherent video object segmentation with the bilateral grid | |
Deeba et al. | Automated growcut for segmentation of endoscopic images | |
Sivanesan et al. | Unsupervised medical image segmentation with adversarial networks: From edge diagrams to segmentation maps | |
Jiang et al. | Segmentation of prostate ultrasound images: the state of the art and the future directions of segmentation algorithms | |
Liu et al. | An enhanced neural network based on deep metric learning for skin lesion segmentation | |
Jadoon et al. | Retinal blood vessels segmentation using ISODATA and high boost filter | |
Xie et al. | Detect, Grow, Seg: A weakly supervision method for medical image segmentation based on bounding box | |
Wang et al. | Optic disc detection based on fully convolutional neural network and structured matrix decomposition | |
CN116958705A (zh) | 基于图神经网络的医学影像归类系统 | |
Tu et al. | A learning based approach for 3D segmentation and colon detagging | |
Szeliski et al. | Segmentation | |
Chen et al. | Pulmonary nodule segmentation in computed tomography with an encoder-decoder architecture | |
Zhang et al. | DSLSM: Dual-kernel-induced statistic level set model for image segmentation | |
Sood et al. | A Survey of Segmentation Techniques for Medical 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 |