CN112258532A - 一种超声图像中胼胝体的定位及分割方法 - Google Patents
一种超声图像中胼胝体的定位及分割方法 Download PDFInfo
- Publication number
- CN112258532A CN112258532A CN202011156755.2A CN202011156755A CN112258532A CN 112258532 A CN112258532 A CN 112258532A CN 202011156755 A CN202011156755 A CN 202011156755A CN 112258532 A CN112258532 A CN 112258532A
- Authority
- CN
- China
- Prior art keywords
- corpus callosum
- image
- callus
- search
- area
- 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
Links
- 210000000877 corpus callosum Anatomy 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 35
- 206010020649 Hyperkeratosis Diseases 0.000 claims abstract description 78
- 210000004556 brain Anatomy 0.000 claims abstract description 38
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000002604 ultrasonography Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 10
- 229920000018 Callose Polymers 0.000 claims description 7
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000000877 morphologic effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 210000000988 bone and bone Anatomy 0.000 description 5
- 241000361919 Metaphire sieboldi Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 241000270295 Serpentes Species 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 210000003754 fetus Anatomy 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 210000000582 semen Anatomy 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
- G06T7/13—Edge detection
-
- 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
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- 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
- G06T2207/10132—Ultrasound image
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20116—Active contour; Active surface; Snakes
-
- 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
- G06T2207/30016—Brain
-
- 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
- G06T2207/30044—Fetus; Embryo
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (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)
- Ultra Sonic Daignosis Equipment (AREA)
Abstract
本发明公开了一种超声图像中胼胝体的定位及分割方法，具体包括如下步骤：获取人脑超声图像、对图像进行预处理得到胼胝体初始搜索区域；采用对抗神经网络从胼胝体图像中获取胼胝体平均模板；并以自适应后胼胝体平均模板尺寸作为胼胝体粗搜索结果尺寸；对胼胝体粗搜索结果尺寸进行扩充并映射到人脑超声图像上、得到胼胝体精搜索区域；将胼胝体精搜索结果进行左右等分、并计算左右两部分的图像相似度，当相似度大于设定阈值则认为该搜索结果满足要求，在人脑超声图像的对应区域即为胼胝体区域，基于胼胝体最终搜索结果进行主动轮廓模型算法迭代，分割胼胝体并得到其轮廓和位置信息。
Description
技术领域
本发明涉及医学图像处理领域，尤其涉及一种超声图像中胼胝体的定位及分割方法。
背景技术
随着计算机技术在医学上的广泛应用，使得早先的人工分割图像逐渐被计算机自动分割所替代。目前对于如何检测胎儿的胼胝体是否发育正常，通常采用人工定位及分割超声图像中胼胝体区域，并计算其面积来检测出是否发育正常。如何精准高效定位胼胝体，并对胼胝体进行自动化分割，提取位置及轮廓信息成为关键的问题。目前对于超声图像定位及分割胼胝体问题，没有已知的有效的计算机自动处理办法，都是由人工来人为定位及分割。这需要专业的知识储备，也花费了不少时间，并且效果不一定精细，所以准确性不能保证。
发明内容
根据现有技术存在的问题，本发明公开了一种超声图像中胼胝体的定位及分割方法，具体包括如下步骤：
获取人脑超声图像、对图像进行预处理得到胼胝体初始搜索区域；
采用对抗神经网络由胼胝体图像生成胼胝体平均模板；
在人脑超声图像上以胼胝体初始搜索区域为搜索范围、以胼胝体平均模板为搜索依据获取胼胝体粗搜索结果；
对胼胝体粗搜索结果进行尺寸扩充并映射到人脑超声图像上、基于自适应尺寸模板进行滑动窗口搜索、采用窗口几何中心点聚类对搜索结果进行筛选从而得到胼胝体精搜索结果；
将胼胝体精搜索结果进行左右等分、并计算左右两部分的图像相似度，根据图像相似度信息判断胼胝体精搜索结果准确性；
基于胼胝体精搜索结果进行基于像素差值算法的轮廓迭代，分割胼胝体并得到其轮廓和位置信息。
所述胼胝体平均模板采用如下方式获取：
对N张人脑超声图像手工分割，获得N张包含胼胝体区域的矩形图像,再对图像进行降噪和增强处理，将这些图像转化成相同尺寸并输入对抗神经网络进行训练、得到一张包含胼胝体平均特征信息的矩形图像,将该矩形图像作为胼胝体平均模板。
获取所述胼胝体粗搜索结果时：首先进行模板尺寸自适应的滑动窗口搜索，对相似度大于设定阈值的图像的中心点进行聚类，选取最大类所包含的点集的几何中心作为胼胝体粗搜索结果的中心，并根据自适应后胼胝体平均模板尺寸最终确定胼胝体粗搜索结果。
获取所述胼胝体精搜索结果具体采用如下方式：
对胼胝体粗搜索结果尺寸进行扩充并映射到人脑超声图像上、得到胼胝体精搜索区域，以胼胝体精搜索区域为搜索范围、以胼胝体平均模板为搜索依据、进行模板尺寸自适应的滑动窗口搜索，统计滑动窗口图像与模板图像的相似度，将相似度大于设定阈值的滑动窗口图像的左上角点集和右下角点集分别进行聚类、选取两个点集聚类结果中最大类对应的点集的几何中心点分别作为胼胝体精搜索结果对应矩形区域的左上角点及右下角点，通过左上点和右下点得到胼胝体精搜索结果。
根据图像相似度信息分析胼胝体区域具体采用如下方式：
当相似度大于设定阈值则认为该搜索结果满足要求，在人脑超声图像的对应区域即为胼胝体区域，当相似度小于设定阈值则以胼胝体精搜索结果对应区域为搜索范围、以胼胝体平均模板为搜索依据进行模板尺寸自适应的滑动窗口搜索，并将搜索结果对应区域作为胼胝体区域。
所述胼胝体初始搜索结果采用如下方式获取：
读取胼胝体初始搜索区域的比例参数Rate，对胼胝体平均模板进行等比例缩放，将缩放后形成的图像作为胼胝体搜索模板Tmp1；
在胼胝体初始搜索区域范围内，对胼胝体进行滑动窗口搜索，具体操作为：以K为步长从上至下，从左至右在胼胝体初始搜索区域内截取与新模板图像同等大小的图像，将这些图像与胼胝体搜索模板Tmp1进行相似度比较，并将相似度大于设定阈值的图像在搜索区域内对应的位置信息进行统计，将筛选出的图像的中心点坐标整合成一个点集，并对点集进行聚类、将包含点个数最多的类筛选出来并求得该类所有点的几何中心；
以几何中心点的坐标作为胼胝体初始搜索结果在初始搜索区域内对应的中心点坐标；并以自适应变换后的胼胝体平均模板尺寸作为初始搜索结果对应的矩形区域的尺寸、最终得到胼胝体初始搜索结果。
所述胼胝体精准搜索结果采用如下方式获取：
以胼胝体初始搜索结果中心点为基准点，以初始搜索结果对应的矩形区域长宽的N倍为新的长宽值，在人脑超声图像上以初始搜索结果进行区域扩展得到胼胝体精搜索区域，将该区域作为胼胝体进一步搜索范围；
将胼胝体初始搜索结果在人脑超声图像上单独切割出来，得到一个包含胼胝体的矩形图像，对该矩形图像进行直方图均衡化处理、双边滤波处理以及轮廓提取获得在初始搜索后的胼胝体二值图像；
基于胼胝体二值图像对胼胝体部分进行形态学处理并形成胼胝体骨骼，得到初始搜索后的胼胝体骨骼信息，再求解胼胝体骨骼对应的水平长度SkelLen；
以该水平长度SkelLen为胼胝体平均模板的长并对模板进行缩放得到新自适应胼胝体平均模板Tmp2；
在胼胝体精搜索区域范围内，对胼胝体进行滑动窗口搜索，以K为步长从上至下、从左至右在搜索区域内截取与新自适应胼胝体平均模板Tmp2同等大小的图像，基于图像相似度匹配算法将截取的图像与新自适应胼胝体平均模板Tmp2进行相似度比较、分别得到相似度大于设定阈值的图像搜索位置，再将这些图像搜索位置进行整合、形成包含图像相似度匹配算法评判标准的搜索位置信息的集合；
将搜索位置信息集合的左上角点坐标汇总为点集Pset1、右下角点坐标汇总为点集Pset2、分别对两个点集Pset1和Pset2进行聚类，再分别计算得出聚类结果中含有点数最多的类中点集的几何中心、分别得到点集Pset1和点集Pset2的聚类结果Ptl和Pbr，将聚类结果Ptl和Phr作为胼胝体精搜索区域对应的左上角点和右下角点、并得到胼胝体精搜索结果。
由于采用了上述技术方案，本发明提供的一种超声图像中胼胝体的定位及分割方法，该方法在实施过程中只需要用户给出人脑超声图，即可得到所需的胼胝体位置信息以及分割出胼胝体边缘轮廓，减少了日常生活中需要医生手工来定位及标记边缘轮廓的操作，从而减少一些由于人工失误导致的误差，使得准确性和效率提高，并且该方法的计算机程序占用内存较小，运行时间较快。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明方法实现的流程图
图2为本发明中输入的人脑超声图像
图3为本发明中通过对抗神经网络生成的胼胝体平均模板图像
图4为本发明中对人脑超声图像进行预处理的效果图
图5为本发明中胼胝体初始搜索结果效果图
图6为本发明中胼胝体骨骼信息图像
图7为本发明中胼胝体精搜索结果效果图
图8为本发明中胼胝体搜索结果检测后再进行搜索的效果图
图9为本发明中胼胝体轮廓分割效果图
具体实施方式
为使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：
如图1所示的一种超声图像中胼胝体的定位及分割方法，在实施过程中在人脑超声图像中确定的初始搜索区域，然后在该区域进行胼胝体初始搜索，得到胼胝体初始定位结果，如图5所示，再对初始搜索结果区域进行扩充，并进行精搜索，得到精搜索定位结果如图7所示，再经过检验以及轮廓提取的过程，最终实现胼胝体的精准定位及轮廓分割。本发明公开的方法具体步骤如下：
S1：输入的人脑超声图像，并对图像进行预处理，具体采用如下方式：
S11.首先将人脑超声图像转化为灰度图像：遍历图像的每个像素点的像素值(rk,gk,bk)(k＝0...num，num为像素点的个数)，计算出的灰度值为：
grayk＝0.299*rk+0.587*gk+0.114*bk
rk＝grayk，gk＝grayk，bk＝grayk
通过对每个像素点进行处理，即可将图像转换为灰度图。
再进行二值化处理，将大于阈值(这里阈值为灰度图像像素均值)的像素点的值设为255，小于阈值的像素点的值设为0。
再对二值图像进行开运算(这里开运算核尺寸为(10，10))与闭运算(这里闭运算核尺寸为(150，150))，得到预处理图像如图4所示。
S12.计算S11得到的预处理图像中像素值为255的像素点占预处理图像像素点总数的比例Rate：
Rate＝P(pix＝255)/P(all)
统计预处理图像中像素值为255的像素点集，将点集进行K-means聚类，并计算最大类所包含的点集的几何中心点；通过人脑超声图像原始的长(L0)宽(W0)信息，及之前得到的Rate，获取自适应胼胝体初始搜索区域的长(L1)宽(W1)，具体如下：
将之前得到的点集几何中心坐标作为胼胝体初始搜索区域的中心；通过长宽及中心点信息最终确定胼胝体初始搜索区域如图3。
S2：输入人工切割的胼胝体图像，并制作平均模板，具体采用如下方式：
对200张人脑超声图像手工分割，获得200张包含胼胝体区域的矩形图像，再对这些图像进行降噪及增强处理；将处理后的图像带入对抗神经网络进行训练，得到一张包含胼胝体平均特征信息的矩形图像。将这张图像作为胼胝体搜索的平均模板图像如图3所示。
S3：输入胼胝体初始搜索区域位置信息及胼胝体平均模板图像，对胼胝体进行初始搜索，具体采用如下方式：
S31.输入的胼胝体平均模板是固定尺寸的，为了满足对于不同人脑超声图像中胼胝体的尺寸存在差异这一情况，在进行胼胝体搜索前要就行模板尺寸的变更，达到自适应不同人脑超声图像的目的。为此，需要利用S12得到的比例参数Rate，该参数是经过预处理后人脑超声图像中白色像素点个数与总像素点个数的比值得到的，反应了超声图像中有价值信息占整张超声图像的比例，这一比例可以从侧面映射出人脑整体占超声图像的比例，进而反应出人脑中胼胝体尺寸与整张超声图像尺寸的比例关系。
则对S2得到的胼胝体平均模板进行等比例缩放，平均模板原始宽度为Wtmp，原始长度为Ltmp，相应的自适应后的模板图像Tmp1的长宽分别为：
Ltmp1＝Ltmp×Rate
Wtmp1＝Wtmp×Rate
S32.在S12确定的胼胝体初始搜索区域范围内，对胼胝体进行滑动窗口搜索，以5为步长从上至下，从左至右在搜索区域内截取与新模板图像同等大小的图像，将这些图像与模板图像Tmp1进行相似度比较(这里采用相关系数匹配算法)，并将相似度在前10％的图像在搜索区域内对应的位置信息进行统计。将筛选出的图像的中心点坐标整合成一个点集，并对点集进行聚类(这里采用MeanShift算法进行聚类)；将包含点个数最多的类筛选出来，并求得该类所有点的几何中心。
S33.以S32得到的几何中心点坐标作为胼胝体初始搜索结果在初始搜索区域内对应的中心点坐标；并以自适应变换后的胼胝体平均模板Tmp1的尺寸作为初始搜索结果对应的矩形区域的尺寸。最终得到胼胝体的初始搜索结果，如图5所示。
S4：以S3所得到的初始搜索结果为基础，对该区域进行精搜索，得到更为精确的胼胝体位置信息，具体采用如下方式：
S41.以S3得到的胼胝体初始搜索结果中心点为基准点，以初始搜索结果对应的矩形区域长宽的1.5倍为新的长宽，在人脑超声图像上以初始搜索结果区域扩展得到胼胝体精搜索区域，将该区域作为胼胝体进一步搜索的范围。
S42.将S3得到的胼胝体初始搜索结果区域在人脑超声图像上单独切割出来，得到一个包含胼胝体的矩形图像。
对该图像进行直方图均衡化处理及双边滤波处理，达到提高图像清晰度的目的。
再对图像进行轮廓提取，将处理后的图像转化为灰度图像并进行二值化；对二值化后的图像进行轮廓提取，并得到图像中的全部轮廓。找到这些轮廓中内部面积最大的轮廓作为胼胝体轮廓，将该轮廓外部素有像素点值转化为255，内部及轮廓上所有像素点值转化为0，这样便得到了在初始搜索后的胼胝体二值图像。
根据上面操作得到的胼胝体二值图像，对图像中像素值为0的部分，即胼胝体部分进行形态学处理，并形成胼胝体骨骼，得到初始搜索后的胼胝体骨骼信息(这里是点集形式)，如图6所示；再求出胼胝体骨骼对应的水平长度SkelLen。
以上面得到的初始搜索结果对应的胼胝体骨骼水平长度SkelLen为胼胝体平局模板的长，对模板进行放缩，得到新的自适应胼胝体平均模板Tmp2，其长宽为：
Ltmp2＝SkelLen×Rate′
Wtmph＝Wtmp×(SkelLen/Ltmp)×Rate′
这里Rate′为经过实验得到的参数，为1.25。
S43：在S41确定的胼胝体精搜索区域范围内，对胼胝体进行滑动窗口搜索，具体操作如下：以5为步长从上至下，从左至右在搜索区域内截取与新模板图像同等大小的图像，将这些图像与模板图像Tmp2进行相似度比较；这里采用了PSNR(峰值信噪比)、SSIM(结构相似性)、Cosine算法三种衡量标准作为相似度比较方法，即分别采用这三种相似度比较方式作为衡量标准，分别得到在这三种衡量标准下的相似度达到前10％的图像搜索位置，再将这些图像位置信息进行整合，形成一个同时包含这三准评判标准搜索位置的信息集合作为这轮搜索的最终集合，把搜索区域内所有满足条件的位置信息进行统计。
将满足条件的位置的左上角点坐标汇总为点集Pset1，右下角点坐标汇总为点集Pset2。分别对两个点集Pset1和Pset2进行聚类(这里采用DBSCAN聚类算法)，再分别计算得出聚类结果中含有点数最多的类中点集的几何中心；分别得到Pset1和Pset2聚类结果得到的点Ptl和Pbr，将这两个点作为胼胝体精搜索区域对应的左上角点与右下角点。相应的，便得到了胼胝体精搜索结果，如图7所示。
S5：主要是检验S4所得到的胼胝体精搜索结果是否准确，利用胼胝体相对来说具有对称性的特点，对所得结果的左右两侧进行图像相似度比较，判断定位结果是否准确，胼胝体是否在搜索结果位置的中央，具体采用如下方式：
S51.将S4获得的胼胝体精搜索结果区域在人脑超声图像上单独切割出来，得到胼胝体图像，并在中心处对图像进行竖直分割，形成左右两张图像PicL和PicR。
对图像PicR进行水平镜像翻转得到PicR′；对图像PicL和PicR′进行直方图均衡化处理，并对处理后的图像进行相似度比较(这里采用归一化相关系数匹配算法)，并得到左右两张图的相似度值；
S52.如果S51得到的相似度值大于阈值(这里阈值设为0.75)，左右两张图像相似度较高，这就满足了胼胝体相对对称的形状特性，则认为S43得到的精搜索结果准确，可作为胼胝体最终搜索结果进行输出。
如果S51得到的相似度值小于阈值(这里阈值设为0.75)，左右两张图相似度不满足条件，则将S43所得胼胝体精搜索结果区域作为再次搜索区域进行最终搜索。
胼胝体最终搜索以S43所得胼胝体精搜索结果区域为搜索范围，并将S42所得模板Tmp2进行等比例放缩(这里放缩系数为0.8)得到新胼胝体平均模板Tmp3。其他步骤与S43相同，经过在搜索范围内的滑动窗口搜索，得到胼胝体的最终搜索结果，如图8所示。
S6：将S5所得胼胝体最终搜索结果区域在人脑超声图像上单独切割出来，对该图像进行直方图均衡化；对所得图像进行主动轮廓模型算法迭代(这里使用SNAKE算法)，最终得到胼胝体轮廓。
如图9所示，图中为其中一张胼胝体定位后从人脑超声图像中分割出的胼胝体图像的轮廓分割后的效果。可以看到小脑蚓部已经很好的被分割出来，特别是形状的贴合性，并且分割后的小脑蚓部边缘上的误差点很少，误差范围很小，几乎没有误差。
本发明是一种在人脑超声图像中无需人工标记，直接自动对胼胝体进行定位及轮廓分割的方法。该方法将替代原来的必须通过人工标记才能获取人脑超声图像中胼胝体位置信息及边缘轮廓信息的方式。本方法只需要用户输入人脑超声图像，减少了日常生活中需要医生手工来标记边缘的操作，从而减少一些由于人工失误导致的误差，使得准确性和效率提高，并且不需要有相应的医学技术就可以操作，并且占用内存较小，运行时间快。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种超声图像中胼胝体的定位及分割方法，其特征在于包括：
获取人脑超声图像、对图像进行预处理得到胼胝体初始搜索区域；
采用对抗神经网络由胼胝体图像生成胼胝体平均模板；
在人脑超声图像上以胼胝体初始搜索区域为搜索范围、以胼胝体平均模板为搜索依据获取胼胝体粗搜索结果；
对胼胝体粗搜索结果进行尺寸扩充并映射到人脑超声图像上、基于自适应尺寸模板进行滑动窗口搜索、采用窗口几何中心点聚类对搜索结果进行筛选从而得到胼胝体精搜索结果；
将胼胝体精搜索结果进行左右等分、并计算左右两部分的图像相似度，根据图像相似度信息判断胼胝体精搜索结果准确性；
基于胼胝体精搜索结果进行基于像素差值算法的轮廓迭代，分割胼胝体并得到其轮廓和位置信息。
2.根据权利要求1所述的一种超声图像中胼胝体的定位及分割方法，其特征还在于：所述胼胝体平均模板采用如下方式获取：
对N张人脑超声图像手工分割，获得N张包含胼胝体区域的矩形图像,再对图像进行降噪和增强处理，将这些图像转化成相同尺寸并输入对抗神经网络进行训练、得到一张包含胼胝体平均特征信息的矩形图像,将该矩形图像作为胼胝体平均模板。
3.根据权利要求1所述的一种超声图像中胼胝体的定位及分割方法，其特征还在于：获取所述胼胝体粗搜索结果时：首先进行模板尺寸自适应的滑动窗口搜索，对相似度大于设定阈值的图像的中心点进行聚类，选取最大类所包含的点集的几何中心作为胼胝体粗搜索结果的中心，并根据自适应后胼胝体平均模板尺寸最终确定胼胝体粗搜索结果。
4.根据权利要求1所述的一种超声图像中胼胝体的定位及分割方法，其特征还在于：获取所述胼胝体精搜索结果具体采用如下方式：
对胼胝体粗搜索结果尺寸进行扩充并映射到人脑超声图像上、得到胼胝体精搜索区域，以胼胝体精搜索区域为搜索范围、以胼胝体平均模板为搜索依据、进行模板尺寸自适应的滑动窗口搜索，统计滑动窗口图像与模板图像的相似度，将相似度大于设定阈值的滑动窗口图像的左上角点集和右下角点集分别进行聚类、选取两个点集聚类结果中最大类对应的点集的几何中心点分别作为胼胝体精搜索结果对应矩形区域的左上角点及右下角点，通过左上点和右下点得到胼胝体精搜索结果。
5.根据权利要求1所述的一种超声图像中胼胝体的定位及分割方法，其特征还在于：根据图像相似度信息分析胼胝体区域具体采用如下方式：
当相似度大于设定阈值则认为该搜索结果满足要求，在人脑超声图像的对应区域即为胼胝体区域，当相似度小于设定阈值则以胼胝体精搜索结果对应区域为搜索范围、以胼胝体平均模板为搜索依据进行模板尺寸自适应的滑动窗口搜索，并将搜索结果对应区域作为胼胝体区域。
6.根据权利要求3所述的一种超声图像中胼胝体的定位及分割方法，其特征还在于：所述胼胝体初始搜索结果采用如下方式获取：
读取胼胝体初始搜索区域的比例参数Rate，对胼胝体平均模板进行等比例缩放，将缩放后形成的图像作为胼胝体搜索模板Tmp1；
在胼胝体初始搜索区域范围内，对胼胝体进行滑动窗口搜索，具体操作为：以K为步长从上至下，从左至右在胼胝体初始搜索区域内截取与新模板图像同等大小的图像，将这些图像与胼胝体搜索模板Tmp1进行相似度比较，并将相似度大于设定阈值的图像在搜索区域内对应的位置信息进行统计，将筛选出的图像的中心点坐标整合成一个点集，并对点集进行聚类、将包含点个数最多的类筛选出来并求得该类所有点的几何中心；
以几何中心点的坐标作为胼胝体初始搜索结果在初始搜索区域内对应的中心点坐标；并以自适应变换后的胼胝体平均模板尺寸作为初始搜索结果对应的矩形区域的尺寸、最终得到胼胝体初始搜索结果。
7.根据权利要求1所述的一种超声图像中胼胝体的定位及分割方法，其特征还在于：所述胼胝体精准搜索结果采用如下方式获取：
以胼胝体初始搜索结果中心点为基准点，以初始搜索结果对应的矩形区域长宽的N倍为新的长宽值，在人脑超声图像上以初始搜索结果进行区域扩展得到胼胝体精搜索区域，将该区域作为胼胝体进一步搜索范围；
将胼胝体初始搜索结果在人脑超声图像上单独切割出来，得到一个包含胼胝体的矩形图像，对该矩形图像进行直方图均衡化处理、双边滤波处理以及轮廓提取获得在初始搜索后的胼胝体二值图像；
基于胼胝体二值图像对胼胝体部分进行形态学处理并形成胼胝体骨骼，得到初始搜索后的胼胝体骨骼信息，再求解胼胝体骨骼对应的水平长度SkelLen；
以该水平长度SkelLen为胼胝体平均模板的长并对模板进行缩放得到新自适应胼胝体平均模板Tmp2；
在胼胝体精搜索区域范围内，对胼胝体进行滑动窗口搜索，以K为步长从上至下、从左至右在搜索区域内截取与新自适应胼胝体平均模板Tmp2同等大小的图像，基于图像相似度匹配算法将截取的图像与新自适应胼胝体平均模板Tmp2进行相似度比较、分别得到相似度大于设定阈值的图像搜索位置，再将这些图像搜索位置进行整合、形成包含图像相似度匹配算法评判标准的搜索位置信息的集合；
将搜索位置信息集合的左上角点坐标汇总为点集Pset1、右下角点坐标汇总为点集Pset2、分别对两个点集Pset1和Pset2进行聚类，再分别计算得出聚类结果中含有点数最多的类中点集的几何中心、分别得到点集Pset1和点集Pset2的聚类结果Ptl和Pbr，将聚类结果Ptl和Pbr作为胼胝体精搜索区域对应的左上角点和右下角点、并得到胼胝体精搜索结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011156755.2A CN112258532B (zh) | 2020-10-26 | 2020-10-26 | 一种超声图像中胼胝体的定位及分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011156755.2A CN112258532B (zh) | 2020-10-26 | 2020-10-26 | 一种超声图像中胼胝体的定位及分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112258532A true CN112258532A (zh) | 2021-01-22 |
| CN112258532B CN112258532B (zh) | 2024-02-06 |
Family
ID=74261228
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011156755.2A Active CN112258532B (zh) | 2020-10-26 | 2020-10-26 | 一种超声图像中胼胝体的定位及分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112258532B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113160265A (zh) * | 2021-05-13 | 2021-07-23 | 四川大学华西医院 | 一种用于胼胝体状态评估的脑部胼胝体分割预测图像的构建方法 |
| CN114359202A (zh) * | 2021-12-29 | 2022-04-15 | 电子科技大学 | 一种基于交互式半监督的胎儿胼胝体分割系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080037848A1 (en) * | 2006-08-08 | 2008-02-14 | Siemens Corporate Research Inc | System and Method for Corpus Callosum Segmentation in Magnetic Resonance Images |
| CN104083170A (zh) * | 2014-07-04 | 2014-10-08 | 深圳安科高技术股份有限公司 | 一种自动提取磁共振图像胼胝体的方法及系统 |
| CN107590502A (zh) * | 2017-09-18 | 2018-01-16 | 西安交通大学 | 一种全场稠密点快速匹配方法 |
-
2020
- 2020-10-26 CN CN202011156755.2A patent/CN112258532B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080037848A1 (en) * | 2006-08-08 | 2008-02-14 | Siemens Corporate Research Inc | System and Method for Corpus Callosum Segmentation in Magnetic Resonance Images |
| CN104083170A (zh) * | 2014-07-04 | 2014-10-08 | 深圳安科高技术股份有限公司 | 一种自动提取磁共振图像胼胝体的方法及系统 |
| CN107590502A (zh) * | 2017-09-18 | 2018-01-16 | 西安交通大学 | 一种全场稠密点快速匹配方法 |
Non-Patent Citations (6)
| Title |
|---|
| KINGMA D. P. 等: ""Auto-Encoding Variational Bayes"", 《ARXIV》 * |
| LI XIAOHU 等: ""Optimize non-contrast head CT imaging tasks using multiple virtual monochromatic image sets in dual-energy spectral CT."", 《JOURNAL OF X-RAY SCIENCE AND TECHNOLOGY》 * |
| 杨杰 等: ""三维超声观察胎儿胼胝体及小脑蚓部正中矢状面"", 《中国医学影像技术》, vol. 28, no. 8 * |
| 杨金柱 等: ""一种半自动分割脑部MRI中胼胝体的方法"", 《中国医学影像技术》, vol. 26, no. 9 * |
| 葛天: ""计算神经科学中的若干模型与方法"", 《中国博士学位论文全文数据库 医药卫生科技辑》 * |
| 赵丹 等: ""三维超声OMNIVIEW技术评价胎儿小脑蚓部及胼胝体"", 《中国现代医学杂志》, vol. 23, no. 5 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113160265A (zh) * | 2021-05-13 | 2021-07-23 | 四川大学华西医院 | 一种用于胼胝体状态评估的脑部胼胝体分割预测图像的构建方法 |
| CN114359202A (zh) * | 2021-12-29 | 2022-04-15 | 电子科技大学 | 一种基于交互式半监督的胎儿胼胝体分割系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112258532B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7035461B2 (en) | Method for detecting objects in digital images | |
| CN114418957B (zh) | 基于机器人视觉的全局和局部二值模式图像裂缝分割方法 | |
| US6631212B1 (en) | Twostage scheme for texture segmentation based on clustering using a first set of features and refinement using a second set of features | |
| US7970212B2 (en) | Method for automatic detection and classification of objects and patterns in low resolution environments | |
| CN111626190A (zh) | 基于聚类分区进行刻度识别的水位监测方法 | |
| CN108537751B (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
| CN108615239B (zh) | 基于阈值技术和灰度投影的舌图像分割方法 | |
| CN112258532B (zh) | 一种超声图像中胼胝体的定位及分割方法 | |
| CN104766316A (zh) | 中医望诊中新型嘴唇分割算法 | |
| CN112069928B (zh) | 一种手部目标掌纹提取的生命线与中线拟合方法 | |
| CN114820625A (zh) | 一种汽车顶块缺陷检测方法 | |
| CN112258536B (zh) | 一种胼胝体及小脑蚓部的一体化定位及分割方法 | |
| US20040022440A1 (en) | Method and apparatus for image processing | |
| CN114972272A (zh) | 一种基于Grad-CAM的新冠肺炎病灶分割方法 | |
| CN114638800A (zh) | 一种基于改进Faster-RCNN的头影标记点定位方法 | |
| CN111292346B (zh) | 一种噪声环境下浇铸箱体轮廓的检测方法 | |
| CN112258534B (zh) | 一种超声图像中小脑蚓部的定位及分割方法 | |
| CN112258449A (zh) | 一种基于结节特征的快速结节匹配方法 | |
| CN112258535B (zh) | 超声图像中胼胝体及小脑蚓部的一体化定位及分割方法 | |
| CN112183229B (zh) | 基于计算动态参数的作业纸图像的字格提取方法及装置 | |
| CN114529570A (zh) | 图像分割方法、图像识别方法、用户凭证补办方法及系统 | |
| CN111311586A (zh) | 基于非线性健康分析系统数据多指标动态整合算法和系统 | |
| CN117558068B (zh) | 基于多源数据融合的智能设备手势识别方法 | |
| CN117408988B (zh) | 基于人工智能的病灶图像分析方法及装置 | |
| CN110458853B (zh) | 一种医学影像中脚踝韧带分离方法和分离系统 |
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 |