CN111951252B - 多时序图像处理方法、电子设备及存储介质 - Google Patents
多时序图像处理方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111951252B CN111951252B CN202010826210.1A CN202010826210A CN111951252B CN 111951252 B CN111951252 B CN 111951252B CN 202010826210 A CN202010826210 A CN 202010826210A CN 111951252 B CN111951252 B CN 111951252B
- Authority
- CN
- China
- Prior art keywords
- image
- gray level
- matrix
- emphasis
- feature
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 75
- 238000000034 method Methods 0.000 claims abstract description 56
- 230000011218 segmentation Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 57
- 238000010187 selection method Methods 0.000 claims description 12
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 210000004072 lung Anatomy 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 abstract description 12
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000002123 temporal effect Effects 0.000 abstract description 3
- 230000027311 M phase Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 206010056342 Pulmonary mass Diseases 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06T7/0004—Industrial 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种多时序图像处理方法、电子设备及存储介质,该方法包括以下步骤:1)多时序感兴趣区域分割;2)感兴趣区域综合特征提取;3)多时序图像特征提取;4)图像集处理:5)将所述步骤4)得到的特征矩阵M进行特征筛选后通过分类器进行分类,获得图像处理结果。本发明的多时序图像处理方法,能同时实现对多个病人的多时序图像分类,从多时相特征中能得到更加丰富的影像学定量特征;本发明通过构建多时相影像特征及其不同时相之间的特征差异,共同构成特征集合,可以更加有效的反映不同组织的影像学表现,利于得到更加丰富的影像学信息。
Description
技术领域
本发明涉及医学图像处理技术领域,特别涉及一种多时序图像处理方法、电子设备及存储介质。
背景技术
肿瘤是一种常见的恶性肿瘤,如肺结节,临床研究发现用CT诊断肺结节的准确率高,CT图像可在临床上用于疾病筛查、预后评估、疗效评估等。对图像进行医学影像处理分析能为医生的判断提供有利的数据支撑,具有极高的实用意义。例如专利201810165489.6提供了一种采用影像组学技术进行低辐射剂量肺结节筛查的方法。
目前针对多时序图像的医学影像处理方法,不适用多时相图像,无法计算不同时相之间影像特征的变化,而很多影像感兴趣区域,在不同时相影像中有不同的影像学表现,这些影像学表现的变化,反映了组织之间的区别。所以能适用多时相图像的处理方法势必能利于从图像中获得更加丰富的有用信息,但现在缺少可靠的方法。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种多时序图像处理方法、电子设备及存储介质。
为解决上述技术问题,本发明采用的技术方案是:一种多时序图像处理方法,包括以下步骤:
1)多时序感兴趣区域分割:
对一个病人的一个时相的组织图像(如CT图像)进行感兴趣区域分割,获得J个ROI图像;
2)感兴趣区域综合特征提取:
计算每个ROI图像的7个特征向量,包括:一阶统计矩特征向量Ffos、计算三维形状特征向量Fs3d、灰度共生矩阵特征向量Fglcm、灰度行程矩阵特征向量Fglrlm、灰度区域大小矩阵特征向量Fglszm、相邻灰度差分矩阵特征向量Fngtdm及灰度相关矩阵特征向量Fgldm,将同一个ROI图像的上述7个特征向量按照行方向逐一拼接成,形成新的特征向量,记作Fi,i=1,2,…,J,然后将所有ROI图像的Fi按照行方向逐一拼接,得到感兴趣区域的综合特征向量Z;
3)多时序图像特征提取:
对一个病人的m个时相的组织图像按照所述步骤1)和步骤2)的方法,分别提取其综合特征向量,记作Zm;计算不同Zm之间的差异矩阵Zmm’,根据Zm和Zmm’计算一个病人的m个时相的组织图像的多时相图像特征向量Df;
4)图像集处理:
按照所述步骤1)-3),获得所有病人各自的多时相图像特征向量Dfx,x=1,2,…,X,X表示病人总数;
对Dfx按照列方向逐一拼接,形成图像集的特征矩阵,记作M;特征矩阵M中的列向量代表同一个病人的多时相图像的特征值向量,特征矩阵M中的行向量代表不同病人的多时相图像中相同特征名的特征值向量;
5)将所述步骤4)得到的特征矩阵M进行特征筛选后通过分类器进行分类,获得图像处理结果。
优选的是,所述步骤1)具体包括:
1-1)对一个病人的一个时相的组织图像进行组织分割,分割后组织区域的像素值保留,其余部位的像素置0,分割的图像记作Ilung;
1-3)灰度标准化:
a)在原图像中选择某一个已进行了组织分割的图像区域作为基准区域,计算其图像灰度均值,记作pbase;对组织区域的像素进行灰度偏置,偏置后的像素值p=pori-pbase,偏置后的图像记作Ishift;其中,pori表示原图像的像素灰度;
b)设置图像阈值集合,记作τi,i=1,2,…,J,由τi对Ishift进行阈值分割,高于阈值的像素保留原像素值,小于阈值的像素值置零,分割后的图像记作Ii-binary;
Ii-binary的非零像素区域为原始图像中的感兴趣区域,即一个多时序图像经过J个阈值分割处理后,将产生J个ROI图像,J个ROI图像为感兴趣区域,后续将在J个ROI图像上分别提取特征。
优选的是,所述步骤2)中一阶统计矩特征向量Ffos具体包括能量、总能量、熵、最小值、10%分位值、90%分位值、最大值、均值、中位值、四分位差、最大值-最小值、平均绝对偏差、稳健平集合均绝对偏差、均方根、标准差、歪斜率、峰度、方差、均匀性;
计算三维形状特征向量Fs3d具体包括体积、ROI表编辑、ROI表面积和体积比、球形度、紧密度、球不对称度、最大三维直径、伸长率、平坦度;
灰度共生矩阵特征向量Fglcm具体包括自相关系数、联合平均系数、集群出系数、集群阴影、集群趋势、对比度、相关系数、差异平均系数、差熵、联合能量、联合熵、相关性信息测度、逆差矩、最大相关系数、归一化逆差矩、逆差、归一化逆差、最大概率、和平均、和能量、和平方;
灰度行程矩阵特征向量Fglrlm具体包括小面积重点、大面积重点、灰度不均匀性、归一化灰度不均匀性、区域尺寸不均匀性、归一化区域尺寸不均匀性、区域百分比、灰度变化、区域变化、区域能量、低灰度区域重点、高灰度区域重点、小面积低灰度重点、小面积高灰度重点、大面积低灰度重点、大面积高灰度重点;
灰度区域大小矩阵特征向量Fglszm具体包括短行程重点、长行程重点、灰度级不均匀性、归一化灰度级不均匀性、游程长不均匀度、归一化游程长不均匀度、游程百分比、灰度级方差、游程方差、游程熵、低灰度级游程重点、短游程低灰度级游程重点、短游程高灰度级游程重点、长游程低灰度级游程重点、长游程高灰度级游程重点;
相邻灰度差分矩阵特征向量Fngtdm具体包括粗糙度、对比度、复杂度、强度;
灰度相关矩阵特征向量Fgldm具体包括:小依赖重点、大依赖重点、依赖不均匀性、归一化依赖不均匀性、依赖方差、依赖熵、小依赖低灰度级重点、小依赖高灰度重点、大依赖低灰度级重点、大依赖高灰度级重点。
优选的是,所述步骤3)具体包括:
3-1)将一个病人的m个时相的组织图像记作Im,m=1,2,…,按照所述步骤1)和步骤2)的方法,分别提取其综合特征向量,记作Zm;
3-2)计算不同Zm之间的差异,其差异矩阵Zmm’=Zm-Zm’,m、m’=1,2,…,其中,m与m’不同时取相同的值;
3-3)Zm按照时间顺序,分别将Zm按照行方向进行拼接,得到多时相特征矩阵,记作FT;Zmm’按照时间顺序,分别将Zmm’按照行方向进行拼接,得到多时相特征变化矩阵,记作ΔZ;
3-4)对FT和ΔZ按照行方向进行拼接,得到一个病人的m个时相的多时序图像的多时相图像特征向量,记作Df。
优选的是,所述3-4)中,m个时相的图像中,单时相图像的特征长度为L,则阈值τi下m个时相的特征总长度为m(m+1)/2,多时相图像特征向量总长度为m(m+1)*J/2,i=1,2,…,J,J表示阈值的总个数。
优选的是,所述步骤5)具体包括:
5-1)对所述步骤4)得到的特征矩阵M进行特征筛:将特征矩阵M依次经过T检验、相关性分析、最大相关-最小冗余处理、序列特征筛选后得到筛选后的特征矩阵M’;
5-2)采用具备机器学习功能的分类器对特征矩阵M’进行分类,获得图像处理结果。
优选的是,其中,相关性分析采用peason方法、spearman或kandall方法;最大相关-最小冗余处理采用MIQ或MID方法;序列特征筛选采用序列前向选择方法、序列后向选择方法、序列浮动后向选择方法或序列浮动前向选择方法。
优选的是,所述分类器选择C-SVC、Nu-SVC、多元逻辑回归、随机森林、adaboost和xgboost中的一种或多种。
本发明还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可被所述处理器运行的程序,其特征在于,所述处理器执行所述程序时实现如上所述的多时序图像处理方法。
本发明还提供一种存储介质,其上存储有计算机程序,其特征在于,当所述计算机程序被处理器执行时实现如上所述的多时序图像处理方法。
本发明的有益效果是:本发明的多时序图像处理方法,能同时实现对多个病人的多时序图像分类,从多时相特征中能得到更加丰富的影像学定量特征;本发明通过构建多时相影像特征及其不同时相之间的特征差异,共同构成特征集合,可以更加有效的反映不同组织的影像学表现,利于得到更加丰富的影像学信息。
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
应当理解,本文所使用的诸如“具有”、“包含”以及“包括”术语并不排除一个或多个其它元件或其组合的存在或添加。
本实施例的一种多时序图像处理方法,包括以下步骤:
1)多时序感兴趣区域分割:
对一个病人的一个时相的组织图像(本实施例中针对肺部多时序CT图像)进行感兴趣区域分割,获得J个ROI图像,具体包括:
1-1)对一个病人的一个时相的组织图像进行组织分割,分割后组织区域的像素值保留,其余部位的像素置0,分割的图像记作Ilung;
1-2)灰度标准化:
a)在原图像中选择某一个已进行了组织分割的图像区域作为基准区域,计算其图像灰度均值,记作pbase;对组织区域的像素进行灰度偏置,偏置后的像素值p=pori-pbase,偏置后的图像记作Ishift;其中,pori表示原图像的像素灰度;
b)设置图像阈值集合,记作τi,i=1,2,…,J,由τi对Ishift进行阈值分割,高于阈值的像素保留原像素值,小于阈值的像素值置零,分割后的图像记作Ii-binary;
Ii-binary的非零像素区域为原始图像中的感兴趣区域,即一个多时序图像经过J个阈值分割处理后,将产生J个ROI图像,J个ROI图像为感兴趣区域,后续将在J个ROI图像上分别提取特征。
2)感兴趣区域综合特征提取:
计算每个ROI图像的7个特征向量,包括:一阶统计矩特征向量Ffos、计算三维形状特征向量Fs3d、灰度共生矩阵特征向量Fglcm、灰度行程矩阵特征向量Fglrlm、灰度区域大小矩阵特征向量Fglszm、相邻灰度差分矩阵特征向量Fngtdm及灰度相关矩阵特征向量Fgldm,将同一个ROI图像的上述7个特征向量按照行方向逐一拼接成,形成新的特征向量,记作Fi,i=1,2,…,J,然后将所有ROI图像的Fi按照行方向逐一拼接,得到感兴趣区域的综合特征向量Z;
其中:
一阶统计矩特征向量Ffos具体包括能量、总能量、熵、最小值、10%分位值、90%分位值、最大值、均值、中位值、四分位差、最大值-最小值、平均绝对偏差、稳健平集合均绝对偏差、均方根、标准差、歪斜率、峰度、方差、均匀性;
计算三维形状特征向量Fs3d具体包括体积、ROI表编辑、ROI表面积和体积比、球形度、紧密度、球不对称度、最大三维直径、伸长率、平坦度;
灰度共生矩阵特征向量Fglcm具体包括自相关系数、联合平均系数、集群出系数、集群阴影、集群趋势、对比度、相关系数、差异平均系数、差熵、联合能量、联合熵、相关性信息测度、逆差矩、最大相关系数、归一化逆差矩、逆差、归一化逆差、最大概率、和平均、和能量、和平方;
灰度行程矩阵特征向量Fglrlm具体包括小面积重点、大面积重点、灰度不均匀性、归一化灰度不均匀性、区域尺寸不均匀性、归一化区域尺寸不均匀性、区域百分比、灰度变化、区域变化、区域能量、低灰度区域重点、高灰度区域重点、小面积低灰度重点、小面积高灰度重点、大面积低灰度重点、大面积高灰度重点;
灰度区域大小矩阵特征向量Fglszm具体包括短行程重点、长行程重点、灰度级不均匀性、归一化灰度级不均匀性、游程长不均匀度、归一化游程长不均匀度、游程百分比、灰度级方差、游程方差、游程熵、低灰度级游程重点、短游程低灰度级游程重点、短游程高灰度级游程重点、长游程低灰度级游程重点、长游程高灰度级游程重点;
相邻灰度差分矩阵特征向量Fngtdm具体包括粗糙度、对比度、复杂度、强度;
灰度相关矩阵特征向量Fgldm具体包括:小依赖重点、大依赖重点、依赖不均匀性、归一化依赖不均匀性、依赖方差、依赖熵、小依赖低灰度级重点、小依赖高灰度重点、大依赖低灰度级重点、大依赖高灰度级重点。
3)多时序图像特征提取:
对一个病人的m个时相的组织图像按照所述步骤1)和步骤2)的方法,分别提取其综合特征向量,记作Zm;计算不同Zm之间的差异矩阵Zmm’,根据Zm和Zmm’计算一个病人的m个时相的组织图像的多时相图像特征向量Df;具体包括:
3-1)将一个病人的m个时相的组织图像记作Im,m=1,2,…,按照所述步骤1)和步骤2)的方法,分别提取其综合特征向量,记作Zm;
3-2)计算不同Zm之间的差异,其差异矩阵Zmm’=Zm-Zm’,m、m’=1,2,…,其中,m与m’不同时取相同的值;
3-3)Zm按照时间顺序,分别将Zm按照行方向进行拼接,得到多时相特征矩阵,记作FT;Zmm’按照时间顺序,分别将Zmm’按照行方向进行拼接,得到多时相特征变化矩阵,记作ΔZ;
3-4)对FT和ΔZ按照行方向进行拼接,得到一个病人的m个时相的多时序图像的多时相图像特征向量,记作Df。
其中,m个时相的图像中,单时相图像的特征长度为L,则阈值τi下m个时相的特征总长度为m(m+1)/2,多时相图像特征向量总长度为m(m+1)*J/2,i=1,2,…,J,J表示阈值的总个数。
4)图像集处理:
按照所述步骤1)-3),获得所有病人各自的多时相图像特征向量Dfx,x=1,2,…,X,X表示病人总数;
对Dfx按照列方向逐一拼接,形成图像集的特征矩阵,记作M;特征矩阵M中的列向量代表同一个病人的多时相图像的特征值向量,特征矩阵M中的行向量代表不同病人的多时相图像中相同特征名的特征值向量;
5)将所述步骤4)得到的特征矩阵M进行特征筛选后通过分类器进行分类,获得图像处理结果,
具体包括:
5-1)对所述步骤4)得到的特征矩阵M进行特征筛:将特征矩阵M依次经过T检验、相关性分析、最大相关-最小冗余处理、序列特征筛选后得到筛选后的特征矩阵M’;
5-2)采用具备机器学习功能的分类器对特征矩阵M’进行分类,获得图像处理结果。
其中,在优选的实施例中,相关性分析采用peason方法、spearman或kandall方法;最大相关-最小冗余处理采用MIQ或MID方法;序列特征筛选采用序列前向选择方法、序列后向选择方法、序列浮动后向选择方法或序列浮动前向选择方法。
在优选的实施例中,所述分类器选择C-SVC、Nu-SVC、多元逻辑回归、随机森林、adaboost和xgboost中的一种或多种。
本发明通过上述方法,能同时实现对多个病人的多时序图像分类,从多时相特征中能得到更加丰富的影像学定量特征,本发明获得的分类结果根据不同的临床用途,可用于后续的相关疾病的诊断、预后评估、疗效评估、筛查等;本发明通过构建多时相影像特征及其不同时相之间的特征差异,共同构成特征集合,可以更加有效的反映不同组织的影像学表现,利于得到更加丰富的影像学信息。
为了实现上述实施例,本实施例中还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可被所述处理器运行的程序,所述处理器执行所述程序时实现如上述实施例的多时序图像处理方法。
为了实现上述实施例,本实施例中还提供一种存储介质,其上存储有计算机程序,当所述计算机程序被处理器执行时实现如上述实施例的多时序图像处理方法。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节。
Claims (8)
1.一种多时序图像处理方法,其特征在于,包括以下步骤:
1)多时序感兴趣区域分割:
对一个病人的一个时相的组织图像进行感兴趣区域分割,获得J个ROI图像;
2)感兴趣区域综合特征提取:
计算每个ROI图像的7个特征向量,包括:一阶统计矩特征向量Ffos、计算三维形状特征向量Fs3d、灰度共生矩阵特征向量Fglcm、灰度行程矩阵特征向量Fglrlm、灰度区域大小矩阵特征向量Fglszm、相邻灰度差分矩阵特征向量Fngtdm及灰度相关矩阵特征向量Fgldm,将同一个ROI图像的上述7个特征向量按照行方向逐一拼接成,形成新的特征向量,记作Fi,i=1,2,…,J,然后将所有ROI图像的Fi按照行方向逐一拼接,得到感兴趣区域的综合特征向量Z;
3)多时序图像特征提取:
对一个病人的m个时相的组织图像按照所述步骤1)和步骤2)的方法,分别提取其综合特征向量,记作Zm;计算不同Zm之间的差异矩阵Zmm’,根据Zm和Zmm’计算一个病人的m个时相的组织图像的多时相图像特征向量Df;
4)图像集处理:
按照所述步骤1)-3),获得所有病人各自的多时相图像特征向量Dfx,x=1,2,…,X,X表示病人总数;
对Dfx按照列方向逐一拼接,形成图像集的特征矩阵,记作M;特征矩阵M中的行向量代表同一个病人的多时相图像的特征值向量,特征矩阵M中的列向量代表不同病人的多时相图像中相同特征名的特征值向量;
5)将所述步骤4)得到的特征矩阵M进行特征筛选后通过分类器进行分类,获得图像处理结果;
所述步骤1)具体包括:
1-1)对一个病人的一个时相的组织图像进行组织分割,分割后组织区域的像素值保留,其余部位的像素置0,分割的图像记作Ilung;
1-2)灰度标准化:
a)在原图像中选择某一个已进行了组织分割的图像区域作为基准区域,计算其图像灰度均值,记作pbase;对组织区域的像素进行灰度偏置,偏置后的像素值p=pori-pbase,偏置后的图像记作Ishift;其中,pori表示原图像的像素灰度;
b)设置图像阈值集合,记作τi,i=1,2,…,J,由τi对Ishift进行阈值分割,高于阈值的像素保留原像素值,小于阈值的像素值置零,分割后的图像记作Ii-binary;
Ii-binary的非零像素区域为原始图像中的感兴趣区域,即一个多时序图像经过J个阈值分割处理后,将产生J个ROI图像,J个ROI图像为感兴趣区域,后续将在J个ROI图像上分别提取特征;
所述步骤2)中一阶统计矩特征向量Ffos具体包括能量、总能量、熵、最小值、10%分位值、90%分位值、最大值、均值、中位值、四分位差、最大值-最小值、平均绝对偏差、稳健平集合均绝对偏差、均方根、标准差、歪斜率、峰度、方差、均匀性;
计算三维形状特征向量Fs3d具体包括体积、ROI表编辑、ROI表面积和体积比、球形度、紧密度、球不对称度、最大三维直径、伸长率、平坦度;
灰度共生矩阵特征向量Fglcm具体包括自相关系数、联合平均系数、集群出系数、集群阴影、集群趋势、对比度、相关系数、差异平均系数、差熵、联合能量、联合熵、相关性信息测度、逆差矩、最大相关系数、归一化逆差矩、逆差、归一化逆差、最大概率、和平均、和能量、和平方;
灰度行程矩阵特征向量Fglrlm具体包括小面积重点、大面积重点、灰度不均匀性、归一化灰度不均匀性、区域尺寸不均匀性、归一化区域尺寸不均匀性、区域百分比、灰度变化、区域变化、区域能量、低灰度区域重点、高灰度区域重点、小面积低灰度重点、小面积高灰度重点、大面积低灰度重点、大面积高灰度重点;
灰度区域大小矩阵特征向量Fglszm具体包括短行程重点、长行程重点、灰度级不均匀性、归一化灰度级不均匀性、游程长不均匀度、归一化游程长不均匀度、游程百分比、灰度级方差、游程方差、游程熵、低灰度级游程重点、短游程低灰度级游程重点、短游程高灰度级游程重点、长游程低灰度级游程重点、长游程高灰度级游程重点;
相邻灰度差分矩阵特征向量Fngtdm具体包括粗糙度、对比度、复杂度、强度;
灰度相关矩阵特征向量Fgldm具体包括:小依赖重点、大依赖重点、依赖不均匀性、归一化依赖不均匀性、依赖方差、依赖熵、小依赖低灰度级重点、小依赖高灰度重点、大依赖低灰度级重点、大依赖高灰度级重点。
2.根据权利要求1所述的多时序图像处理方法,其特征在于,所述步骤3)具体包括:
3-1)将一个病人的m个时相的组织图像记作Im,m=1,2,…,按照所述步骤1)和步骤2)的方法,分别提取其综合特征向量,记作Zm;
3-2)计算不同Zm之间的差异,其差异矩阵Zmm’=Zm-Zm’,m、m’=1,2,…,其中,m与m’不同时取相同的值;
3-3)Zm按照时间顺序,分别将Zm按照行方向进行拼接,得到多时相特征矩阵,记作FT;Zmm’按照时间顺序,分别将Zmm’按照行方向进行拼接,得到多时相特征变化矩阵,记作ΔZ;
3-4)对FT和ΔZ按照行方向进行拼接,得到一个病人的m个时相的多时序图像的多时相图像特征向量,记作Df。
3.根据权利要求2所述的多时序图像处理方法,其特征在于,所述3-4)中,m个时相的图像中,单时相图像的特征长度为L,则阈值τi下m个时相的特征总长度为m(m+1)/2,多时相图像特征向量总长度为m(m+1)*J/2,i=1,2,…,J,J表示阈值的总个数。
4.根据权利要求3所述的多时序图像处理方法,其特征在于,所述步骤5)具体包括:
5-1)对所述步骤4)得到的特征矩阵M进行特征筛:将特征矩阵M依次经过T检验、相关性分析、最大相关-最小冗余处理、序列特征筛选后得到筛选后的特征矩阵M’;
5-2)采用具备机器学习功能的分类器对特征矩阵M’进行分类,获得图像处理结果。
5.根据权利要求4所述的多时序图像处理方法,其特征在于,其中,相关性分析采用peason方法、spearman或kandall方法;最大相关-最小冗余处理采用MIQ或MID方法;序列特征筛选采用序列前向选择方法、序列后向选择方法、序列浮动后向选择方法或序列浮动前向选择方法。
6.根据权利要求5所述的多时序图像处理方法,其特征在于,所述分类器选择C-SVC、Nu-SVC、多元逻辑回归、随机森林、adaboost和xgboost中的一种或多种。
7.一种电子设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可被所述处理器运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6中任一项所述的多时序图像处理方法。
8.一种存储介质,其上存储有计算机程序,其特征在于,当所述计算机程序被处理器执行时实现如权利要求1-6任意一项所述的多时序图像处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010826210.1A CN111951252B (zh) | 2020-08-17 | 2020-08-17 | 多时序图像处理方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010826210.1A CN111951252B (zh) | 2020-08-17 | 2020-08-17 | 多时序图像处理方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111951252A CN111951252A (zh) | 2020-11-17 |
CN111951252B true CN111951252B (zh) | 2024-01-23 |
Family
ID=73342631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010826210.1A Active CN111951252B (zh) | 2020-08-17 | 2020-08-17 | 多时序图像处理方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111951252B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114842009B (zh) * | 2022-07-04 | 2022-09-16 | 江苏奥派电气科技有限公司 | 一种基于灰度游程矩阵的电缆缺陷检测优化方法 |
CN116681707B (zh) * | 2023-08-04 | 2023-10-20 | 北京同仁医学科技有限责任公司 | 一种角膜荧光素染色图像识别分级方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101669828A (zh) * | 2009-09-24 | 2010-03-17 | 复旦大学 | 基于pet/ct图像纹理特征的肺部恶性肿瘤与良性结节检测系统 |
CN105447872A (zh) * | 2015-12-03 | 2016-03-30 | 中山大学 | 一种在超声影像中自动识别肝脏肿瘤类型的方法 |
CN106997596A (zh) * | 2017-04-01 | 2017-08-01 | 太原理工大学 | 一种基于信息熵和联合向量的lbf活动轮廓模型的肺结节分割方法 |
CN108830835A (zh) * | 2018-05-25 | 2018-11-16 | 北京长木谷医疗科技有限公司 | 识别脊柱矢状位图像异常的方法及计算设备 |
CN108897984A (zh) * | 2018-05-07 | 2018-11-27 | 上海理工大学 | 基于ct影像组学特征与肺癌基因表达间相关性分析方法 |
CN109344840A (zh) * | 2018-08-07 | 2019-02-15 | 深圳市商汤科技有限公司 | 图像处理方法和装置、电子设备、存储介质、程序产品 |
CN109858562A (zh) * | 2019-02-21 | 2019-06-07 | 腾讯科技(深圳)有限公司 | 一种医学影像的分类方法、装置和存储介质 |
CN111008957A (zh) * | 2019-11-19 | 2020-04-14 | 北京推想科技有限公司 | 医疗信息处理方法和装置 |
CN111178449A (zh) * | 2019-12-31 | 2020-05-19 | 浙江大学 | 结合计算机视觉特征和影像组学特征的肝癌图像分类方法和装置 |
CN111340827A (zh) * | 2020-05-18 | 2020-06-26 | 天津精诊医疗科技有限公司 | 一种肺部ct影像数据处理分析方法及系统 |
CN111462116A (zh) * | 2020-05-13 | 2020-07-28 | 吉林大学第一医院 | 基于影像组学特征的多模态参数模型优化融合方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6466687B1 (en) * | 1997-02-12 | 2002-10-15 | The University Of Iowa Research Foundation | Method and apparatus for analyzing CT images to determine the presence of pulmonary tissue pathology |
-
2020
- 2020-08-17 CN CN202010826210.1A patent/CN111951252B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101669828A (zh) * | 2009-09-24 | 2010-03-17 | 复旦大学 | 基于pet/ct图像纹理特征的肺部恶性肿瘤与良性结节检测系统 |
CN105447872A (zh) * | 2015-12-03 | 2016-03-30 | 中山大学 | 一种在超声影像中自动识别肝脏肿瘤类型的方法 |
CN106997596A (zh) * | 2017-04-01 | 2017-08-01 | 太原理工大学 | 一种基于信息熵和联合向量的lbf活动轮廓模型的肺结节分割方法 |
CN108897984A (zh) * | 2018-05-07 | 2018-11-27 | 上海理工大学 | 基于ct影像组学特征与肺癌基因表达间相关性分析方法 |
CN108830835A (zh) * | 2018-05-25 | 2018-11-16 | 北京长木谷医疗科技有限公司 | 识别脊柱矢状位图像异常的方法及计算设备 |
CN109344840A (zh) * | 2018-08-07 | 2019-02-15 | 深圳市商汤科技有限公司 | 图像处理方法和装置、电子设备、存储介质、程序产品 |
CN109858562A (zh) * | 2019-02-21 | 2019-06-07 | 腾讯科技(深圳)有限公司 | 一种医学影像的分类方法、装置和存储介质 |
CN111008957A (zh) * | 2019-11-19 | 2020-04-14 | 北京推想科技有限公司 | 医疗信息处理方法和装置 |
CN111178449A (zh) * | 2019-12-31 | 2020-05-19 | 浙江大学 | 结合计算机视觉特征和影像组学特征的肝癌图像分类方法和装置 |
CN111462116A (zh) * | 2020-05-13 | 2020-07-28 | 吉林大学第一医院 | 基于影像组学特征的多模态参数模型优化融合方法 |
CN111340827A (zh) * | 2020-05-18 | 2020-06-26 | 天津精诊医疗科技有限公司 | 一种肺部ct影像数据处理分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111951252A (zh) | 2020-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Crossbar-net: A novel convolutional neural network for kidney tumor segmentation in ct images | |
Singh et al. | Machine learning in cardiac CT: basic concepts and contemporary data | |
Chen et al. | Fully automatic acute ischemic lesion segmentation in DWI using convolutional neural networks | |
US6320976B1 (en) | Computer-assisted diagnosis method and system for automatically determining diagnostic saliency of digital images | |
CN111951252B (zh) | 多时序图像处理方法、电子设备及存储介质 | |
CN114202545A (zh) | 一种基于UNet++的低级别胶质瘤图像分割方法 | |
Graves et al. | Improving the generalization of deep learning methods to segment the left ventricle in short axis MR images | |
Song et al. | Radiomics feature analysis and model research for predicting histopathological subtypes of non‐small cell lung cancer on CT images: A multi‐dataset study | |
Hu et al. | A GLCM embedded CNN strategy for computer-aided diagnosis in intracerebral hemorrhage | |
Jahangard et al. | U-net based architecture for an improved multiresolution segmentation in medical images | |
US20210183061A1 (en) | Region dividing device, method, and program, similarity determining apparatus, method, and program, and feature quantity deriving apparatus, method, and program | |
Cao et al. | Robust information clustering incorporating spatial information for breast mass detection in digitized mammograms | |
Tenali et al. | Oral Cancer Detection using Deep Learning Techniques | |
Patel et al. | Medical image enhancement using histogram processing and feature extraction for cancer classification | |
Luong et al. | A computer-aided detection to intracranial hemorrhage by using deep learning: a case study | |
Valliappan et al. | A theoretical methodology and prototype implementation for detection segmentation classification of digital mammogram tumor by machine learning and problem solving approach | |
Lin et al. | Usformer: A Light Neural Network for Left Atrium Segmentation of 3D LGE MRI | |
Sultana et al. | Infantile hemangioma detection using deep learning | |
Dalju et al. | Superpixel-based segmentation and classification of gastrointestinal landmarks and diseases | |
Alnowami | Very Deep Convolutional Networks for Skin Lesion Classification | |
Chelluboina et al. | CATDSNet: Computer Aided Tongue Diagnosis System for Disease Prediction Using Hybrid Extreme Learning Machine. | |
Wang et al. | Deep learning features for modeling perceptual similarity in microcalcification lesion retrieval | |
Das et al. | Interlayer textural variabilities to study the benignancy/malignancy of brain tumors using MR modalities images | |
Jia | Population-based models of shape, structure, and deformation in atrial fibrillation | |
Bo et al. | Towards Better Soft-Tissue Segmentation Based on Gestalt Psychology |
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 |