CN112634280A - 基于能量泛函的mri图像脑肿瘤分割方法 - Google Patents

基于能量泛函的mri图像脑肿瘤分割方法 Download PDF

Info

Publication number
CN112634280A
CN112634280A CN202011441287.3A CN202011441287A CN112634280A CN 112634280 A CN112634280 A CN 112634280A CN 202011441287 A CN202011441287 A CN 202011441287A CN 112634280 A CN112634280 A CN 112634280A
Authority
CN
China
Prior art keywords
region
image
function
local
level set
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
CN202011441287.3A
Other languages
English (en)
Other versions
CN112634280B (zh
Inventor
方玲玲
梁希悦
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 CN202011441287.3A priority Critical patent/CN112634280B/zh
Publication of CN112634280A publication Critical patent/CN112634280A/zh
Application granted granted Critical
Publication of CN112634280B publication Critical patent/CN112634280B/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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06T2207/30—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
    • G06T2207/30096—Tumor; Lesion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种基于能量泛函的MRI图像脑肿瘤分割方法，首先对脑部MRI图像进行预处理，然后提取病灶区域的局部强度特征、形状特征和面积特征，并将所提取特征融入能量泛函中，从而对脑部MRI图像进行分割。实验表明，本发明可有效提高脑肿瘤分割准确率。

Description

基于能量泛函的MRI图像脑肿瘤分割方法
技术领域
本发明涉及数字图像分割领域，尤其是一种可有效提高分割准确率的基于能量泛函的MRI图像脑肿瘤分割方法。
背景技术
目前，磁共振成像(MRI)和计算机断层扫描(CT)成为肿瘤影像检测的主要方式。MRI图像因具有较高的分辨率和较多的参数，能够准确地描述脑部解剖结构，有效地诊断脑肿瘤，成为临床上较为常用的脑肿瘤影像检测方法。通过对MRI图像进行分割，可以得到脑肿瘤的形状、大小、位置和面积等特征，供医生对脑肿瘤区域的准确诊断和处理。近些年来，一种将图像特征融合于能量泛函的图像分割方法被广泛应用于图像分割领域。LiChunming等人提出了局部二值拟合算法，利用图像的局部信息特征进行分割；之后一些学者在此基础上进行了改进，融合了图像的局部信息特征和全局信息特征，提高了图像分割的准确度，但是因对肿瘤图像特征信息分析的不够准确，对图像边缘噪声处理的能力较差，分割的准确率较低。
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，提供一种可有效提高分割准确率的基于能量泛函的MRI图像脑肿瘤分割方法。
本发明的技术解决方案是：一种基于能量泛函的MRI图像脑肿瘤分割方法，依次按照如下步骤进行：
步骤1：读取待处理图像I(x,y)，x,y为图像像素坐标点，初始水平集函数
Figure BDA0002822329080000011
根据脑部医学图像局部变化性质设定局部区域W；
步骤2：计算局部区域W内的局部强度特征、形状特征和面积特征：
步骤2.1按照公式(1)计算局部强度特征FJ，
FJ＝∫Ω(I(x,y)-J(W,c))2dxdy (1)
式中，J(W,c)代表平均强度；
步骤2.2按照公式(2)计算形状特征ES：
Figure BDA0002822329080000021
式中，Z表示利用二维泽尼克矩提取的图像像素，H为Heaviside函数，
Figure BDA0002822329080000022
为水平集函数；
步骤2.3按照公式(3)计算面积特征EA：
Figure BDA0002822329080000023
步骤3：按照公式(4)将计算得到的局部强度特征、形状特征和面积特征融合到同一个能量泛函
Figure BDA0002822329080000024
中：
Figure BDA0002822329080000025
步骤4：按照公式(5)更新水平集函数
Figure BDA0002822329080000026
Figure BDA0002822329080000027
式中，I是I(x,y)的简化形式；δ为Dirac函数，为H的积分形式；z1为水平集函数
Figure BDA0002822329080000028
大于0的区域内的像素值，即病灶内部区域像素值，z2为水平集函数
Figure BDA0002822329080000029
小于0的区域内的像素值，即病灶外部区域像素值；J1为病灶区域内的平均强度，J2病灶区域外的平均强度；
步骤5：检查演化曲线是否稳定收敛，若稳定收敛，则停止迭代；否则，转入步骤2。
本发明首先对脑部MRI图像进行预处理，然后提取病灶区域的局部强度特征、形状特征和面积特征，并将所提取特征融入能量泛函中，从而对脑部MRI图像进行分割。实验表明，本发明可有效提高脑肿瘤分割准确率。
附图说明
图1为本发明实施例方法步骤及结果示意图。
图2为本发明实施例进行MRI图像分割结果与迭代时间示意图。
图3为本发明实施例与现有技术在MRI图像上分割结果对比示意图。
具体实施方式
本发明一种基于能量泛函的MRI图像脑肿瘤分割方法，依次按照如下步骤进行：
步骤1：读取待处理图像I(x,y)，x,y为图像像素坐标点，初始水平集函数
Figure BDA0002822329080000031
并根据脑部医学图像局部变化性质设定局部区域W；
步骤2：计算局部区域W内的局部强度特征、形状特征和面积特征：
步骤2.1按照公式(1)计算局部强度特征FJ，
FJ＝∫Ω(I(x,y)-J(W,c))2dxdy (1)
式中，J(W,c)代表平均强度；
步骤2.2按照公式(2)计算形状特征ES：
Figure BDA0002822329080000032
式中，Z表示利用二维泽尼克矩提取的图像像素，H为Heaviside函数，
Figure BDA0002822329080000033
为水平集函数；
步骤2.3按照公式(3)计算面积特征EA：
Figure BDA0002822329080000034
在实际应用中，根据脑肿瘤的区域特征确定脑部病变区域是良性或者恶性，需要将数据集乘以0.264(1像素＝0.264mm)，以接近实际病变面积；
步骤3：按照公式(4)将计算得到的局部强度特征、形状特征和面积特征融合到同一个能量泛函
Figure BDA0002822329080000035
中：
Figure BDA0002822329080000036
步骤4：按照公式(5)更新水平集函数
Figure BDA0002822329080000037
Figure BDA0002822329080000038
式中，I是I(x,y)的简化形式；δ为Dirac函数，为H的积分形式；z1为水平集函数
Figure BDA0002822329080000039
大于0的区域内的像素值，即病灶内部区域像素值，z2为水平集函数
Figure BDA00028223290800000310
小于0的区域内的像素值，即病灶外部区域像素值；J1为病灶区域内的平均强度，J2病灶区域外的平均强度；
步骤5：检查演化曲线是否稳定收敛，若稳定收敛，则停止迭代；否则，转入步骤2。
本发明实施例对MRI图像脑肿瘤分割的方法及结果如图1所示。
本发明实施例进行MRI图像分割结果与迭代时间示意图如图2所示，结果表明，不同的MRI图像经过多次迭代均可以在较短的时间内准确得出分割结果。
本发明与现有技术(局部强度特征方法、纹理形状特征方法)分别以三张MRI图像为原图进行分割，结果如图3所示。结果表明，本发明提出的基于多种特征的分割方法能够得到更好的分割结果。
本发明与与现有技术(局部强度特征方法、纹理形状特征方法)在MRI图像上分割结果的定性分析如表1所示。
表1
Figure BDA0002822329080000041
结果表明，本发明所提出的方法在多个分割评价标准上，相较于单一特征进行分割的结果评价上具有一定的优势。

Claims (1)

1.一种基于能量泛函的MRI图像脑肿瘤分割方法，其特征在于依次按照如下步骤进行：
步骤1：读取待处理图像I(x,y)，x,y为图像像素坐标点，初始水平集函数
Figure FDA0002822329070000011
根据脑部医学图像局部变化性质设定局部区域W；
步骤2：计算局部区域W内的局部强度特征、形状特征和面积特征：
步骤2.1按照公式(1)计算局部强度特征FJ，
FJ＝∫Ω(I(x,y)-J(W,c))2dxdy (1)
式中，J(W,c)代表平均强度；
步骤2.2按照公式(2)计算形状特征ES：
Figure FDA0002822329070000012
式中，Z表示利用二维泽尼克矩提取的图像像素，H为Heaviside函数，
Figure FDA0002822329070000013
为水平集函数；
步骤2.3按照公式(3)计算面积特征EA：
Figure FDA0002822329070000014
步骤3：按照公式(4)将计算得到的局部强度特征、形状特征和面积特征融合到同一个能量泛函
Figure FDA0002822329070000015
中：
Figure FDA0002822329070000016
步骤4：按照公式(5)更新水平集函数
Figure FDA0002822329070000017
Figure FDA0002822329070000018
式中，I是I(x,y)的简化形式；δ为Dirac函数，为H的积分形式；z1为水平集函数
Figure FDA0002822329070000019
大于0的区域内的像素值，即病灶内部区域像素值，z2为水平集函数
Figure FDA00028223290700000110
小于0的区域内的像素值，即病灶外部区域像素值；J1为病灶区域内的平均强度，J2病灶区域外的平均强度；
步骤5：检查演化曲线是否稳定收敛，若稳定收敛，则停止迭代；否则，转入步骤2。
CN202011441287.3A 2020-12-08 2020-12-08 基于能量泛函的mri图像脑肿瘤分割方法 Active CN112634280B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011441287.3A CN112634280B (zh) 2020-12-08 2020-12-08 基于能量泛函的mri图像脑肿瘤分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011441287.3A CN112634280B (zh) 2020-12-08 2020-12-08 基于能量泛函的mri图像脑肿瘤分割方法

Publications (2)

Publication Number Publication Date
CN112634280A true CN112634280A (zh) 2021-04-09
CN112634280B CN112634280B (zh) 2023-06-16

Family

ID=75309284

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011441287.3A Active CN112634280B (zh) 2020-12-08 2020-12-08 基于能量泛函的mri图像脑肿瘤分割方法

Country Status (1)

Country Link
CN (1) CN112634280B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114565619A (zh) * 2022-02-21 2022-05-31 辽宁师范大学 结合脑部解剖学特征的颅内血块能量泛函分割方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080260221A1 (en) * 2007-04-20 2008-10-23 Siemens Corporate Research, Inc. System and Method for Lesion Segmentation in Whole Body Magnetic Resonance Images
US20160104292A1 (en) * 2014-10-10 2016-04-14 Edan Instruments, Inc. Systems and methods of dynamic image segmentation
CN107154047A (zh) * 2017-04-24 2017-09-12 天津大学 多模式脑肿瘤图像混合分割方法和装置
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080260221A1 (en) * 2007-04-20 2008-10-23 Siemens Corporate Research, Inc. System and Method for Lesion Segmentation in Whole Body Magnetic Resonance Images
US20160104292A1 (en) * 2014-10-10 2016-04-14 Edan Instruments, Inc. Systems and methods of dynamic image segmentation
CN107154047A (zh) * 2017-04-24 2017-09-12 天津大学 多模式脑肿瘤图像混合分割方法和装置
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李智;陈业航;冯宝;张绍荣;李昌林;陈相猛;刘壮盛;龙晚生;: "基于活动轮廓模型的脑梗死图像分割", 华南理工大学学报(自然科学版), no. 05 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114565619A (zh) * 2022-02-21 2022-05-31 辽宁师范大学 结合脑部解剖学特征的颅内血块能量泛函分割方法
CN114565619B (zh) * 2022-02-21 2024-04-02 辽宁师范大学 结合脑部解剖学特征的颅内血块能量泛函分割方法

Also Published As

Publication number Publication date
CN112634280B (zh) 2023-06-16

Similar Documents

Publication Publication Date Title
Mukhopadhyay A segmentation framework of pulmonary nodules in lung CT images
CN110188792B (zh) 前列腺mri三维图像的图像特征获取方法
US7274810B2 (en) System and method for three-dimensional image rendering and analysis
Luo et al. A Novel Segmentation Approach Combining Region‐and Edge‐Based Information for Ultrasound Images
Pandey et al. Automatic and fast segmentation of breast region-of-interest (ROI) and density in MRIs
CN111553892B (zh) 基于深度学习的肺结节分割计算方法、装置及系统
Liu et al. Automated breast tumor detection and segmentation with a novel computational framework of whole ultrasound images
WO2007044508A2 (en) System and method for whole body landmark detection, segmentation and change quantification in digital images
Singadkar et al. Automatic lung segmentation for the inclusion of juxtapleural nodules and pulmonary vessels using curvature based border correction
Rashid Sheykhahmad et al. A novel method for skin lesion segmentation
George et al. Efficient preprocessing filters and mass segmentation techniques for mammogram images
CN111557017B (zh) 医学图像中病变的自适应分段
Chen et al. A combined method for automatic identification of the breast boundary in mammograms
WO2018176319A1 (zh) 超声图像的分析方法及装置
Nir et al. Registration of whole-mount histology and volumetric imaging of the prostate using particle filtering
CN114155202A (zh) 基于特征融合和迁移学习的甲状腺结节超声图像分类方法
CN112634280B (zh) 基于能量泛函的mri图像脑肿瘤分割方法
Farag Variational approach for small-size lung nodule segmentation
CN111127404B (zh) 一种医疗影像轮廓快速提取方法
CN116309647B (zh) 颅脑病灶图像分割模型构建方法、图像分割方法及设备
CN110533667B (zh) 基于图像金字塔融合的肺部肿瘤ct影像3d分割方法
Galińska et al. Breast cancer segmentation method in ultrasound images
Han et al. Three dimensional nuclei segmentation and classification of fluorescence microscopy images
Peters et al. A hybrid active contour model for mass detection in digital breast tomosynthesis
Anwar et al. Segmentation of liver tumor for computer aided diagnosis

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