CN111932575B - 基于模糊c均值和概率标签融合的图像分割方法及系统 - Google Patents
基于模糊c均值和概率标签融合的图像分割方法及系统 Download PDFInfo
- Publication number
- CN111932575B CN111932575B CN202010588648.0A CN202010588648A CN111932575B CN 111932575 B CN111932575 B CN 111932575B CN 202010588648 A CN202010588648 A CN 202010588648A CN 111932575 B CN111932575 B CN 111932575B
- Authority
- CN
- China
- Prior art keywords
- image
- magnetic resonance
- nuclear magnetic
- segmentation
- probability
- 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
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
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06T2207/10088—Magnetic resonance imaging [MRI]
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本公开公开了基于模糊C均值和概率标签融合的图像分割方法及系统,包括:利用以超像素为聚类中心的模糊C均值算法,对获取的大脑核磁共振图像进行病灶分割,得到不同模态图像的初始病灶分割结果;基于多模态概率标签融合算法,对不同模态图像的初始病灶分割结果进行概率标签融合,得到最终的病灶分割结果。使用基于超像素的改进的模糊C均值算法进行了核磁共振图像的各个模态的分割。融合不同模态的分割优势,生成最优分割结果。核磁图像的三个模态的分割各有优势,本方法融合不同模态的分割结果,得到更加精确的分割效果。
Description
技术领域
本公开涉及医学图像处理技术领域,特别是涉及基于模糊C均值和概率标签融合的图像分割方法及系统。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术,并不必然构成现有技术。
多发性硬化症(Multiple Sclerosis lesion,MS lesion)是人类中枢神经系统中常见的、慢性的退行性疾病。主要病症包括四肢麻木无力、不协调、头晕或视觉功能有损伤等。根据最新的流行病学研究,多发性硬化症的发病率在世界范围内一直在增加。因为核磁共振成像(Magnetic Resonance Imaging,MRI)对于检测多发性硬化症病灶高度敏感并且可以定量评估病变体积,所以核磁共振图像成为诊断多发性硬化症、评估疾病侵害和监控术后治疗效果的最重要的医学工具。尽管核磁共振图像可以清晰地辨别脑白质、脑灰质、脑脊液和一些神经组织,但会受到组织间的低对比度,噪音和灰度不均匀的影响。所以准确地自动分割大脑核磁共振图像中的多发性硬化症在病灶的定量分析以及临床试验中起着至关重要的作用。
目前,针对大脑核磁共振图像中病灶分割的问题,专家学者提出了许多切实有效的分割方法。其中,基于数据的分割方法包括阈值法和区域生长法。阈值法虽然简单易用,但是由于大脑核磁共振图像各个组织的灰度分布较为复杂,不易确定各个组织间的阈值,所以一般不单独使用。区域生长法主要不足之处在于它需要人工选择种子点,另外,尽管该算法对噪声的敏感性小于阈值法,但它可能会在提取的形状上形成孔洞甚至为不连续的区域。基于图谱的方法在计算机辅助诊断中被广泛用于确定物体形状或检测患者之间的形态差异,因为它基于训练集所以尚未在一般的应用中广泛使用。K-近邻算法被称为非参数算法主要是因为它不需要任何关于像素统计特性的信息,该算法需要大量的训练数据。K-means算法一般情况下是利用聚类值的基本知识对图像进行处理,该算法的缺点是必须人工选择分割图像的集群数量K的值并且对异常值、噪声等比较敏感。
在实现本公开的过程中,发明人发现现有技术中存在以下技术问题:
现有技术中核磁共振图像的病灶分割方法分割精度低,无法实现非监督情况下的病灶图像分割。
发明内容
为了解决现有技术的不足,本公开提供了基于模糊C均值和概率标签融合的图像分割方法及系统;有效实现在核磁共振的三种模态中准确分割病灶。
第一方面,本公开提供了基于模糊C均值和概率标签融合的图像分割方法;
基于模糊C均值和概率标签融合的图像分割方法,包括:
利用以超像素为聚类中心的模糊C均值算法,对获取的大脑核磁共振图像进行病灶分割,得到不同模态图像的初始病灶分割结果;
基于多模态概率标签融合算法,对不同模态图像的初始病灶分割结果进行概率标签融合,得到最终的病灶分割结果。
第二方面,本公开提供了基于模糊C均值和概率标签融合的图像分割系统;
基于模糊C均值和概率标签融合的图像分割系统,包括:
初始分割模块,其被配置为:利用以超像素为聚类中心的模糊C均值算法,对获取的大脑核磁共振图像进行病灶分割,得到不同模态图像的初始病灶分割结果;
概率标签融合模块,其被配置为:基于多模态概率标签融合算法,对不同模态图像的初始病灶分割结果进行概率标签融合,得到最终的病灶分割结果。
第三方面,本公开还提供了一种电子设备,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述第一方面所述的方法。
第四方面,本公开还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述的方法。
第五方面,本公开还提供了一种计算机程序(产品),包括计算机程序,所述计算机程序当在一个或多个处理器上运行的时候用于实现前述第一方面任意一项的方法。
与现有技术相比,本公开的有益效果是:
使用基于超像素的改进的模糊C均值算法进行了核磁共振图像的各个模态的分割。融合不同模态的分割优势,生成最优分割结果。核磁图像的三个模态的分割各有优势,本方法融合不同模态的分割结果,得到更加精确的分割效果。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是实施例一的方法流程图;
图2和图3是利用本公开对两个病人核磁共振图像的多发性硬化症分割结果。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
为了进一步改善核磁共振图像中病灶分割方法的性能,结合不同分割算法的综合优势被认为是非常有用的。因为不同分割方法的结合可以弥补单个算法中的不足,同时可以开发更多更加客观和自动化的方法。尽管目前基于监督的多发性硬化症分割方法取得了较好的成果,但在未来要致力于基于非监督的分割技术以避免昂贵的训练过程。
实施例一
本实施例提供了基于模糊C均值和概率标签融合的图像分割方法;
如图1所示,基于模糊C均值和概率标签融合的图像分割方法,包括:
S101:利用以超像素为聚类中心的模糊C均值算法,对获取的大脑核磁共振图像进行病灶分割,得到不同模态图像的初始病灶分割结果;
S102:基于多模态概率标签融合算法,对不同模态图像的初始病灶分割结果进行概率标签融合,得到最终的病灶分割结果。
作为一个或多个实施例,所述S101中,利用以超像素为聚类中心的模糊C均值算法对大脑核磁共振图像进行病灶分割,得到不同模态图像的初始病灶分割结果;具体步骤包括:
S101-1:对大脑核磁共振图像进行图像分割处理,得到含有超像素的大脑核磁共振图像;
S101-2:使用以超像素为聚类中心的模糊C均值算法,对大脑核磁共振图像进行病灶分割,得到不同模态图像的初始病灶分割结果。
作为一个或多个实施例,所述S101的利用以超像素为聚类中心的模糊C均值算法对大脑核磁共振图像进行病灶分割,得到不同模态图像的初始病灶分割结果步骤之前,还包括:
S100:获取原始大脑核磁共振图像,对原始大脑核磁共振图像进行预处理,得到尺寸一致、只含有大脑颅内空间和灰度偏差小于设定阈值的大脑核磁共振图像。
示例性的,所述尺寸为256*256*256。
进一步地,所述对原始大脑核磁共振图像进行预处理;具体步骤包括:
S100-1:对原始大脑核磁共振图像进行下采样处理;
S100-2:对下采样处理后的图像进行颅骨剥离处理,得到去除非脑体素的核磁共振图像;
S100-3:对去除非脑体素的核磁共振图像进行灰度归一化处理,得到预处理后的大脑核磁共振图像。
示例性的,所述对原始大脑核磁共振图像进行下采样处理,使用MIPAV软件里的Algorithms→Transformation tools→Subsample进行图像的下采样。目的是把患者的脑部磁共振图像的尺寸由512*512*512变为256*256*256,此操作一方面可以减少后续在数据集处理上所花费的时间;另一方面可以把图像的每一个切片厚度变为1mm同时切片之间的距离也为1mm,有利于最终分割结果中病灶体积的计算。
示例性的,所述对下采样处理后的图像进行颅骨剥离处理,得到去除非脑体素的核磁共振图像,是使用MIPAV软件里的颅骨剥离方法,也称为Brain Extraction Tool(BET)处理图像得到去除非脑体素的核磁共振图像。
示例性的,所述对去除非脑体素的核磁共振图像进行灰度归一化处理,得到预处理后的大脑核磁共振图像,是使用MIPAV软件里的Algorithms→Histogram tools→Histogram image matching进行图像的灰度归一化。目的是纠正核磁共振图像数据集中出现的问题:具有相同生物组织成分的两个像素点可能会具有不同的灰度。灰度上的这种差异称为偏差,它是由射频采集场的不均匀性或生物组织偏差引起的,它反映了相同生物结构的灰度在平均值附近具有变异性。
Medical Image Processing,Analysis and Visualization(MIPAV)软件是美国国立卫生研究院免费提供的医学图像处理软件包,它包括分析和量化生物医学数据的各种基本和先进的方法,支持所有主要的医学图像格式,为二维和三维图像提供了许多可视化和数据操作工具。整个软件包和文档都可以从因特网上下载。
所述核磁共振图像的模态包括T1-w模态、T2-w模态和FLAIR模态。
进一步地,所述S101-1中,对大脑核磁共振图像进行图像分割处理,得到含有超像素的大脑核磁共振图像;是指采用改进的SLIC超像素算法对大脑核磁共振图像进行图像分割处理,得到含有超像素的大脑核磁共振图像。
进一步地,所述S101-1中,对大脑核磁共振图像进行图像分割处理,得到含有超像素的大脑核磁共振图像;具体步骤包括:
S101-11:利用大脑核磁共振图像像素点的密度产生初始聚类中心;
S101-12:赋值阶段,在灰度距离和空间距离度量的基础上,引入像素梯度信息度量为脑核磁共振图像中的像素点分配类标签;
S101-13:更新阶段,使用与上一次聚类中心的灰度差值小于或等于图像灰度标准差的像素点进行新的聚类中心的计算,得到含有若干个超像素的大脑核磁共振图像。
示例性的,所述大脑核磁共振图像像素点的密度,计算公式为:
对于图像中的像素点i,它的密度为:
式中d(k,k+1)表示像素点k和k+1之间的欧式距离,σ为密度系数,pi,j为连接像素点i和j的所有路径,l为pi,j中像素的个数。
示例性的,S101-11:利用大脑核磁共振图像像素点的密度产生初始聚类中心;具体步骤包括:产生初始聚类中心Ck=[Ik,xk,yk]T的算法:
S101-111:计算图像中所有像素点的密度,初始化中心点集M为空集。
S101-112:选择图像中密度值最大的像素点imax={i|i∈N,i=1,2,…,n}作为首个初始的中心点并把它加到集合M中即M=M∪{imax},然后从像素集合N中删除这个像素imax及它的邻域像素。
S101-113:反复迭代执行S101-112,最终使得集合M中有k个中心像素点,即|M|=k。
S101-114:输出中心点集M,算法结束。
示例性的,所述S101-12中,赋值阶段,在灰度距离和空间距离度量的基础上,引入像素梯度信息度量为脑核磁共振图像中的像素点分配类标签;具体步骤包括:
在给像素分配类标签时,计算像素点和聚类中心的距离度量D:
式中,dc代表灰度距离,ds代表空间距离,代表类内最大空间距离,Nc为最大灰度距离,λ是权重系数,dg()是图像中像素的梯度值,Qi是i的8邻域像素。
示例性的,所述S101-13:更新阶段,使用与上一次聚类中心的灰度超值小于或等于图像灰度标准差的像素点进行新的聚类中心的计算,得到含有若干个超像素的大脑核磁共振图像;具体步骤包括:
计算新的聚类中心:
式中,Ωj是以Cj为中心的聚类,Nj是Ωj中包含的像素点数目,CMj,Sj是以Cj为中心的像素集合的灰度均值和距离均值。
Ωj=(|ICj-Ii|≤dev)
dev为图像灰度的标准差。
式中为图像中所有像素点的灰度均值。
进一步地,所述S101-2中,利用以超像素为聚类中心的模糊C均值算法对大脑核磁共振图像进行病灶分割,得到不同模态图像的初始病灶分割结果;具体步骤包括:
S101-21:设置聚类中心数目,初始化隶属度函数,计算各个聚类中心;
S101-22:基于超像素的邻域信息约束,计算隶属度矩阵,迭代过程中不断更新图像的聚类中心和超像素的聚类隶属度;
S101-23:根据最大隶属度法则,对图像去模糊化处理,根据模糊隶属度得到核磁共振图像各个模态的初始病灶分割结果。
示例性的,所述S101-2中,利用以超像素为聚类中心的模糊C均值算法对大脑核磁共振图像进行病灶分割,得到不同模态图像的初始病灶分割结果;具体步骤包括:
S101-2a1:在图像分割预处理步骤中获得具有K个超像素的核磁共振图像。根据公式得出第j个超像素的灰度均值。
S101-2a2:令图像的超像素邻域大小NR=8,根据需要把聚类数目设为4;
S101-2a3:初始化U0满足:1≤j≤N且/>1≤i≤C;
S101-2a4:设置迭代次数iter=0;
S101-2a5:计算各个聚类中心:
S101-2a6:计算并更新隶属度矩阵元素uij,公式如下:
S101-2a7:如果iter=ITER或||Uiter-Uiter+1||≤ε,则执行S101-2a8;否则,转至S101-2a5,继续算法迭代过程;
S101-2a8:根据最大隶属度法则,对图像去模糊化处理:Cj=argi{max(uij)}
S101-2a9:根据所得的模糊隶属度输出MR图像各模态中病变分割结果。
所述采用改进的模糊C均值算法对大脑核磁共振图像的不同模态进行病灶的分割,具体步骤包括:
对于第j个超像素SP_j,Ii为超像素里任意一个像素i的灰度值,P(I)为其归一化频率,则SP_j的灰度均值为以/>作为特征,采用模糊C均值算法对超像素分类。
在核磁共振图像中,模糊C均值算法的能量函数为:
式中,V={v1,v2,v3,v4}代表聚类中心,U={uij}是算法中的隶属度矩阵,uij表示第j个像素点所属为第i类的隶属度。N是所有的像素点数目,4是算法中预先指定的聚类的数目,分别是脑白质、脑灰质、脑脊液和病灶区域。
算法在迭代过程的聚类中心vi和隶属度uij不断更新:
在基于超像素的模糊C均值算法中引入超像素的邻域信息约束并把它加到算法的隶属度矩阵计算中,超像素隶属度的划分更加精确,然后在迭代过程中不断地更新图像的聚类中心和超像素的聚类隶属度,最后实现MR图像中目标的有效分割。
算法中改进的能量函数为:
式中uik表示SP_j的邻域超像素k关于第i类的隶属度,NR表示超像素的邻域空间的大小,取值为8。α是邻域信息约束系数,不同的α值代表邻域信息对目标函数和对超像素隶属度约束程度的不同,对α来说,当α>0时,图像中某个超像素的邻域超像素隶属哪个类的程度较高,则这个超像素属于此类的概率较大;同理可得,如果图像中某个超像素的邻域超像素隶属哪个类的程度较低,则这个超像素属于此类的概率相应也会比较小。
优化过程中隶属度uij的不断更新:
进一步地,所述S102中,基于多模态概率标签融合算法,对不同模态图像的初始病灶分割结果进行融合,得到最终的病灶分割结果;具体步骤包括:
S1021:对于同一个病人已经配准的核磁共振图像不同模态分割结果,计算第n个标签图和最终目标标签图之间的先验概率,作为融合投票能力的度量;
S1022:利用高斯分布估计目标模态图像与给定的模态图像之间的最大似然概率,作为各个模态图像的权重系数;
S1023:基于投票能力和各个模态图像的权重系数,得到核磁共振目标模态图像中的体素属于病变区域的概率,融合三种模态输出最终的图像分割结果。
其中,第n个标签图是指第n个模态对应的标签图谱;
最终目标标签图是指得到的各模态融合之后的最终病灶分割结果图对应的标签图谱,它是一个二值图像;
目标模态图像指的是待融合的不同模态图像;
给定的模态图像指的是不同模态图像的分割结果图;
所述多模态概率标签融合算法是基于局部加权投票策略的。
示例性的,所述S102中,基于多模态概率标签融合算法,对不同模态图像的初始病灶分割结果进行融合,得到最终的病灶分割结果;具体步骤包括:
以同一病人已配准的不同模态磁共振图像作为输入,融合后输出最终的多发性硬化症分割结果。磁共振图像的每个模态都有一个唯一的权重系数,该系数是目标模态图像与给定模态图像之间的最大似然函数。
对于磁共振图像,设In和Ln分别代表给定的第n个模态图像和对应的标签图,其中,n=1,2,3代表磁共振图像的T1-w、T2-w和FLAIR模态。
多模态概率标签融合算法的目的是得到与目标模态图像I相对应的最终目标标签图LT。
最终的目标标签图LT通过最大后验概率的估计实现:
其中,p(LT,I;{Ln,In})代表给定的模态图像和它对应的标签图的联合概率,假设每个体素的图像灰度值I(i)和标签L(i)条件独立;
构建生成目标模态图像和目标标签图的条件概率:
p(LT,I|M;{Ln,In})=∏p(L(i),I(i)|M(i);{Ln,In})
式中,M(i)表示在第i个体素上关于目标模态和给定的模态图像的随机关系,则:
p(L(i)|M;{Ln})=p(L(i)|M(i);LM(i))=pM(i)(L(i);LM(i))
p(I(i)|M;{In})=p(I(i)|M(i);IM(i))=pM(i)(I(i);IM(i))
则:
p(LT,I|M;{Ln,In})=∏pM(i)(L(i);LM(i))pM(i)(I(i);IM(i))
假设给定M的先验知识,则目标标签图可以由混合模型得到:
则:
M表示给定的图像和目标模态图像之间的局部关联,在M中引入马尔科夫随机场(Markov Random Field,MRF),则
其中,β≥0是一个标量参数,Ni是像素i的空间邻域,Zβ是只取决于β的函数,δ是克罗内克(Kronecker)delta函数。这里采用β=0,因为全部像素的标签均匀分布则M(i)独立同分布。
基于局部加权投票策略计算每个体素的融合标签,则:
其中pn(L(i)=λ;Ln)是第n个标签图和最终的目标标签图之间的先验概率,pn(I(i);In)是目标模态图像和给定的模态图像之间的最大似然概率。在这种情况下,pn(L(i)=λ;Ln)可以作为第n个标签图和最终的目标标签图之间的融合投票能力的度量,pn(I(i);In)可以作为各个模态图像的权重系数。使用方差为σ2的高斯分布估计目标模态图像和给定的模态图像之间的似然函数:
其中σ2是方差,当σ→∞时,上式可以化简为一个反常函数,从而生成最大的投票标签融合策略。与此相反,对于一个有限的σ2,上式为加权平均标签融合策略。
同样的,图像融合中的第n个标签图映射的投票能力由隶属函数决定:
因此,磁共振目标模态图像中的第i个体素属于病变区域的概率是:
图2和图3是利用本公开对两个病人核磁共振图像的多发性硬化症分割结果。
实施例二
本实施例提供了基于模糊C均值和概率标签融合的图像分割系统;
基于模糊C均值和概率标签融合的图像分割系统,包括:
初始分割模块,其被配置为:利用以超像素为聚类中心的模糊C均值算法,对获取的大脑核磁共振图像进行病灶分割,得到不同模态图像的初始病灶分割结果;
概率标签融合模块,其被配置为:基于多模态概率标签融合算法,对不同模态图像的初始病灶分割结果进行概率标签融合,得到最终的病灶分割结果。
此处需要说明的是,上述初始分割模块、和概率标签融合模块对应于实施例一中的步骤S101至S102,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例一所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重,某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统,可以通过其他的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如上述模块的划分,仅仅为一种逻辑功能划分,实际实现时,可以有另外的划分方式,例如多个模块可以结合或者可以集成到另外一个系统,或一些特征可以忽略,或不执行。
实施例三
本实施例还提供了一种电子设备,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述实施例一所述的方法。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
实施例四
本实施例还提供了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一所述的方法。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (6)
1.基于模糊C均值和概率标签融合的图像分割方法,其特征是,包括:
利用以超像素为聚类中心的模糊C均值算法,对获取的大脑核磁共振图像进行病灶分割,得到不同模态图像的初始病灶分割结果;具体步骤包括:
(1)对大脑核磁共振图像进行图像分割处理,得到含有超像素的大脑核磁共振图像;具体步骤包括:
利用大脑核磁共振图像像素点的密度产生初始聚类中心;
赋值阶段,在灰度距离和空间距离度量的基础上,引入像素梯度信息度量为脑核磁共振图像中的像素点分配类标签;
更新阶段,使用与上一次聚类中心的灰度差值小于或等于图像灰度标准差的像素点进行新的聚类中心的计算,得到含有若干个超像素的大脑核磁共振图像;
(2)使用以超像素为聚类中心的模糊C均值算法,对大脑核磁共振图像进行病灶分割,得到不同模态图像的初始病灶分割结果;具体步骤包括:
设置聚类中心数目,初始化隶属度函数,计算各个聚类中心;
基于超像素的邻域信息约束,计算隶属度矩阵,迭代过程中不断更新图像的聚类中心和超像素的聚类隶属度;
根据最大隶属度法则,对图像去模糊化处理,根据模糊隶属度得到核磁共振图像各个模态的初始病灶分割结果;
基于多模态概率标签融合算法,对不同模态图像的初始病灶分割结果进行概率标签融合,得到最终的病灶分割结果;
基于多模态概率标签融合算法,对不同模态图像的初始病灶分割结果进行融合,得到最终的病灶分割结果;具体步骤包括:
对于同一个病人已经配准的核磁共振图像不同模态分割结果,计算第n个标签图和最终目标标签图之间的先验概率,作为融合投票能力的度量;
利用高斯分布估计目标模态图像与给定的模态图像之间的最大似然概率,作为各个模态图像的权重系数;
基于投票能力和各个模态图像的权重系数,得到核磁共振目标模态图像中的体素属于病变区域的概率,融合三种模态输出最终的图像分割结果。
2.如权利要求1所述的方法,其特征是,利用以超像素为聚类中心的模糊C均值算法对大脑核磁共振图像进行病灶分割,得到不同模态图像的初始病灶分割结果步骤之前,还包括:
获取原始大脑核磁共振图像,对原始大脑核磁共振图像进行预处理,得到尺寸一致、只含有大脑颅内空间和灰度偏差小于设定阈值的大脑核磁共振图像。
3.如权利要求2所述的方法,其特征是,所述对原始大脑核磁共振图像进行预处理;具体步骤包括:
对原始大脑核磁共振图像进行下采样处理;
对下采样处理后的图像进行颅骨剥离处理,得到去除非脑体素的核磁共振图像;
对去除非脑体素的核磁共振图像进行灰度归一化处理,得到预处理后的大脑核磁共振图像。
4.基于模糊C均值和概率标签融合的图像分割系统,其特征是,包括:
初始分割模块,其被配置为:利用以超像素为聚类中心的模糊C均值算法,对获取的大脑核磁共振图像进行病灶分割,得到不同模态图像的初始病灶分割结果;具体步骤包括:
(1)对大脑核磁共振图像进行图像分割处理,得到含有超像素的大脑核磁共振图像;具体步骤包括:
利用大脑核磁共振图像像素点的密度产生初始聚类中心;
赋值阶段,在灰度距离和空间距离度量的基础上,引入像素梯度信息度量为脑核磁共振图像中的像素点分配类标签;
更新阶段,使用与上一次聚类中心的灰度差值小于或等于图像灰度标准差的像素点进行新的聚类中心的计算,得到含有若干个超像素的大脑核磁共振图像;
(2)使用以超像素为聚类中心的模糊C均值算法,对大脑核磁共振图像进行病灶分割,得到不同模态图像的初始病灶分割结果;具体步骤包括:
设置聚类中心数目,初始化隶属度函数,计算各个聚类中心;
基于超像素的邻域信息约束,计算隶属度矩阵,迭代过程中不断更新图像的聚类中心和超像素的聚类隶属度;
根据最大隶属度法则,对图像去模糊化处理,根据模糊隶属度得到核磁共振图像各个模态的初始病灶分割结果;
概率标签融合模块,其被配置为:基于多模态概率标签融合算法,对不同模态图像的初始病灶分割结果进行概率标签融合,得到最终的病灶分割结果;
基于多模态概率标签融合算法,对不同模态图像的初始病灶分割结果进行融合,得到最终的病灶分割结果;具体步骤包括:
对于同一个病人已经配准的核磁共振图像不同模态分割结果,计算第n个标签图和最终目标标签图之间的先验概率,作为融合投票能力的度量;
利用高斯分布估计目标模态图像与给定的模态图像之间的最大似然概率,作为各个模态图像的权重系数;
基于投票能力和各个模态图像的权重系数,得到核磁共振目标模态图像中的体素属于病变区域的概率,融合三种模态输出最终的图像分割结果。
5.一种电子设备,其特征是,包括:一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序;其中,处理器与存储器连接,上述一个或多个计算机程序被存储在存储器中,当电子设备运行时,该处理器执行该存储器存储的一个或多个计算机程序,以使电子设备执行上述权利要求1-3任一项所述的方法。
6.一种计算机可读存储介质,其特征是,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010588648.0A CN111932575B (zh) | 2020-06-24 | 2020-06-24 | 基于模糊c均值和概率标签融合的图像分割方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010588648.0A CN111932575B (zh) | 2020-06-24 | 2020-06-24 | 基于模糊c均值和概率标签融合的图像分割方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111932575A CN111932575A (zh) | 2020-11-13 |
CN111932575B true CN111932575B (zh) | 2023-07-18 |
Family
ID=73316753
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010588648.0A Active CN111932575B (zh) | 2020-06-24 | 2020-06-24 | 基于模糊c均值和概率标签融合的图像分割方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111932575B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052859A (zh) * | 2021-04-20 | 2021-06-29 | 哈尔滨理工大学 | 基于自适应种子点密度聚类超像素分割方法 |
CN116071555B (zh) * | 2023-03-15 | 2023-06-23 | 同心智医科技(北京)有限公司 | 一种建立WMHs分割模型的方法、WMHs分割方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103353986A (zh) * | 2013-05-30 | 2013-10-16 | 山东大学 | 一种基于超像素模糊聚类的脑部mr图像分割方法 |
CN103353987A (zh) * | 2013-06-14 | 2013-10-16 | 山东大学 | 一种基于模糊理论的超像素分割方法 |
CN106504245A (zh) * | 2016-10-28 | 2017-03-15 | 东北大学 | 一种多模态脑影像损伤性病变组织图像分割方法 |
CN109949322A (zh) * | 2019-03-27 | 2019-06-28 | 中山大学 | 一种基于磁共振t1增强图像的脑血管图像分割方法 |
CN110349160A (zh) * | 2019-06-25 | 2019-10-18 | 电子科技大学 | 一种基于超像素与模糊c均值聚类sar图像分割方法 |
-
2020
- 2020-06-24 CN CN202010588648.0A patent/CN111932575B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103353986A (zh) * | 2013-05-30 | 2013-10-16 | 山东大学 | 一种基于超像素模糊聚类的脑部mr图像分割方法 |
CN103353987A (zh) * | 2013-06-14 | 2013-10-16 | 山东大学 | 一种基于模糊理论的超像素分割方法 |
CN106504245A (zh) * | 2016-10-28 | 2017-03-15 | 东北大学 | 一种多模态脑影像损伤性病变组织图像分割方法 |
CN109949322A (zh) * | 2019-03-27 | 2019-06-28 | 中山大学 | 一种基于磁共振t1增强图像的脑血管图像分割方法 |
CN110349160A (zh) * | 2019-06-25 | 2019-10-18 | 电子科技大学 | 一种基于超像素与模糊c均值聚类sar图像分割方法 |
Non-Patent Citations (5)
Title |
---|
An adaptive sparse Bayesian model combined with probabilistic label fusion for multiple sclerosis lesion segmentation in brain MRI;Jingjing Wang et al.;《Future Generation Computer Systems》;20191227;第695-704页 * |
一种优化初始中心点的K-means算法;汪中 等;《模式识别与人工智能》;20090430;第22卷(第2期);第299-304页 * |
基于稀疏贝叶斯模型和多图谱融合的MRI脑肿瘤分割的研究;赵兴昊;《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑》;20190915(第09期);论文第21-31页 * |
基于超像素和改进迭代图割算法的图像分割;戴庆焰 等;《计算机工程》;20160731;第42卷(第7期);第220-226页 * |
基于邻域信息约束的模糊聚类图像分割方法;常晓茹 等;《电子设计工程》;20171130;第25卷(第21期);第6-10页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111932575A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yazdani et al. | Image segmentation methods and applications in MRI brain images | |
Caldairou et al. | A non-local fuzzy segmentation method: application to brain MRI | |
US6985612B2 (en) | Computer system and a method for segmentation of a digital image | |
Mortazavi et al. | Segmentation of multiple sclerosis lesions in MR images: a review | |
Doshi et al. | Multi-atlas skull-stripping | |
US20200074634A1 (en) | Recist assessment of tumour progression | |
Carballido-Gamio et al. | Normalized cuts in 3-D for spinal MRI segmentation | |
Ahirwar | Study of techniques used for medical image segmentation and computation of statistical test for region classification of brain MRI | |
Alia et al. | A hybrid harmony search algorithm for MRI brain segmentation | |
Aranguren et al. | Improving the segmentation of magnetic resonance brain images using the LSHADE optimization algorithm | |
CN111488914A (zh) | 一种基于多任务学习的阿尔茨海默症分类及预测系统 | |
Bandhyopadhyay et al. | Segmentation of brain MRI image–a review | |
CN111932575B (zh) | 基于模糊c均值和概率标签融合的图像分割方法及系统 | |
Feng et al. | Supervoxel based weakly-supervised multi-level 3D CNNs for lung nodule detection and segmentation | |
Amiri et al. | 3D cerebral MR image segmentation using multiple-classifier system | |
CN112233132A (zh) | 一种基于无监督学习的脑磁共振图像分割方法及装置 | |
CN112927235B (zh) | 基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法 | |
Khaniabadi et al. | Comparative review on traditional and deep learning methods for medical image segmentation | |
Platero et al. | A label fusion method using conditional random fields with higher-order potentials: Application to hippocampal segmentation | |
CN112950654B (zh) | 基于多核学习与超像素核低秩表示的脑肿瘤图像分割方法 | |
Davuluri et al. | Identification of Alzheimer’s disease using various deep learning techniques—A review | |
Sarikaya et al. | Multi-atlas brain MRI segmentation with multiway cut | |
Xu et al. | Segmentation of brain MRI | |
Ganesh et al. | A modified adaptive fuzzy c-means clustering algorithm for brain MR image segmentation | |
Ganesh et al. | A multiple kernel fuzzy c-means clustering algorithm for brain mr image 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 |