CN114565619B - 结合脑部解剖学特征的颅内血块能量泛函分割方法 - Google Patents
结合脑部解剖学特征的颅内血块能量泛函分割方法 Download PDFInfo
- Publication number
- CN114565619B CN114565619B CN202210156188.3A CN202210156188A CN114565619B CN 114565619 B CN114565619 B CN 114565619B CN 202210156188 A CN202210156188 A CN 202210156188A CN 114565619 B CN114565619 B CN 114565619B
- Authority
- CN
- China
- Prior art keywords
- image
- cerebral hemorrhage
- energy functional
- formula
- anatomical
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 24
- 210000004556 brain Anatomy 0.000 title claims abstract description 12
- 238000007917 intracranial administration Methods 0.000 title claims abstract description 8
- 206010008111 Cerebral haemorrhage Diseases 0.000 claims abstract description 38
- 238000003384 imaging method Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims description 7
- 230000003628 erosive effect Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 208000007536 Thrombosis Diseases 0.000 abstract description 10
- 238000002591 computed tomography Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 8
- 208000032843 Hemorrhage Diseases 0.000 description 5
- 230000000740 bleeding effect Effects 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 5
- 238000003709 image segmentation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 208000014644 Brain disease Diseases 0.000 description 1
- 206010018852 Haematoma Diseases 0.000 description 1
- 208000008574 Intracranial Hemorrhages Diseases 0.000 description 1
- 206010053649 Vascular rupture Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 208000034158 bleeding Diseases 0.000 description 1
- 230000036770 blood supply Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000000472 traumatic effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—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
- G06T7/60—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
- G06T2207/20—Special algorithmic details
- G06T2207/20036—Morphological image processing
-
- 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
Abstract
本发明公开一种结合脑部解剖学特征的颅内血块能量泛函分割方法，步骤如下：输入脑出血CT图像，设置参数对其进行解剖学特征的提取，得到结合解剖学特征后的图像；在结合解剖学特征的图像上提取其影像学特征；基于解剖学和影像学特征，构建相应的能量泛函模型框架；考虑到脑出血血块独特的形状和面积，将形状和面积约束项融合到能量泛函模型框架中，得到更为完整的能量泛函模型；显示分割结果；可以获得更准确的分割结果。
Description
技术领域
本发明属于医学图像分割领域，尤其涉及一种结合脑部解剖学特征的颅内血块能量泛函分割方法。
背景技术
脑出血是十分常见的一种脑部疾病，它是指非外伤性实质血管破裂引起的出血，在急性期的致死率非常高。目前，脑出血的实际临床诊断中广泛使用计算机断层扫描(CT)成像，用于脑部区域病灶的精确检测和治疗。CT是一种针对人体组织器官的无创伤性的放射学成像方法，通过X射线对大脑结构进行断层扫描，可以清晰的查看脑部是否存在出血和血肿，明确具体的出血部位以及出血量，并且可以看出脑内部是否存在移位或血块破入脑室的情况。
在进行脑出血血块分割时，Chan-Vese(CV)模型是一种传统的基于能量泛函的分割模型；何建伟在CV模型中引入了一种模糊聚类方法，构建了一种新的模型(FC-CV)，同时考虑了图像的全局和局部特征，虽在分割边界上具有良好的连续性和光滑性，但忽视了很多细节；Pratondo等人提出了一个将机器学习与基于区域的主动轮廓模型结合起来的模型(ED-EF)，它用非线性函数规范了机器学习算法的分类概率分数，以代替像素强度值，对于强度特征不均匀的图像，该模型具有较高的精度且对参数不敏感，然而对于边缘模糊的复杂图像，特征采集还不够全面。
由于脑部供血充足，出血血块的位置、形状和面积均较为复杂和多变，甚至会出现血块与颅骨连接的情况，现有分割方法并不能准确地分割脑出血图像。
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，提供一种结合脑部解剖学特征的颅内血块能量泛函分割方法。
本发明的技术解决方案是：一种结合脑部解剖学特征的颅内血块能量泛函分割方法，按照如下步骤进行：
步骤1：提取结合解剖学特征的图像
输入脑出血CT图像I(x,y)，x和y分别为脑出血CT图像I(x,y)的像素点；对脑出血CT图像I(x,y)进行开运算：设X是R2的一个子集，Dt表示基于一个结构元素B和尺度参数t的膨胀，Et表示基于结构元素B和尺度参数t的腐蚀，则有公式(1)：
定义基于脑出血CT图像I(x,y)的膨胀和腐蚀算子如公式(2)所示：
式中：sup表示一个集合最小的上界，inf为一个集合最大的下界，根据膨胀和腐蚀的定义，按照公式(3)得到结合解剖学特征的图像u(x,y)：
||u(x,y)||B＝sup<Dt,Et> (3)
式中：＜,＞为内积，||·||B为Euchild范数；
步骤2：在结合解剖学特征的图像u(x,y)上提取影像学特征
设靠近脑出血中心的标定点为k，前后两个相邻的像素分别为k-1和k+1，在标定点k的两侧选择m个像素，形成一个长度为2m+1的向量；结合在标准正态分布下的高斯分布概率密度函数 表示向量乘法，得到从近到远的权重值如公式(4)所示：
H(φ)是水平集φ的Heaviside函数，表示为定义则脑出血的强度为cpi，i＝1,2，具体定义如公式(5)所示：
得到的影像学特征表示如公式(6)所示：
步骤3：构建能量泛函模型
基于解剖学和影像学特征，构建相应的能量泛函模型如公式(7)所示：
Efeatures＝∫Ω(u(x,y)-If(φ))2dxdy (7)
步骤4：结合形状及面积约束项
在结合解剖学特征后的图像u(x,y)中一个像素周围N×N的窗口里获得Zernike矩，所述Zernike矩是一组具有旋转不变性的正交力矩，p为阶数，q为重复度，r为距离坐标，θ为角坐标，Rpq(rxy)为径向多项式，将像素映射到单位圆中进行离散表示如公式(8)所示：
得到如公式(9)所示的形状约束项ES：
ES＝∫Ω(Zpq(φ＞0)-Zpq(φ＜0))2dxdy＝∫Ω(Zpq(φ＞0)·H(φ(x,y))-Zpq(φ＜0)(1-H(φ(x,y))))2dxdy (9)
面积约束项EA表示为：
EA＝∫φ＞0H(φ(x,y))dxdy (10)
将形状约束项ES和面积约束项EA融入公式(7)中，得到如公式(11)所示的最终能量泛函模型E(φ)：
步骤5：显示分割结果
通过求解公式(12)梯度下降流方程获得能量泛函的最小化，
式中t代表迭代次数；
步骤6：判断能量泛函是否达到最小化，是，将通过能量泛函最小化得到的病灶边缘显示在原始的脑出血CT图像上，得到分割结果；否，返回步骤5。
本发明首先依次对脑出血图像提取结合解剖学特征图像和影像学特征，并将解剖学特征和影像学特征集成到能量泛函的框架中，进而提出一种结合了形状和面积约束的能量泛函，可以获得更加准确的分割结果。
附图说明
图1为本发明实施例的结合解剖学特征图像提取示意图。
图2为本发明实施例的能量泛函演化过程示意图。
图3为本发明实施例使用不同特征的分割结果示意图。
图4为本发明实施例使用不同的特征和约束条件的分割结果示意图。
图5为本发明实施例与现有技术其他算法的迭代次数对比示意图。
图6为本发明实施例与现有技术其他算法的分割评价示意图。
具体实施方式
本发明的一种结合脑部解剖学特征的颅内血块能量泛函分割方法，按照如下步骤进行：
步骤1：提取结合解剖学特征的图像
输入脑出血CT图像I(x,y)，x和y分别为脑出血CT图像I(x,y)的像素点；对脑出血CT图像I(x,y)进行开运算：设X是R2的一个子集，Dt表示基于一个结构元素B和尺度参数t的膨胀，Et表示基于结构元素B和尺度参数t的腐蚀，则有公式(1)：
定义基于脑出血CT图像I(x,y)的膨胀和腐蚀算子如公式(2)所示：
式中：sup表示一个集合最小的上界，inf为一个集合最大的下界，根据膨胀和腐蚀的定义，按照公式(3)得到结合解剖学特征后的图像u(x,y)：
||u(x,y)||B＝sup<Dt,Et> (3)
式中：＜,＞为内积，||·||B为Euchild范数；
开运算的过程如图1所示：图像A为脑出血CT图像。结果显示，开运算后，连接的部分被分开，血块的位置、形状和面积均未改变。
步骤2：在结合解剖学特征的图像u(x,y)上提取影像学特征
设靠近脑出血中心的标定点为k，前后两个相邻的像素分别为k-1和k+1，在标定点k的两侧选择m个像素，形成一个长度为2m+1的向量；结合在标准正态分布下(-2.58，+2.58)的高斯分布概率密度函数 表示向量乘法，得到从近到远的权重值如公式(4)所示：
H(φ)是水平集φ的Heaviside函数，表示为定义则脑出血的强度为cpi，i＝1,2，具体定义如公式(5)所示：
得到的影像学特征表示如公式(6)所示：
步骤3：构建能量泛函模型
基于解剖学和影像学特征，构建相应的能量泛函模型如公式(7)所示：
Efeatures＝∫Ω(u(x,y)-If(φ))2dxdy (7)
步骤4：结合形状及面积约束项
在结合解剖学特征后的图像u(x,y)中一个像素周围N×N的窗口里获得Zernike矩，所述Zernike矩是一组具有旋转不变性的正交力矩，p为阶数，q为重复度，r为距离坐标，θ为角坐标，Rpq(rxy)为径向多项式，将像素映射到单位圆中进行离散表示如公式(8)所示：
得到如公式(9)所示的形状约束项ES：
ES＝∫Ω(Zpq(φ＞0)-Zpq(φ＜0))2dxdy＝∫Ω(Zpq(φ＞0)·H(φ(x,y))-Zpq(φ＜0)(1-H(φ(x,y))))2dxdy (9)
面积约束项EA表示为：
EA＝∫φ＞0H(φ(x,y))dxdy (10)
将形状约束项ES和面积约束项EA融入公式(7)中，得到如公式(11)所示的最终能量泛函模型E(φ)：
步骤5：显示分割结果
通过求解公式(12)梯度下降流方程获得能量泛函的最小化，
式中t代表迭代次数；
步骤6：判断能量泛函是否达到最小化，是，将通过能量泛函最小化得到的病灶边缘显示在原始的脑出血CT图像上，得到分割结果；否，返回步骤5。
本发明实施例的能量泛函演化过程如图2所示，结果表明本发明实施例可将脑部出血图像中的血块准确地进行分割。
实验：
1.采用本发明实施例的方法、提取解剖学特征或影像学特征的方法对脑出血图像1-5中的血块进行分割，结果如图3和表1所示。结果表明本发明实施例对图像1-5的分割结果优于提取解剖学特征或影像学特征的方法。
表1
2.采用本发明实施例的方法、本发明实施例无约束项的方法、提取解剖学特征或影像学特征对脑出血图像1-5中的血块进行分割，结果如图4所示。结果表明本发明实施例对图像1-5的分割结果优于其它方法。
3.采用本发明实施例的方法与对比文献1～4所述方法，分别对脑出血图像1-6中的血块进行分割，结果如图5、图6所示，迭代次数如表2所示。
对比文献1～4如下：
(1)He,J.,Pei,J.,2019.Image segmentation method based on improvedfuzzy Chan-Vese model.Multimedia Tools and Applications,78(7),8669-8681.
(2)Pratondo,A.,Chui,C.,Ong,S.,2016.Robust Edge-Stop Functions forEdge-Based Active Contour Models in Medical Image Segmentation.IEEE signalprocessing letters,23(2),222-226.
(3)Pratondo,A.,Chui,C.,Ong,S.,2017.Integrating machine learning withregion-based active contour models in medical image segmentation.Journal ofVisual Communication and Image Representation,43,1-9.
(4)Fang,L.,Pan,X.,Yao,Y.,Zhang,L.,Guo,D.,2020.A hybrid active contourmodel for ultrasound image segmentation.Soft Computing,1-15.
表2
| 脑出血图像1 | 脑出血图像2 | 脑出血图像3 | 脑出血图像4 | 脑出血图像5 | 脑出血图像6 | |
| 对比文献[1] | 60 | 70 | 60 | 67 | 42 | 90 |
| 对比文献[2] | 50 | 44 | 55 | 40 | 70 | 30 |
| 对比文献[3] | 120 | 125 | 80 | 130 | 95 | 215 |
| 对比文献[4] | 150 | 140 | 95 | 150 | 120 | 125 |
| 本发明实施例 | 10 | 10 | 10 | 10 | 10 | 10 |
结果表明：本发明实施例对图像1-6的分割结果优于其它方法，迭代次数少于其它方法。
Claims (1)
1.一种结合脑部解剖学特征的颅内血块能量泛函分割方法，其特征在于按照如下步骤进行：
步骤1：提取结合解剖学特征的图像
输入脑出血CT图像I(x,y)，x和y分别为脑出血CT图像I(x,y)的像素点；对脑出血CT图像I(x,y)进行开运算：设X是R2的一个子集，Dt表示基于一个结构元素B和尺度参数t的膨胀，Et表示基于结构元素B和尺度参数t的腐蚀，则有公式(1)：
定义基于脑出血CT图像I(x,y)的膨胀和腐蚀算子如公式(2)所示：
式中：sup表示一个集合最小的上界，inf为一个集合最大的下界，根据膨胀和腐蚀的定义，按照公式(3)得到结合解剖学特征的图像u(x,y)：
||u(x,y)||B＝sup<Dt,Et> (3)
式中：＜,＞为内积，||·||B为Euchild范数；
步骤2：在结合解剖学特征的图像u(x,y)上提取影像学特征
设靠近脑出血中心的标定点为k，前后两个相邻的像素分别为k-1和k+1，在标定点k的两侧选择m个像素，形成一个长度为2m+1的向量；结合在标准正态分布下的高斯分布概率密度函数 表示向量乘法，得到从近到远的权重值如公式(4)所示：
H(φ)是水平集φ的Heaviside函数，表示为定义则脑出血的强度为cpi，i＝1,2，具体定义如公式(5)所示：
得到的影像学特征表示如公式(6)所示：
步骤3：构建能量泛函模型
基于解剖学和影像学特征，构建相应的能量泛函模型如公式(7)所示：
Efeatures＝∫Ω(u(x,y)-If(φ))2dxdy (7)
步骤4：结合形状及面积约束项
在结合解剖学特征后的图像u(x,y)中一个像素周围N×N的窗口里获得Zernike矩，所述Zernike矩是一组具有旋转不变性的正交力矩，p为阶数，q为重复度，r为距离坐标，θ为角坐标，Rpq(rxy)为径向多项式，将像素映射到单位圆中进行离散表示如公式(8)所示：
得到如公式(9)所示的形状约束项ES：
ES＝∫Ω(Zpq(φ＞0)-Zpq(φ＜0))2dxdy＝∫Ω(Zpq(φ＞0)·H(φ(x,y))-Zpq(φ＜0)(1-H(φ(x,y))))2dxdy (9)
面积约束项EA表示为：
EA＝∫φ＞0H(φ(x,y))dxdy (10)
将形状约束项ES和面积约束项EA融入公式(7)中，得到如公式(11)所示的最终能量泛函模型E(φ)：
步骤5：显示分割结果
通过求解公式(12)梯度下降流方程获得能量泛函的最小化，
式中t代表迭代次数；
步骤6：判断能量泛函是否达到最小化，是，将通过能量泛函最小化得到的病灶边缘显示在原始的脑出血CT图像上，得到分割结果；否，返回步骤5。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210156188.3A CN114565619B (zh) | 2022-02-21 | 2022-02-21 | 结合脑部解剖学特征的颅内血块能量泛函分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210156188.3A CN114565619B (zh) | 2022-02-21 | 2022-02-21 | 结合脑部解剖学特征的颅内血块能量泛函分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114565619A CN114565619A (zh) | 2022-05-31 |
| CN114565619B true CN114565619B (zh) | 2024-04-02 |
Family
ID=81713241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210156188.3A Active CN114565619B (zh) | 2022-02-21 | 2022-02-21 | 结合脑部解剖学特征的颅内血块能量泛函分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114565619B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020007277A1 (zh) * | 2018-07-05 | 2020-01-09 | 北京推想科技有限公司 | 一种基于深度学习的计算脑出血量的方法 |
| CN112634280A (zh) * | 2020-12-08 | 2021-04-09 | 辽宁师范大学 | 基于能量泛函的mri图像脑肿瘤分割方法 |
-
2022
- 2022-02-21 CN CN202210156188.3A patent/CN114565619B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020007277A1 (zh) * | 2018-07-05 | 2020-01-09 | 北京推想科技有限公司 | 一种基于深度学习的计算脑出血量的方法 |
| CN112634280A (zh) * | 2020-12-08 | 2021-04-09 | 辽宁师范大学 | 基于能量泛函的mri图像脑肿瘤分割方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于CV模型改进的磁共振成像图像分割方法;兰红;韩纪东;;科学技术与工程;20181008(第28期);全文 * |
| 基于改进能量泛函模型的噪声图像分割算法;韩明;吴朔媚;王敬涛;孟军英;;计算机工程与应用;20181201(第23期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114565619A (zh) | 2022-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jayachitra et al. | Multi-feature analysis for automated brain stroke classification using weighted Gaussian naïve Bayes classifier | |
| Chen et al. | A review of thyroid gland segmentation and thyroid nodule segmentation methods for medical ultrasound images | |
| Manniesing et al. | Level set based cerebral vasculature segmentation and diameter quantification in CT angiography | |
| CN104268873B (zh) | 基于核磁共振图像的乳腺肿瘤分割方法 | |
| CN103337096B (zh) | 一种冠状动脉ct造影图像钙化点检测方法 | |
| Liu et al. | Automatic model-guided segmentation of the human brain ventricular system from CT images | |
| Cheng et al. | Automatic segmentation technique for acetabulum and femoral head in CT images | |
| Dabass et al. | Segmentation techniques for breast cancer imaging modalities-a review | |
| Ertas et al. | A computerized volumetric segmentation method applicable to multi-centre MRI data to support computer-aided breast tissue analysis, density assessment and lesion localization | |
| Manniesing et al. | Local speed functions in level set based vessel segmentation | |
| Bernier et al. | Graph cut-based method for segmenting the left ventricle from MRI or echocardiographic images | |
| Gupta et al. | Methods for increased sensitivity and scope in automatic segmentation and detection of lung nodules in CT images | |
| Häme | Liver tumor segmentation using implicit surface evolution | |
| John et al. | Automatic left atrium segmentation by cutting the blood pool at narrowings | |
| Goceri et al. | An automatic level set based liver segmentation from MRI data sets | |
| CN114565619B (zh) | 结合脑部解剖学特征的颅内血块能量泛函分割方法 | |
| Mohd Noor et al. | Segmentation of the lung anatomy for high resolution computed tomography (HRCT) thorax images | |
| Santos et al. | Detection of pathologic liver using ultrasound images | |
| Jalab et al. | Fractional Renyi entropy image enhancement for deep segmentation of kidney MRI | |
| CN115690556B (zh) | 一种基于多模态影像学特征的图像识别方法及系统 | |
| Memiş et al. | Computerized 2D detection of the multiform femoral heads in magnetic resonance imaging (MRI) sections with the integro-differential operator | |
| Madabhushi et al. | Automatic boundary extraction of ultrasonic breast lesions | |
| Alzoubi et al. | Automatic segmentation and detection system for varicocele in supine position | |
| Lassige et al. | Comparison of septal defects in 2D and 3D echocardiography using active contour models | |
| Unal et al. | Semi-automatic lymph node segmentation in LN-MRI |
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 |