CN113436203A - 一种心室膜自动分割方法 - Google Patents
一种心室膜自动分割方法 Download PDFInfo
- Publication number
- CN113436203A CN113436203A CN202110613764.8A CN202110613764A CN113436203A CN 113436203 A CN113436203 A CN 113436203A CN 202110613764 A CN202110613764 A CN 202110613764A CN 113436203 A CN113436203 A CN 113436203A
- Authority
- CN
- China
- Prior art keywords
- image
- model
- diffusion
- curve
- function
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000011218 segmentation Effects 0.000 title claims abstract description 46
- 239000012528 membrane Substances 0.000 title claims abstract description 41
- 230000002861 ventricular Effects 0.000 title claims abstract description 36
- 238000001914 filtration Methods 0.000 claims abstract description 27
- 210000005240 left ventricle Anatomy 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000009792 diffusion process Methods 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 230000002146 bilateral effect Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 238000002474 experimental method Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 230000000747 cardiac effect Effects 0.000 claims description 4
- 230000001965 increasing effect Effects 0.000 claims description 4
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 210000001174 endocardium Anatomy 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract 2
- 230000006870 function Effects 0.000 description 31
- 230000034994 death Effects 0.000 description 10
- 231100000517 death Toxicity 0.000 description 10
- 208000019622 heart disease Diseases 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000002595 magnetic resonance imaging Methods 0.000 description 5
- 208000024172 Cardiovascular disease Diseases 0.000 description 4
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 210000003484 anatomy Anatomy 0.000 description 2
- 210000002808 connective tissue Anatomy 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000004165 myocardium Anatomy 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 208000031229 Cardiomyopathies Diseases 0.000 description 1
- 208000002330 Congenital Heart Defects Diseases 0.000 description 1
- 201000006306 Cor pulmonale Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000004186 Pulmonary Heart Disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 238000013184 cardiac magnetic resonance imaging Methods 0.000 description 1
- 208000028831 congenital heart disease Diseases 0.000 description 1
- 208000029078 coronary artery disease Diseases 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000004217 heart function Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000002107 myocardial effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 208000004124 rheumatic heart disease Diseases 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 210000000596 ventricular septum 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
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T7/10—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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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
- G06T2207/30048—Heart; Cardiac
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种心室膜自动分割方法,其步骤如下:读取心脏左心室MRI图像;然后对获得的心脏左心室MRI图像进行预处理;预处理过程中首先对MRI图像进行滤波去噪,然后利用帧差法裁剪图像,然后进行心室膜定位;然后进行改进LSF模型;最后获取实验结果并对实验结果进行分析,本发明针对单一LSF模型,分别提取左心室内膜和外膜,解决现有的技术分割效率低的问题,创造性的提出DLSRE模型,同时提取左心室内膜和外膜轮廓,通过实验证明,本发明提出方法不仅能自动分割出符合解剖学特征的心室膜边缘,且分割精度相对较高。
Description
技术领域
本发明涉及一种医学图像处理技术领域,具体是一种心室膜自动分割 方法。
背景技术
世界卫生组织(WHO)数据统计显示,每年居民因疾病致死人数中, 心脏疾病导致死亡人数高居榜首,约有1790万人死于心脏功能异常,心 脏疾病患病率及死亡率仍处于上升阶段,每年死于心脏疾病人数高达千万 人,成为全球人口下降的主要原因。
中国心血管疾病患者仍在持续增长阶段,《中国循环杂志》中关于心 血管病的报告,推算出患病人数中冠心病约1100万人,肺原性心脏病约 500万人,心力衰竭约450万人,风湿性心脏病约200万人,先天性心脏 病约200万人,共计心脏病患者逾越2450万人,从2015年,居民因疾病 死亡人数中,心血管疾病死亡人数就超过总死亡人数的40%,远超肿瘤、 中风等其它疾病致死人数,心脏疾病的高死亡率成为社会各界关注的热点, 现在急需临床上有预防、诊断、和治疗心脏疾病的能力,近代医学在心脏 解剖结构的基础上,展开了对心脏疾病的病理探索。
心脏形态结构的深入研究,需要诊断成像设备作为辅助工具,诊断成 像在医学上是一种非常宝贵的设备,这些技术增加了医学研究中正常和病 态解剖的知识,渐渐成为诊断和治疗的关键组成部分,而分割图像是医学 图像处理的重要组成部分,也是利用医学图像辅助分析、诊断、治疗的关 键过渡步,提取出图像感兴趣区域信息,简化图像,使其更容易利用、分 析和后续处理。
心脏左心室膜的分割是用于三维建模和辅助临床医生诊断的重要基 础,通过分割左心室图像,提取左心室心肌信息,可以直接判断病人是否 出现心肌疾病,使医生对疾病有个宏观判断,便于医生制定应对措施,目 前,心脏左心室膜的分割多是资深专家、临床经验丰富医生手动完成,手 动分割虽然精度较高,但随着采集左心室图像数量的增多,人为手动分割 图像费时、费力且受主观性因素影响严重,造成分割结果出现不可控性, 因此,利用优秀的图像处理算法,设计出自动分割心室膜方法,是目前主 流的方向。
但是,传统的Hough变换圆检测自适应定位,定位结果不满足要求, 输入圆心位置后对内腔进行定位,则依然无法避免人为干预分割心室膜初 始位置的选择,这种遍历运算耗时较久,且检测结果定位效果较差。
发明内容
本发明的目的在于提供一种心室膜自动分割方法,以解决上述背景技 术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种心室膜自动分割方 法,其步骤如下:
步骤1、读取心脏左心室MRI图像;
步骤2、对获得的心脏左心室MRI图像进行预处理;
(1)滤波去噪
选用双边滤波法处理图像,双边滤波引入的图像像素空间信息仍是高 斯函数,用图像像素点间的欧式距离表示,如下式:
式(1)中:σd是图像空间域标准差。结合图像灰度信息,则可得双 边滤波器公式:
其中,k2用来调节像素点权值系数,
s(f(ε),f(x))用以度量像素点间的灰度关系
(2)帧差法裁剪图像
选用两帧差法对图像进行处理,两帧差法的具体流程如下:得到人体 心室不断进行收缩或舒张变换的序列图像,选取同一序列图像中首末两帧 图像第1帧和n帧,第1帧和n帧进行运算得到差分图像,通过提取分析 差分图像中的连通区域信息,设置图像的裁剪范围,得到包含心脏左心室 的裁剪序列图
步骤3、心室膜定位;
(1)自适应阀值分割法
采用基于图像斜率差分布的阈值分割法。利用图像直方图斜率变化, 自适应确定阈值分割图像,具体步骤为:
1)首先对图像灰度值在区间[1,255]进行重排列,其标准化直方图 P(x)由下列公式计算:
其中,Ni表示像素值i出现的频率,而Nj表示像素值j在区间[1,255] 内出现的最大频率。
2)对归一化直方图分布进行频域滤波,对P(x)进行离散傅里叶变换 转换到频域,用F(K)(K=1,...,255)表示P(x)经过傅里叶变换后的标准化直 方图分布:
基于大量图像的试错分析实验,为得到较好实验结果选择低频区间范 围为[110],利用带宽为10的低通滤波器F′(K)(K=1,...,255)对P(x)进行 滤波,保留低频部分,消除其余高频分量[67],
在频域对直方图进行滤波后,将其转换到空间域:
为了计算斜率差,需要计算出空间域直方图P′(x)上每个点的两个方 向的斜率,一个是该点的左侧,另一个位于该点的右侧。它们通过用线性 方程拟合同一方向的N个相邻点来计算:
yi=axi+b (9)
[a,b]T=(BTB)-1BTY (10)
Y=[y1,y2,...,yN] (12)
计算i点的斜率差s(i):
s(i)=a2(i)-a1(i);i=N+1,...,255-N (13)
用离散函数s(i)代表点的斜率差分布函数,并求解s(x)导数为零的方 程:
得到具有最大差异的斜率差分布,取得极大值时的Np个凸峰Pi, i=1,...,Nv和取得极小值时的Nv个凹谷Vi,i=1,...,Nv。选择当斜率差函数取 绝对值最大值点作为阈值点
步骤4、改进LSF模型;
1)增强距离正则化
定义新双阱势函数NDWP为:
NDWP扩散率:
偏微分方程:
且
证明了势函数的扩散速率是有界的,得到一个NDWP的距离正则化项, LSF的演化是一个梯度流,它可以使能量函数最小化;且对LSF的梯度模 进行约束,避免传统水平集曲线演化中的重新初始化,由图5得:
2)构建AGVF模型
利用扩散矩阵改进各向同性GVF模型,构造扩散矩阵,定义结构四通 道张量J[70]:
对各个通道进行非线性处理,
分解非线性结构张量,由于J是正定对称阵,利用(J-λE)x=0,其中 E为单位矩阵,x是非零向量,得到法线和切线方向对应特征值λ1,λ2。
再利用λ1,λ2,
得相应特征向量μ1,μ2
根据特征值对其进行重新定义,即
式中C1∈(0,1),C2>0常数。定义扩散矩阵
则推出各向异性扩散方程为:
同理推出:
式(30)看出,AGVF模型考虑了图像区域和边缘多层信息,在同质 区域,AGVF作用外力驱使模型曲线不断演化;在异质区域,减弱了图像 梯度对模型演化的影响。创建了一定距离指向目标边缘的向量场,增大了 模型演化曲线的捕捉范围
3)异质边缘能量控制项
异质灰度不均匀图像模型描述为:
I=bJ+n (31)
其中,I是待分割图像;b是造成图像强度不均匀的偏置场,且b是缓 慢渐变的;J是图像反射常量,在同质区域内相等;n是附加噪声;由图 像偏置场是渐变的可知,在异质区域边缘像素点灰度值的变化缓慢,为增 大突变像素点对比度,采用拉普拉斯模板通过与图像卷积运算,抑制同质 区域像素点变化,增大异质边缘像素灰度值间差异。
则异质边缘能量控制项函数为:
步骤5、实验结果与分析
(1)分割过程及结果
1)读取DICOM格式心脏图像,如图7(a);
2)采用双边滤波对图7(a)进行去噪,如图7(b);
3)利用提出的阈值分割法,处理图7(b),得二值图像图7(c)
4)利用改进Hough变换圆检测法处理图7(c),完成对心室内膜的定 位,如图7(d)。
5)利用DLSRE模型以定位心室膜为初始轮廓,分割左心室内外膜边 缘轮廓;
6)当模型能量函数最小,则迭代结束,分割完成;否则能量函数驱 使曲线演化,直至模型能量函数最优;最后,得到心室膜轮廓图7(e),内 外膜三维能量图7(f)。
与现有技术相比,本发明的有益效果是:
针对传统定位方法的准确性低,本发明提出用边缘信息约束Hough变 换法的定位心室膜,针对LSF模型分割图像的不足,文中阐述了具体的优 化过程,详细介绍了NDWP优化距离正则项的理论优势;推到了AGVF模型 的构建过程;讲解了异质边缘能量控制项的提出原理,及数值实现方式, 通过实验,证明了优化模型的优越性,针对单一LSF模型,分别提取左心 室内膜和外膜,分割效率低的问题,创造性的提出DLSRE模型,同时提取 左心室内膜和外膜轮廓,通过实验证明,本发明提出方法不仅能自动分割 出符合解剖学特征的心室膜边缘,且分割精度相对较高。
附图说明
图1为一种心室膜自动分割方法的去噪对比图。
图2为一种心室膜自动分割方法的帧差法图像裁剪流程图。
图3为一种心室膜自动分割方法的自适应阈值分割法分割过程图。
图4为一种心室膜自动分割方法的自适应阈值分割法分割对比图。
图5为一种心室膜自动分割方法的双阱势函数及对应扩散速率图
图6为一种心室膜自动分割方法的拉普拉斯模板图。
图7为一种心室膜自动分割方法的分割流程图。
具体实施方式
下面将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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例, 而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没 有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的 范围。
请参阅图1~7,本发明实施例中,一种心室膜自动分割方法,其步 骤如下:
步骤1、读取心脏左心室MRI图像;
步骤2、对获得的心脏左心室MRI图像进行预处理;
(1)滤波去噪
选用双边滤波法处理图像,双边滤波引入的图像像素空间信息仍是高 斯函数,用图像像素点间的欧式距离表示,如下式:
式(1)中:σd是图像空间域标准差。结合图像灰度信息,则可得双 边滤波器公式:
其中,k2用来调节像素点权值系数,
s(f(ε),f(x))用以度量像素点间的灰度关系
观察图1不同滤波法对MRI心脏图像的处理效果,高斯滤波处理图像 平滑程度较好,但图像边缘信息丢失,图像失真严重,如图1(b)所示; 中值滤波平滑了左右心室腔室内的类椒盐噪声,如图1(c)所示;而双边 滤波处理的心脏MRI图像不仅平滑程度较好,而且保留了图像的边缘信息, 如图1(d)所示,所以,用双边滤波处理图像是很好的选择,它能平滑图 像、消除噪声、保持边缘细节信息的完整性、增强图像特征。
(2)帧差法裁剪图像
选用两帧差法对图像进行处理,两帧差法的具体流程如下:得到人体 心室不断进行收缩或舒张变换的序列图像,选取同一序列图像中首末两帧 图像第1帧和n帧,第1帧和n帧进行运算得到差分图像,通过提取分析 差分图像中的连通区域信息,设置图像的裁剪范围,得到包含心脏左心室 的裁剪序列图
步骤3、心室膜定位;
(1)自适应阀值分割法
采用基于图像斜率差分布的阈值分割法。利用图像直方图斜率变化, 自适应确定阈值分割图像,具体步骤为:
1)首先对图像灰度值在区间[1,255]进行重排列,其标准化直方图 P(x)由下列公式计算:
其中,Ni表示像素值i出现的频率,而Nj表示像素值j在区间[1,255] 内出现的最大频率。
2)对归一化直方图分布进行频域滤波,对P(x)进行离散傅里叶变换 转换到频域,用F(K)(K=1,...,255)表示P(x)经过傅里叶变换后的标准化直 方图分布:
基于大量图像的试错分析实验,为得到较好实验结果选择低频区间范 围为[110],利用带宽为10的低通滤波器F′(K)(K=1,...,255)对P(x)进行 滤波,保留低频部分,消除其余高频分量[67]
在频域对直方图进行滤波后,将其转换到空间域:
为了计算斜率差,需要计算出空间域直方图P′(x)上每个点的两个方 向的斜率,一个是该点的左侧,另一个位于该点的右侧。它们通过用线性 方程拟合同一方向的N个相邻点来计算:
yi=axi+b (9)
[a,b]T=(BTB)-1BTY (10)
Y=[y1,y2,...,yN] (12)
计算i点的斜率差s(i):
s(i)=a2(i)-a1(i);i=N+1,...,255-N (13)
用离散函数s(i)代表点的斜率差分布函数,并求解s(x)导数为零的方 程:
得到具有最大差异的斜率差分布,取得极大值时的Np个凸峰Pi, i=1,...,Nv和取得极小值时的Nv个凹谷Vi,i=1,...,Nv。选择当斜率差函数取 绝对值最大值点作为阈值点。
为验证本发明方法对医学图像具有良好分割效果,利用多种方法分割 心室图像,对分割结果进行比较,得图4,观察图4可以发现,分割效果 最差的是最大熵法,完全无法提取前景区域,如图4(f);K均值法对腔室 心肌的过渡提取,导致得到的图像过分割现象严重,如图4(j);而其它 算法提取的腔室区域,因对图像欠分割,前景区域轮廓相对平滑;与原图 对比,发现本发明方法的分割效果较为理想,如图4(l),用来定位心室 膜,得到的初始轮廓接近心室膜边缘,能减少后续模型提取心室膜轮廓的 迭代次数及演化时间。
步骤4、改进LSF模型;
1)增强距离正则化
定义新双阱势函数NDWP为:
NDWP扩散率:
偏微分方程:
且
证明了势函数的扩散速率是有界的,得到一个NDWP的距离正则化项, LSF的演化是一个梯度流,它可以使能量函数最小化;且对LSF的梯度模 进行约束,避免传统水平集曲线演化中的重新初始化,由图5得:
2)构建AGVF模型
利用扩散矩阵改进各向同性GVF模型,构造扩散矩阵,定义结构四通 道张量J[70]:
对各个通道进行非线性处理,
分解非线性结构张量,由于J是正定对称阵,利用(J-λE)x=0,其中 E为单位矩阵,x是非零向量,得到法线和切线方向对应特征值λ1,λ2。
再利用λ1,λ2,
得相应特征向量μ1,μ2
根据特征值对其进行重新定义,即
式中C1∈(0,1),C2>0常数。定义扩散矩阵
则推出各向异性扩散方程为:
同理推出:
式(30)看出,AGVF模型考虑了图像区域和边缘多层信息,在同质 区域,AGVF作用外力驱使模型曲线不断演化;在异质区域,减弱了图像 梯度对模型演化的影响,创建了一定距离指向目标边缘的向量场,增大了 模型演化曲线的捕捉范围。
3)异质边缘能量控制项;
LSF模型最初用来分割灰度均匀区域,提取有明显界定的边缘轮廓, 具有良好效果,但对由血液和心肌造成的灰度不均心室膜边缘,边缘分割 适应性较差,为使LSF能够稳定分割异质灰度不均图像,在水平集模型中 加入异质边缘能量控制项。
异质灰度不均匀图像模型描述为:
I=bJ+n (31)
其中,I是待分割图像;b是造成图像强度不均匀的偏置场,且b是缓 慢渐变的;J是图像反射常量,在同质区域内相等;n是附加噪声;由图 像偏置场是渐变的可知,在异质区域边缘像素点灰度值的变化缓慢,为增 大突变像素点对比度,采用拉普拉斯模板通过与图像卷积运算,抑制同质 区域像素点变化,增大异质边缘像素灰度值间差异。
则异质边缘能量控制项函数为:
步骤5、实验结果与分析
(1)分割过程及结果
1)读取DICOM格式心脏图像,如图7(a);
2)采用双边滤波对图7(a)进行去噪,如图7(b);
3)利用提出的阈值分割法,处理图7(b),得二值图像图7(c)
4)利用改进Hough变换圆检测法处理图7(c),完成对心室内膜的定 位,如图7(d)。
5)利用DLSRE模型以定位心室膜为初始轮廓,分割左心室内外膜边 缘轮廓;
6)当模型能量函数最小,则迭代结束,分割完成;否则能量函数驱 使曲线演化,直至模型能量函数最优;最后,得到心室膜轮廓图7(e),内 外膜三维能量图7(f)。
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术 人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者 对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作 的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种心室膜自动分割方法,其特征在于:其方法步骤如下:
步骤1、读取心脏左心室MRI图像;
步骤2、对获得的心脏左心室MRI图像进行预处理;
(1)滤波去噪
选用双边滤波法处理图像,双边滤波引入的图像像素空间信息仍是高斯函数,用图像像素点间的欧式距离表示,如下式:
式(1)中:σd是图像空间域标准差。结合图像灰度信息,则可得双边滤波器公式:
其中,k2用来调节像素点权值系数,
s(f(ε),f(x))用以度量像素点间的灰度关系
(2)帧差法裁剪图像
选用两帧差法对图像进行处理,两帧差法的具体流程如下:得到人体心室不断进行收缩或舒张变换的序列图像,选取同一序列图像中首末两帧图像第1帧和n帧,第1帧和n帧进行运算得到差分图像,通过提取分析差分图像中的连通区域信息,设置图像的裁剪范围,得到包含心脏左心室的裁剪序列图
步骤3、心室膜定位;
(1)自适应阀值分割法
采用基于图像斜率差分布的阈值分割法。利用图像直方图斜率变化,自适应确定阈值分割图像,具体步骤为:
1)首先对图像灰度值在区间[1,255]进行重排列,其标准化直方图P(x)由下列公式计算:
其中,Ni表示像素值i出现的频率,而Nj表示像素值j在区间[1,255]内出现的最大频率。
2)对归一化直方图分布进行频域滤波,对P(x)进行离散傅里叶变换转换到频域,用F(K)(K=1,...,255)表示P(x)经过傅里叶变换后的标准化直方图分布:
基于大量图像的试错分析实验,为得到较好实验结果选择低频区间范围为[1 10],利用带宽为10的低通滤波器F′(K)(K=1,...,255)对P(x)进行滤波,保留低频部分,消除其余高频分量[67],
在频域对直方图进行滤波后,将其转换到空间域:
为了计算斜率差,需要计算出空间域直方图P′(x)上每个点的两个方向的斜率,一个是该点的左侧,另一个位于该点的右侧。它们通过用线性方程拟合同一方向的N个相邻点来计算:
yi=axi+b (9)
[a,b]T=(BTB)-1BTY (10)
Y=[y1,y2,...,yN] (12)
计算i点的斜率差s(i):
s(i)=a2(i)-a1(i);i=N+1,...,255-N (13)
用离散函数s(i)代表点的斜率差分布函数,并求解s(x)导数为零的方程:
得到具有最大差异的斜率差分布,取得极大值时的Np个凸峰Pi,i=1,...,Nv和取得极小值时的Nv个凹谷Vi,i=1,...,Nv。选择当斜率差函数取绝对值最大值点作为阈值点
步骤4、改进LSF模型;
增强距离正则化
定义新双阱势函数NDWP为:
NDWP扩散率:
偏微分方程:
且
证明了势函数的扩散速率是有界的,得到一个NDWP的距离正则化项,LSF的演化是一个梯度流,它可以使能量函数最小化;且对LSF的梯度模进行约束,避免传统水平集曲线演化中的重新初始化,由图5得:
构建AGVF模型
利用扩散矩阵改进各向同性GVF模型,构造扩散矩阵,定义结构四通道张量J[70]::
对各个通道进行非线性处理,
分解非线性结构张量,由于J是正定对称阵,利用(J-λE)x=0,其中E为单位矩阵,x是非零向量,得到法线和切线方向对应特征值λ1,λ2。
再利用λ1,λ2,
得相应特征向量μ1,μ2
根据特征值对其进行重新定义,即
式中C1∈(0,1),C2>0常数。定义扩散矩阵
则推出各向异性扩散方程为:
同理推出:
式(30)看出,AGVF模型考虑了图像区域和边缘多层信息,在同质区域,AGVF作用外力驱使模型曲线不断演化;在异质区域,减弱了图像梯度对模型演化的影响。创建了一定距离指向目标边缘的向量场,增大了模型演化曲线的捕捉范围
异质边缘能量控制项
异质灰度不均匀图像模型描述为:
I=bJ+n (31)
其中,I是待分割图像;b是造成图像强度不均匀的偏置场,且b是缓慢渐变的;J是图像反射常量,在同质区域内相等;n是附加噪声;由图像偏置场是渐变的可知,在异质区域边缘像素点灰度值的变化缓慢,为增大突变像素点对比度,采用拉普拉斯模板通过与图像卷积运算,抑制同质区域像素点变化,增大异质边缘像素灰度值间差异。
则异质边缘能量控制项函数为:
步骤5、实验结果与分析
(1)分割过程及结果
1)读取DICOM格式心脏图像,如图7(a);
2)采用双边滤波对图7(a)进行去噪,如图7(b);
3)利用提出的阈值分割法,处理图7(b),得二值图像图7(c)
4)利用改进Hough变换圆检测法处理图7(c),完成对心室内膜的定位,如图7(d)。
5)利用DLSRE模型以定位心室膜为初始轮廓,分割左心室内外膜边缘轮廓;
6)当模型能量函数最小,则迭代结束,分割完成;否则能量函数驱使曲线演化,直至模型能量函数最优;最后,得到心室膜轮廓图7(e),内外膜三维能量图7(f)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110613764.8A CN113436203A (zh) | 2021-06-02 | 2021-06-02 | 一种心室膜自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110613764.8A CN113436203A (zh) | 2021-06-02 | 2021-06-02 | 一种心室膜自动分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113436203A true CN113436203A (zh) | 2021-09-24 |
Family
ID=77803618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110613764.8A Pending CN113436203A (zh) | 2021-06-02 | 2021-06-02 | 一种心室膜自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113436203A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822820A (zh) * | 2021-10-22 | 2021-12-21 | 上海电气(集团)总公司智惠医疗装备分公司 | 一种图像校正方法、装置及电子设备 |
CN114419032A (zh) * | 2022-03-14 | 2022-04-29 | 深圳科亚医疗科技有限公司 | 心脏左心室的心肌内膜和/或心肌外膜的分割方法和装置 |
CN117557460A (zh) * | 2024-01-12 | 2024-02-13 | 济南科汛智能科技有限公司 | 一种血管造影图像增强方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108109143A (zh) * | 2017-12-22 | 2018-06-01 | 辽宁师范大学 | 基于混合活动轮廓模型的医学图像分割方法 |
CN109272512A (zh) * | 2018-09-25 | 2019-01-25 | 南昌航空大学 | 一种自动分割左心室内外膜的方法 |
AU2021100714A4 (en) * | 2021-02-04 | 2021-05-06 | Sichuan University of Science and Engineering | Robust MRI Segmentation Using Background Noise Removal with Polyfit Surface Evolution |
-
2021
- 2021-06-02 CN CN202110613764.8A patent/CN113436203A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108109143A (zh) * | 2017-12-22 | 2018-06-01 | 辽宁师范大学 | 基于混合活动轮廓模型的医学图像分割方法 |
CN109272512A (zh) * | 2018-09-25 | 2019-01-25 | 南昌航空大学 | 一种自动分割左心室内外膜的方法 |
AU2021100714A4 (en) * | 2021-02-04 | 2021-05-06 | Sichuan University of Science and Engineering | Robust MRI Segmentation Using Background Noise Removal with Polyfit Surface Evolution |
Non-Patent Citations (4)
Title |
---|
SHAFIULLAH SOOMRO ET AL: "An Active Contour Model Based on Region Based Fitting Terms Driven by p-Laplace Length Regularization", 《IEEE ACCESS》 * |
ZHENZHOU WANG ET AL: "A Flexible and Robust Threshold Selection Method", 《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY》 * |
李林等: "一种双水平集模型分割左心室膜的方法", 《计算机应用研究》 * |
王兆晖: "《图像复制》", 31 October 2017 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113822820A (zh) * | 2021-10-22 | 2021-12-21 | 上海电气(集团)总公司智惠医疗装备分公司 | 一种图像校正方法、装置及电子设备 |
CN114419032A (zh) * | 2022-03-14 | 2022-04-29 | 深圳科亚医疗科技有限公司 | 心脏左心室的心肌内膜和/或心肌外膜的分割方法和装置 |
CN114419032B (zh) * | 2022-03-14 | 2022-06-21 | 深圳科亚医疗科技有限公司 | 心脏左心室的心肌内膜和/或心肌外膜的分割方法和装置 |
CN117557460A (zh) * | 2024-01-12 | 2024-02-13 | 济南科汛智能科技有限公司 | 一种血管造影图像增强方法 |
CN117557460B (zh) * | 2024-01-12 | 2024-03-29 | 济南科汛智能科技有限公司 | 一种血管造影图像增强方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113436203A (zh) | 一种心室膜自动分割方法 | |
Jeyavathana et al. | A survey: analysis on pre-processing and segmentation techniques for medical images | |
Liu et al. | Automatic whole heart segmentation using a two-stage u-net framework and an adaptive threshold window | |
Pang et al. | Automatic lung segmentation based on texture and deep features of HRCT images with interstitial lung disease | |
Badsha et al. | A new blood vessel extraction technique using edge enhancement and object classification | |
CN109753997B (zh) | 一种ct图像中的肝脏肿瘤自动精确鲁棒分割方法 | |
CN112184690B (zh) | 冠脉血管走向的预测方法、预测模型的训练方法及装置 | |
Merjulah et al. | Classification of myocardial ischemia in delayed contrast enhancement using machine learning | |
CN110706225B (zh) | 基于人工智能的肿瘤识别系统 | |
Liu et al. | Cardiac magnetic resonance image segmentation based on convolutional neural network | |
CN109191468B (zh) | 一种血管提取的方法、装置及存储介质 | |
Huang et al. | Automatic Retinal Vessel Segmentation Based on an Improved U‐Net Approach | |
Bui et al. | An automatic random walk based method for 3D segmentation of the heart in cardiac computed tomography images | |
Ansari et al. | Detection of pancreatic cancer in CT scan images using PSO SVM and image processing | |
CN113408603A (zh) | 一种基于多分类器融合的冠状动脉狭窄病变程度识别方法 | |
CN114119626A (zh) | 一种基于统计学模型和多尺度滤波的脑血管图像分割方法 | |
Lv et al. | An improved residual U-Net with morphological-based loss function for automatic liver segmentation in computed tomography | |
Goswami et al. | An analysis of image segmentation methods for brain tumour detection on MRI images | |
Gopalakrishnan et al. | Automatic delineation of lung parenchyma based on multilevel thresholding and Gaussian mixture modelling | |
CN109978781B (zh) | 一种基于极值区域检测的血管内超声图像分割方法 | |
Zhang et al. | DDNet: a novel network for cerebral artery segmentation from MRA IMAGES | |
Kazemi et al. | Automated segmentation of cardiac fats based on extraction of textural features from non-contrast CT images | |
CN115841472A (zh) | 大脑中动脉高密度征识别方法、装置、设备及存储介质 | |
Al-Dabbas et al. | Medical Image Enhancement to Extract Brain Tumors from CT and MRI images | |
Tan et al. | Accurate implantation estimation of implantable cardioverter defibrillators via three-stage segmentation strategy |
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: 20210924 |