CN113222979A - 一种基于多图谱的颅底卵圆孔自动分割方法 - Google Patents

一种基于多图谱的颅底卵圆孔自动分割方法 Download PDF

Info

Publication number
CN113222979A
CN113222979A CN202110607506.9A CN202110607506A CN113222979A CN 113222979 A CN113222979 A CN 113222979A CN 202110607506 A CN202110607506 A CN 202110607506A CN 113222979 A CN113222979 A CN 113222979A
Authority
CN
China
Prior art keywords
images
image
floating
map
reference image
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.)
Pending
Application number
CN202110607506.9A
Other languages
English (en)
Inventor
师为礼
蒋振刚
赵家石
葛化涛
李永辉
魏国栋
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.)
Chongqing Research Institute Of Changchun University Of Technology
Changchun University of Science and Technology
Original Assignee
Chongqing Research Institute Of Changchun University Of Technology
Changchun University of Science and Technology
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 Chongqing Research Institute Of Changchun University Of Technology, Changchun University of Science and Technology filed Critical Chongqing Research Institute Of Changchun University Of Technology
Priority to CN202110607506.9A priority Critical patent/CN113222979A/zh
Publication of CN113222979A publication Critical patent/CN113222979A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • 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
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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
    • G06T2207/30016—Brain

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (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)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

一种基于多图谱的颅底卵圆孔自动分割方法属于医学图像处理技术领域，目的在于解决现有技术过于依赖术者的能力，效果不稳定，容易造成并发症的问题。本发明包括以下步骤：将待分割的脑CT图像，作为参考图像；根据相似性测试度将图谱集中的每个图谱图像分别和参考图像进行相似性测试，选取相似性测度值高的i个图谱图像作为浮动图像；对i个浮动图像以及参考图像利用双边滤波进行优化；对优化后的参考图像以及i个浮动图像采用多分辨率策略进行配准得到对应的变换矩阵；将变换矩阵作用于i个浮动图像对应的标记图像上，得到i个形变后的标记图像；采用熵权法对i个形变后的标记图像进行权重赋值；将i个带有权重的标记图像进行融合得到分割结果。

Description

一种基于多图谱的颅底卵圆孔自动分割方法
技术领域
本发明属于医学图像处理技术领域，具体涉及一种基于多图谱的颅底卵圆孔自动分割方法。
背景技术
在三叉神经痛疾病的手术治疗过程中，穿刺针需经颅底卵圆孔上方进入其半月神经节。在临床上，基于放射性信息的计算机辅助引导和基于医师的个人临床经验的治疗方案，表现出巨大差异，颅底卵圆孔形态多变且与周围解剖结构关系复杂，给依靠临床经验的医生造成了困难，因此快速、精准的计算机辅助引导的发展，对于三叉神经痛的治疗有着极大的意义。在计算机辅助引导的穿刺手术中，精准定位卵圆孔位置是手术成功的关键点。
临床上通常采用三维CT来引导卵圆孔穿刺射频术治疗，目前在CT室操作时，通过采集到的断层影像来定位卵圆孔的位置，并且通过计算机来进行三维重建来从而选择最优的穿刺点。将卵圆孔和穿刺点的连线作为进针路线，测量进针的深度和角度，标记皮肤穿刺点及进针路线所在平面。同时根据术者手感来和穿刺针进入卵圆孔瞬间患者的的疼痛反应可初步判断卵圆孔穿刺的准确性。三维CT来引导卵圆孔穿刺射频术治疗方法，存在着以下不足：卵圆孔的定位和穿刺点的选择及进针路线都是人为选择，过于依赖术者的能力，效果不稳定，容易造成并发症。
发明内容
本发明的目的在于提出一种基于多图谱的颅底卵圆孔自动分割方法，解决现有技术存在的颅底卵圆孔的定位是人为选择，过于依赖术者的能力，效果不稳定，容易造成并发症的问题。
为实现上述目的，本发明的一种基于多图谱的颅底卵圆孔自动分割方法包括以下步骤：
步骤一：对待分割的脑部进行扫描获得待分割的脑CT图像，作为参考图像；
步骤二：根据相似性测试度将图谱集中的每个图谱图像分别和参考图像进行相似的测试，获得多个相似性测度值，选取相似性测度值高的i个图谱图像作为浮动图像，并记录i个浮动图像对应的相似性测度值；
步骤三：对步骤二中获得的i个浮动图像以及步骤一中获得的参考图像利用双边滤波进行优化，得到优化后的参考图像以及i个浮动图像；
步骤四：对步骤三中获得的优化后的参考图像以及i个浮动图像采用多分辨率策略进行配准得到对应的变换矩阵；
步骤五：将步骤四中经配准获得的变换矩阵作用于i个浮动图像对应的标记图像上，得到i个形变后的标记图像；
步骤六：采用熵权法对步骤五中获得的i个形变后的标记图像进行权重赋值，得到i个带有权重的标记图像；
步骤七：将步骤六中获得的i个带有权重的标记图像进行融合得到最终分割结果。
步骤二中所述的相似性测试度具体采用归一化互相关的相似性测试度进行测试选择。
所述i的取值为10。
步骤四中所述的多分辨率策略进行配准具体为：
1)对步骤三中获得的优化后的参考图像以及i个浮动图像采用因子为2进行下采样，使每一个图像分解成几幅分辨率不同的图像，每个浮动图像和参考图像分别形成以分辨率进行分层的图像金字塔；
2)将步骤1)中的每个浮动图像对应的图像金字塔和参考图像对应的图像金字塔进行配准，得到对应的变换矩阵。
步骤六中所述的权重赋值的确定具体为：
1)将步骤二中记录的i个浮动图像对应的相似性测度值依次设为X1，X2，...，Xi，将i个浮动图像对应的相似性测度值根据公式(一)进行数据标准化，得到标准化后的值，分别记录为Y1，Y2，...，Yi；
Figure BDA0003094474580000021
Figure DA00030944745853113156
2)根据公式(二)计算步骤1)中得到标准化后的值Y1，Y2，...，Yi对应的信息熵E1，E2，...，Ei；
Figure BDA0003094474580000032
其中：k＝1/ln(n)＞0，所以满足Ei≥0
Figure BDA0003094474580000033
n为图像像素的数量；
3)根据公式(三)计算获得每个形变的图像对应的权重赋值W1，W2，...，Wi；
Figure BDA0003094474580000034
本发明的有益效果为：本发明的一种基于多图谱的颅底卵圆孔自动分割方法首先从图谱集中找出和参考图像最为相似的几张浮动图像，然后分别对选出的浮动图像和参考图像做配准得到对应的变换矩阵，再将得到的对应的变换作用于浮动图像对应的标记图像，得到了形变后的标记图像后还需标记图像进行权重赋值，最后对带着权重的图谱标记图像进行标签融合得到最终的分割结果实验结果表明，该方法能够较为精确的分割出颅底卵圆孔。本发明增加了熵权法权重赋值以及利用双边滤波进行优化。本发明能够更好的利用图谱数据中的先验知识，通过图像配准和标签融合实现了目标区域自动分割。实验配准过程中对图像进行双边滤波处理，达到平滑图像、去除滤波的目，提高了图像配准的精度。使用熵权法根据图像相似性测度值给每个标签进行加权，避免了主观权重赋值的局限性，相对于主观赋权具有较高的可信度和精确度。避免了现有技术存在的颅底卵圆孔的定位是人为选择，过于依赖术者的能力，效果不稳定，容易造成并发症的问题。
附图说明
图1为本发明的一种基于多图谱的颅底卵圆孔自动分割方法流程图；
图2为本发明的一种基于多图谱的颅底卵圆孔自动分割方法基本框图。
具体实施方式
下面结合附图对本发明的实施方式作进一步说明。
国内外广泛使用的医学图像分割方法主要分为传统方法和基于深度学习的方法。传统方法中使用较多是阈值法、区域增长法以及图谱分割法。阈值法和区域生长法实现简单，但是阈值法对噪声和灰度不均匀很敏感，区域生长法需要人工提供一个种子点，该方法对噪声也很敏感，可能会产生不连续的区域，并且这两种方法是对整体进行分割，而我们的目标区域是颅骨整体中的一部分。当下较流行的分割方法是使用深度学习进行分割，但是三叉神经痛患者相对较少，而深度学习对于数据集数量要求较高。因此本申请选择多图谱分割方法。
近年来，多图谱分割方法逐渐成为医学图像分割领域最值得的信赖的方法之一，众多学者的工作表明，解剖学先验知识有助于分割出结构复杂、目标区域边界对比度低、主体间和主体内部方差大的脑部图像。基于图谱的分割方法相当于把分割问题转化成配准问题，待预测的图像称为参考图像，图谱集中选出来和参考图像进行配准的图像称为浮动图像。根据配准所需要的图谱数量，图谱分割分为单图谱分割和多图谱分割。多图谱分割的原理是首先从图谱集中找出和参考图像最为相似的几张浮动图像，然后分别对选出的浮动图像和参考图像做配准得到对应的变换矩阵，再将得到的对应的变换作用于浮动图像对应的标记图像，最后对所有的变换后的图谱标记图像进行标签融合得到最终的分割结果。基于图谱的分割方法就是利于了最多的解剖学先验知识，而且在配准的过程中该方法最大程度地减少或消除了各类噪声对于分割结果的影响，具有很好的鲁棒性。Asim等人使用多图谱的方法根据不同的图谱对大脑进行划分，然后结合这些解剖单元中提取的特征来全面、准确的检测阿尔茨海默氏病。Bao等人提出了一种多模式多图谱特征表示方法，并且使用两步特征选择方法来为精神分裂症分类上选择最具有特点的特征。Carlos等人针对儿童的大脑结构分析问题使用了多图谱分割方法，皮质是此问题的感兴趣区域，提出了一种基于块的非局部模型和迭代优化方案，能够提供可靠的皮质分割结果，在预测儿童发育健康信息方面有着重要意义。Su JH等人提出了一种丘脑优化的多图谱分割方法，能够精确量化丘脑和体积，可以及时追踪一些神经疾病的发展情况。Boucher MA等人通过使用局部线性相关度量进行超声和核磁共振融合的可变形多图谱分割算法，实现了偏侧脑室的自动分割，可用于评估新生儿的大脑发育情况。Heydei等人使用多图谱的方式自动分割放射治疗中肿瘤周围的健康组织，改善了临床上医生手动描绘健康组织这一现状。Taig等人将多图谱分割方法引入到脑肿瘤图像的分割上，采用了一种新的低秩方法利用空间约束来获得含有正常大脑区域的恢复图像。
参见附图1和附图2，本发明的一种基于多图谱的颅底卵圆孔自动分割方法包括以下步骤：
步骤一：对待分割的脑部进行成像获得待分割的脑CT图像，作为参考图像；
步骤二：根据相似性测试度将图谱集中的每个图谱图像分别和参考图像进行相似的测试，获得多个相似性测度值，选取相似性测度值高的i个图谱图像作为浮动图像，并记录i个浮动图像对应的相似性测度值；在图谱集中根据相似性测度找出和待分割图像最相似的图谱图像，给定感兴趣区域的图谱集，图谱中包含N张图谱图像Fx(x＝1，2，...N)和与其相对应的图谱标记图像Lx(x＝1，2，...N)，其中Lx是从Fx手动标记出感兴趣区域的图像。在图谱集中根据相似性测度找出和待分割图像最相似的图谱图像，选取出相似性程度高的图谱图像会对实验最终结果产生积极的影响；
步骤三：对步骤二中获得的i个浮动图像以及步骤一中获得的参考图像利用双边滤波进行优化，得到优化后的参考图像以及i个浮动图像；
步骤四：对步骤三中获得的优化后的参考图像以及i个浮动图像采用多分辨率策略进行配准得到对应的变换矩阵；
本发明配准时采用多分辨率策略，在每个分辨率层上采用粗配准加上精配准的配准方法对从图谱集中选出的图像和待分割脑部CT图像进行配准，多分辨率策略是经常使用在医学图像配准上的一种策略，它指的是对图像进行采样来提高或降低图像的分辨率，这样方便对图像进行进一步的处理；
在配准的过程中，为了防止图像在获取和传输过程中受到噪声的干扰，我们在配准前利用双边滤波对参考图像和浮动图像进行了优化，双边滤波属于一种非线性滤波，它能够把图像的像素值相似度和空间临近度相结合，不仅可以去除噪声、平滑图像，还能够做到图像边缘保存。双边滤波是两个高斯滤波的结合，其中一个用来计算空间临近度的权值，另一个用来计算像素值相似度的权值。双边滤波处理改善了医学图像的质量，得到尺度不变的图像，提高了图像配准效果，再对参考图像和浮动图像进行下采样，图像被分解成几幅分辨率不同的图像，组成图像金字塔。分层配准本质上是一种由粗到精的配准策略，开始时在低分辨率层配准寻找最优参数，由于图像信息不完整造成配准效果较差，但是这次配准得到的参数接近了最优解，并且该层图像数据量小，减少了配准需要的时间。经过多层次配准后，在最后一层可以得到精准的图像配准结果，同时可以避免单层次配准时出现的局部收敛问题；
步骤五：对i个浮动图像对应的标记图像根据步骤四中经配准获得的变换矩阵进行矩阵变化，得到i个形变后的标记图像；
步骤六：采用熵权法对步骤五中获得的i个形变后的标记图像进行权重赋值，得到i个带有权重的标记图像；
步骤七：将步骤六中获得的i个带有权重的标记图像进行融合得到最终分割结果。
将配准得到的对应的变换矩阵作用于图谱对应的标记图像，得到了形变后的标记图像，最后对所有的变换后的图谱标记图像进行标签融合得到最终的分割结果，在第一步图谱相似性选择上，可以得到每个浮动图像和参考图像的相似性数值，此时我们根据此数值采用熵权法对于每个标记图像进行权重赋值，熵权法的基本思想是由指标变异性的大小来最终确定客观权重，最后将带有权重的标记图像进行融合得到最终的分割结果。
本实施例中，所述i的取值为10，对本申请进行详细说明：
(1)在图谱集中根据相似性测度找出和待分割图像最相似的图谱图像。采用归一化互相关的相似性测度方式在图谱集中选择与参考图像相似度最高10幅图像，归一化互相关的公式定义为
Figure BDA0003094474580000061
Figure BDA0003094474580000062
Figure BDA0003094474580000071
其中TI(xi)表示参考图像中的像素xi的灰度值，FI(τ(xi))表示浮动图像中像素xi的灰度值，n表示图像像素的数量，
Figure BDA0003094474580000072
表示参考图像中像素平均值，
Figure BDA0003094474580000073
表示浮动图像中像素平均值。考虑到CT数据可能来自不同成像设备，图像之间存在非标准强度，因此选择其作为图谱选择标准。
我们在人体脑部CT上进行了实验，数据来源于吉林大学第二医院，为了避免年龄增长造成的骨组织结构变化，我们选取40周岁以上的人群作为数据构成部分，CT数据从医院的数据库中按照实验要求进行随机选取，图谱集的制作是在医生的指导下进行的，注：所有数据都取得了患者知情并同意。脑图谱数据集共40组，包含灰度图像和其对应的标记图像，其中男性20组，女性20组，随机的从男性和女性中各选取10组进行测试，其余作为图谱，从图谱中筛选出相似性测度最高的10个样本作为浮动图像进行实验。考虑到不同性别骨骼结构差异较大，在实验中男性CT数据的测试从男性图谱中进行选择，女性数据测试同男性数据测试做法。
人体脑部图像比较复杂，使用多个图谱进行配准再融合，很大程度上弥补了可能选择了不合适的单一图谱导致配准效果差这一不足，但Alihabar等人发现，其分割精度并不完全随着图谱数量的增多而增高，而且图谱数量越多，分割计算的时间也会线性增加，Awate等人的研究表明，选择图谱最合适的数量是10个左右。因此，本文将从图谱集中选出10个浮动图像进行与参考图像的配准；
(2)采用粗配准加上精配准的配准方法对从图谱集中选出的图像和待分割脑部CT图像进行配准；采用粗配准加上精配准的配准方法对从图谱集中选出的图像和待分割脑部CT图像进行配准，具体过程为：在配准过程中，我们先进行基于仿射变换的配准，然后进行基于B样条变换的配准在上述两个配准过程中使用了多分辨率策略，首先对图像做双边滤波处理，双边滤波器中，输出像素的值和领域像素值的加权值组合有关：
Figure BDA0003094474580000074
而加权系数w(i，j，k，l)是由空域核和值域核的乘积决定的，(i，j)，(k，l)分别指两个像素点的坐标，其中空域核的公式如下：
Figure BDA0003094474580000081
值域核表示为：
Figure BDA0003094474580000082
二者相乘之后，就会产生依赖于数据的双边滤波权重函数：
Figure BDA0003094474580000083
空域核函数是根据像素距离来进行权重选择，像素距离越近权重值越大，值域核是根据像素的差异来分配权值，若两个像素差异较小，即使相距较远，也比像素值差异大但是距离近的像素点权重大。因此正是由于值域核的存在，使得边缘像素点的特性得以保留。双边滤波处理之后对每个分辨率层采用因子为2的下采样，考虑到生成效果和速度，每一层的插值方法采用线性插值法，生成最终的分割结果使用的插值方法采用三阶B样条插值法。我们使用了随机采样的方式随机选择2000个体素计算图像之间的归一化互信息值，提高了配准优化参数的速度，并且使用梯度下降优化算法优化归一化互信息值。对于仿射变换配准，每一层设置1000次迭代，设置为4层，对于B样条配准，每一层设置3000次迭代，设置为5层，在最后一层中所有维度使用5mm的网格间距，B样条变换函数是通过对控制点的移动来达到非刚性配准的效果，它可以做到控制局部变形，控制点的具体位移是由优化算法求出来的，从而达到模拟任意非线性变换的效果。首先将参考图像做网格化处理，图像上面的点经过网格化后变成控制点，我们假设在二维图像中的一个控制点的位置是
Figure BDA0003094474580000084
网格的间距是δx×δy，基于对精准度和效率的考虑，图像配准通常都选取均匀三次B样条基函数，那么浮动图像上面的任何一个点(x，y)的B样条变换可以表示为：
Figure BDA0003094474580000085
式中，
Figure BDA0003094474580000086
表示的是最邻近的4x4个控制点的坐标位置，i、j分别表示近邻控制点的位置索引，
Figure BDA0003094474580000091
Figure BDA0003094474580000096
表示向下取整函数；m、n为B样条基函数的次数；u、v分别为(x，y)的相对单元控制网格的位置：
Figure BDA0003094474580000092
Bl(u)表示第m次B样条基函数，表达式分别如下：
Figure BDA0003094474580000093
其中，0≤u＜1，这些函数起到加权函数的作用，它们根据控制点到(x，y)的距离来加权每个控制点对T(x，y)的影响。
(3)将配准得到的对应的变换矩阵作用于图谱对应的标记图像，最后对所有的变换后的图谱标记图像进行标签融合得到最终的分割结果；我们采用MV算法、SIMPLE算法和STAPLE算法以及我们提出的方法对经过变换的标签图像进行融合，多数表决法是一种按照少数服从多数规则决定最终的融合标记值，因此该方法产生的最终结果容易出现断点。SIMPLE融合方法是一种选择性迭代的绩效水平评估方法，将图谱的选择和评价策略相结合，来对颅底卵圆孔进行细分。STAPLE算法是利用函数f(D，Tr|p，q)的似然函数估计性能水平参数(p，q)。当f(D，Tr|p，q)最大的时候，就是参数(p，q)取最优值的时候。公式表示为
Figure BDA0003094474580000094
式中：D表示N×R的矩阵，R表示图谱数量，N是每个图谱的体素个数，Tr表示目标图像的真实分割结果，我们用二进制0或1表示每个像素，0指代非分割对象，1指代分割对象。f(D，Tr|p，q)表示概率群分布函数，对于上述公式可以使用最大期望算法估计其值来得到最优的参数
Figure BDA0003094474580000101
对于我们的方法，首先使用熵权法对于每个形变的标记图像根据归一化互相关测量数值来赋予权值，具体为：
1)数据标准化
对于每个归一化互相关测量数值进行标准化处理，我们根据归一化互相关从图谱集中选出10个浮动图像和参考图像进行配准，得到的10个相似性测度值依次设为X1，X2，...，Xi(i＝1，2...，10)，假设标准化后的值为Y1，Y2，...，Yi，则：
Figure BDA0003094474580000102
2)求每个相似性测度值的信息熵
由信息论中信息熵的定义可知，一组数据的信息熵：
Figure BDA0003094474580000103
其中，
Figure BDA0003094474580000104
所以满足Ei≥0
Figure BDA0003094474580000105
3)确定每个相似性测度值的权重
根据上述信息熵公式，可以计算出每个相似性测度值的信息熵为E1，E2，...，E10。由信息熵计算其对应权重：
Figure BDA0003094474580000106
此时每个形变后的标签图像中像素值被上述方法赋予了权重值，然后进行最后的标签融合的到最后分割结果。

Claims (5)

1.一种基于多图谱的颅底卵圆孔自动分割方法，其特征在于，包括以下步骤：
步骤一：对待分割的脑部进行扫描获得待分割的脑CT图像，作为参考图像；
步骤二：根据相似性测试度将图谱集中的每个图谱图像分别和参考图像进行相似度测试，获得多个相似性测度值，选取相似性测度值高的i个图谱图像作为浮动图像，并记录i个浮动图像对应的相似性测度值；
步骤三：对步骤二中获得的i个浮动图像以及步骤一中获得的参考图像利用双边滤波进行优化，得到优化后的参考图像以及i个浮动图像；
步骤四：对步骤三中获得的优化后的参考图像以及i个浮动图像采用多分辨率策略进行配准得到对应的变换矩阵；
步骤五：将步骤四中经配准获得的变换矩阵作用于i个浮动图像对应的标记图像上，得到i个形变后的标记图像；
步骤六：采用熵权法对步骤五中获得的i个形变后的标记图像进行权重赋值，得到i个带有权重的标记图像；
步骤七：将步骤六中获得的i个带有权重的标记图像进行融合得到最终分割结果。
2.根据权利要求1所述的一种基于多图谱的颅底卵圆孔自动分割方法，其特征在于，步骤二中所述的相似性测试度具体采用归一化互相关的相似性测试度进行测试选择。
3.根据权利要求1所述的一种基于多图谱的颅底卵圆孔自动分割方法，其特征在于，所述i的取值为10。
4.根据权利要求1-3中任意一项所述的一种基于多图谱的颅底卵圆孔自动分割方法，其特征在于，步骤四中所述的多分辨率策略进行配准具体为：
1)对步骤三中获得的优化后的参考图像以及i个浮动图像采用因子为2进行下采样，使每一个图像分解成几幅分辨率不同的图像，每个浮动图像和参考图像分别形成以分辨率进行分层的图像金字塔；
2)将步骤1)中的每个浮动图像对应的图像金字塔和参考图像对应的图像金字塔进行配准，得到对应的变换矩阵。
5.根据权利要求1所述的一种基于多图谱的颅底卵圆孔自动分割方法，其特征在于，步骤六中所述的权重赋值的确定具体为：
1)将步骤二中记录的i个浮动图像对应的相似性测度值依次设为X1，X2，...，Xi，将i个浮动图像对应的相似性测度值根据公式(一)进行数据标准化，得到标准化后的值，分别记录为Y1，Y2，...，Yi；
Figure FDA0003094474570000021
2)根据公式(二)计算步骤1)中得到标准化后的值Y1，Y2，...，Yi对应的信息熵E1，E2，...，Ei；
Figure FDA0003094474570000022
其中：k＝1/ln(n)>0，所以满足Ei≥0
Figure FDA0003094474570000023
n为图像像素的数量；
3)根据公式(三)计算获得每个形变的图像对应的权重赋值W1，W2，...，Wi；
Figure FDA0003094474570000024
CN202110607506.9A 2021-06-01 2021-06-01 一种基于多图谱的颅底卵圆孔自动分割方法 Pending CN113222979A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110607506.9A CN113222979A (zh) 2021-06-01 2021-06-01 一种基于多图谱的颅底卵圆孔自动分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110607506.9A CN113222979A (zh) 2021-06-01 2021-06-01 一种基于多图谱的颅底卵圆孔自动分割方法

Publications (1)

Publication Number Publication Date
CN113222979A true CN113222979A (zh) 2021-08-06

Family

ID=77081990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110607506.9A Pending CN113222979A (zh) 2021-06-01 2021-06-01 一种基于多图谱的颅底卵圆孔自动分割方法

Country Status (1)

Country Link
CN (1) CN113222979A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113822796A (zh) * 2021-09-18 2021-12-21 长春理工大学 基于改进的图像金字塔的多模态脑部影像配准方法
CN117115468A (zh) * 2023-10-19 2023-11-24 齐鲁工业大学(山东省科学院) 基于人工智能的图像识别方法及系统
CN118657801A (zh) * 2024-08-20 2024-09-17 川北医学院附属医院 一种三叉神经磁共振成像分割分类系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140056501A1 (en) * 2012-08-24 2014-02-27 Siemens Aktiengesellschaft Method and System for Multi-Atlas Segmentation of Brain Computed Tomography Image Data
CN107578412A (zh) * 2017-09-28 2018-01-12 微梦创科网络科技（中国）有限公司 图像质量综合评价方法及系统
CN107886519A (zh) * 2017-10-17 2018-04-06 杭州电子科技大学 基于cuda的多图谱三维脑图像快速分割方法
US20200098137A1 (en) * 2018-09-26 2020-03-26 Google Llc Texture coordinate compression using texture atlas
CN112164082A (zh) * 2020-10-09 2021-01-01 深圳市铱硙医疗科技有限公司 基于3d卷积神经网络分割多模态mr脑部图像方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140056501A1 (en) * 2012-08-24 2014-02-27 Siemens Aktiengesellschaft Method and System for Multi-Atlas Segmentation of Brain Computed Tomography Image Data
CN107578412A (zh) * 2017-09-28 2018-01-12 微梦创科网络科技（中国）有限公司 图像质量综合评价方法及系统
CN107886519A (zh) * 2017-10-17 2018-04-06 杭州电子科技大学 基于cuda的多图谱三维脑图像快速分割方法
US20200098137A1 (en) * 2018-09-26 2020-03-26 Google Llc Texture coordinate compression using texture atlas
CN112164082A (zh) * 2020-10-09 2021-01-01 深圳市铱硙医疗科技有限公司 基于3d卷积神经网络分割多模态mr脑部图像方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
MERT R.SABUNCU等: ""A Generative Model for Image Segmentation Based on Label Fusion"", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 *
MERT R.SABUNCU等: ""A Generative Model for Image Segmentation Based on Label Fusion"", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》, 17 June 2010 (2010-06-17) *
梁乃兴等: ""基于数字图像处理技术和熵权法分析沥青路面均匀度的方法"", 《重庆交通大学学报(自然科学版)》 *
梁乃兴等: ""基于数字图像处理技术和熵权法分析沥青路面均匀度的方法"", 《重庆交通大学学报(自然科学版)》, 8 June 2017 (2017-06-08), pages 29 - 30 *
王洋: ""基于多图谱的人脑MR图像的分析与可视化"", 《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》 *
王洋: ""基于多图谱的人脑MR图像的分析与可视化"", 《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》, 15 February 2016 (2016-02-15) *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113822796A (zh) * 2021-09-18 2021-12-21 长春理工大学 基于改进的图像金字塔的多模态脑部影像配准方法
CN113822796B (zh) * 2021-09-18 2023-12-01 长春理工大学 基于改进的图像金字塔的多模态脑部影像配准方法
CN117115468A (zh) * 2023-10-19 2023-11-24 齐鲁工业大学(山东省科学院) 基于人工智能的图像识别方法及系统
CN117115468B (zh) * 2023-10-19 2024-01-26 齐鲁工业大学(山东省科学院) 基于人工智能的图像识别方法及系统
CN118657801A (zh) * 2024-08-20 2024-09-17 川北医学院附属医院 一种三叉神经磁共振成像分割分类系统

Similar Documents

Publication Publication Date Title
CN109166133B (zh) 基于关键点检测和深度学习的软组织器官图像分割方法
CN108416802B (zh) 一种基于深度学习的多模医学图像非刚性配准方法及系统
CN113222979A (zh) 一种基于多图谱的颅底卵圆孔自动分割方法
JP5695648B2 (ja) 医用画像処理方法および装置
CN107403201A (zh) 肿瘤放射治疗靶区和危及器官智能化、自动化勾画方法
CN103325143B (zh) 基于模型匹配的标记点自动注册方法
CN102930552B (zh) 基于对称结构减影的脑肿瘤自动提取方法
CN100561518C (zh) 基于感兴趣区域的自适应医学序列图像插值方法
CN105719278A (zh) 一种基于统计形变模型的器官辅助定位分割方法
JP2011504115A (ja) １つの画像データからの解剖学的構造を含む対象物のモデルの領域を、診断的又は治療的介入に用いられる画像にマッピングするための方法、そのシステム及びコンピューター読み取り可能な媒体
Ibragimov et al. Segmentation of tongue muscles from super-resolution magnetic resonance images
CN113409456B (zh) 颅脑穿刺术前三维模型的建模方法、系统、装置、介质
CN103544695B (zh) 一种高效的基于博弈框架的医学图像分割方法
CN107680107A (zh) 一种基于多图谱的扩散张量磁共振图像的自动分割方法
CN107507189A (zh) 基于随机森林与统计模型的小鼠ct图像肾脏分割方法
CN115830016B (zh) 医学图像配准模型训练方法及设备
CN112184720B (zh) 一种ct图像的内直肌和视神经分割方法及系统
CN115690178A (zh) 基于深度学习的跨模块非刚体配准方法、系统及介质
CN112508869A (zh) 颅内血管图像融合方法和计算机可读存储介质
Schwing et al. Reliable extraction of the mid-sagittal plane in 3D brain MRI via hierarchical landmark detection
Onofrey et al. Learning nonrigid deformations for constrained point-based registration for image-guided MR-TRUS prostate intervention
CN112509084A (zh) 一种颅内血管图像流空伪影消除方法和系统
CN112509085A (zh) 脑血管图像流空伪影消除方法和系统
Gopinath et al. Recon-all-clinical: Cortical surface reconstruction and analysis of heterogeneous clinical brain MRI
CN113870324A (zh) 多模态图像的配准方法及其配准装置和计算机可读存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210806