CN114821057A - 局部最大值点阈值膨胀的mpi图像分割方法、系统及设备 - Google Patents

局部最大值点阈值膨胀的mpi图像分割方法、系统及设备 Download PDF

Info

Publication number
CN114821057A
CN114821057A CN202210460043.2A CN202210460043A CN114821057A CN 114821057 A CN114821057 A CN 114821057A CN 202210460043 A CN202210460043 A CN 202210460043A CN 114821057 A CN114821057 A CN 114821057A
Authority
CN
China
Prior art keywords
mpi
local maximum
cluster
mpi image
expansion
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
CN202210460043.2A
Other languages
English (en)
Inventor
杜洋
田捷
王宇
安羽
尹琳
梁倩
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.)
Institute of Automation of Chinese Academy of Science
Original Assignee
Institute of Automation of Chinese Academy of Science
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 Institute of Automation of Chinese Academy of Science filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN202210460043.2A priority Critical patent/CN114821057A/zh
Publication of CN114821057A publication Critical patent/CN114821057A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于MPI图像分割领域，具体涉及了一种基于局部最大值点阈值膨胀的MPI图像分割方法、系统及设备，旨在解决的问题。本发明包括：基于阈值分割方法，区分待分割MPI图像的前景信号和背景信号；通过K‑means聚类方法对所述前景MPI图像信号聚类，获得不同类别的聚类中；选择各聚类中心设定区域的邻域像素，并获取各聚类的局部最大信号强度点所在位置；分别基于各聚类的局部最大信号强度点所在位置，结合各位置对应的信号强度，进行阈值膨胀操作，获得各聚类的膨胀区域；合并各聚类的膨胀区域，获得待分割MPI图像的分割结果。本发明基于局部最大值点的阈值膨胀MPI图像分割方法，实现了鲁棒且准确的MPI图像分割，降低MPI图像分割所存在的选择性偏差的影响。

Description

局部最大值点阈值膨胀的MPI图像分割方法、系统及设备
技术领域
本发明属于MPI图像分割领域，具体涉及了一种基于局部最大值点阈值膨胀的MPI图像分割方法及系统。
背景技术
磁粒子成像(MPI，Magnetic particle imaging)是一种新兴的直接检测氧化铁纳米颗粒磁化的方法，具有高特异性和灵敏度、线性定量能力和高临床转化潜力等优点。在生物医学研究的各个领域中，这种相对新颖的成像方式在分子成像和分析这一新的先进领域中引发了科学探究，并显示出治疗学和精准医学发展的显著进步。它依靠超顺磁氧化铁(SPIO)纳米粒子信号产生正对比图像，为定量生物学成像树立了新的标准。
然而，由于MPI成像是一种新型的成像模态，难以为MPI扫描中的感兴趣区域(ROI)定义一个明确的边界，这便导致成像数据分割存在选择性偏差，难以鲁棒地分析与量化成像信号。
因此，将MPI领域与机器学习相结合至关重要，机器学习能够快速、高吞吐量地分析数据系统和结构。通过在临床前和临床扫描中对感兴趣区域(ROI)的分析，研究人员发现机器学习可以解决生物医学图像量化中面临的障碍。这使得利用机器学习解决MPI图像分割质量差的问题成为可能。
发明内容
为了解决现有技术中的上述问题，即现有MPI图像分割存在选择性偏差，导致MPI图像分割质量差的问题，本发明提供了一种基于局部最大值点阈值膨胀的MPI图像分割方法，该MPI图像分割方法包括：
基于阈值分割方法，区分前景图像信号和背景信号，获得待分割MPI图像的前景MPI图像信号；
通过K-means聚类方法对所述前景MPI图像信号聚类，获得不同类别的聚类中心；
选择各聚类中心设定区域的邻域像素，并获取各聚类的局部最大信号强度点所在位置；
分别基于各聚类的局部最大信号强度点所在位置，结合各位置对应的信号强度，进行阈值膨胀操作，获得各聚类的膨胀区域；
合并各聚类的膨胀区域，获得待分割MPI图像的分割结果。
在一些优选的实施例中，所述阈值分割，其方法为：
Figure BDA0003620207350000021
其中，0和1代表阈值分割的结果，0代表背景信号，1代表前景MPI图像信号，xi，j代表待分割MPI图像的第i行第j列像素的MPI信号强度，θ1为预设的阈值，θ2为预设的百分比阈值，max(X)代表待分割MPI图像的信号强度最大值。
在一些优选的实施例中，所述K-means聚类，其方法为：
Figure BDA0003620207350000022
Figure BDA0003620207350000023
其中，xi代表第i个前景MPI图像信号的横纵坐标，uk代表第k个类别聚类的类内平均横纵坐标值，Ck代表第k个类别聚类的MPI信号点集合，K为聚类的类别数量，n为前景MPI图像信号中的像素个数，ri，k用于表示第i个前景MPI图像信号是否属于第k个类别聚类，若属于，ri，k＝1，否则ri，k＝0。
在一些优选的实施例中，选择各聚类中心设定范围的邻域像素，并获取各聚类的局部最大信号强度点所在位置，其方法为：
分别获取各聚类中心的二维空间位置；
使用设定大小的矩形框以聚类中心为中心点，框选各聚类中心邻域的MPI信号点，作为局部最大信号强度点计算的设定区域；
分别获取各设定区域中前景MPI图像信号的最大值点，并以最大值点的二维空间位置作为各聚类的局部最大信号强度点所在位置。
在一些优选的实施例中，分别基于各聚类的局部最大信号强度点所在位置，结合各位置对应的信号强度，进行阈值膨胀操作，获得各聚类的膨胀区域，其方法为：
生成K个与原始待分割MPI图像相同尺寸的全0图像；其中，K为聚类的类别数量；
分别将各全0图像中，对应的局部最大信号强度点所在位置的元素赋值为局部最大信号强度点的MPI信号强度值；
分别进行每一个局部最大信号强度点的阈值膨胀操作，获得各聚类的膨胀区域。
在一些优选的实施例中，所述阈值膨胀操作，其方法为：
Figure BDA0003620207350000031
其中，xi，k代表第i行第j列节点8邻域的节点在原始待分割MPI图像相同位置的信号强度，θ为预设的百分比阈值，xlocal_max代表当前局部最大信号强度点的MPI信号强度值。
在一些优选的实施例中，所述待分割MPI图像的分割结果，其表示为：
P＝P1∪P2∪…Pi…∪PK
其中，Pi代表第i个聚类的局部最大信号强度点进行阈值膨胀操作获得的膨胀区域，∪代表膨胀区域合并操作，K为聚类的类别数量，P为待分割MPI图像的分割结果。
本发明的另一方面，提出了一种基于局部最大值点阈值膨胀的MPI图像分割系统，该MPI图像分割系统包括以下模块：
阈值分割模块，配置为基于阈值分割方法，区分前景图像信号和背景信号，获得待分割MPI图像的前景MPI图像信号；
聚类模块，配置为通过K-means聚类方法对所述前景MPI图像信号聚类，获得不同类别的聚类中心；
局部最大信号提取模块，配置为选择各聚类中心设定区域的邻域像素，并获取各聚类的局部最大信号强度点所在位置；
膨胀模块，配置为分别基于各聚类的局部最大信号强度点所在位置，结合各位置对应的信号强度，进行阈值膨胀操作，获得各聚类的膨胀区域；
分割结果获取模块，配置为合并各聚类的膨胀区域，获得待分割MPI图像的分割结果。
本发明的第三方面，提出了一种电子设备，包括：
至少一个处理器；
以及与至少一个所述处理器通信连接的存储器；
其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于局部最大值点阈值膨胀的MPI图像分割方法。
本发明的第四方面，提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的基于局部最大值点阈值膨胀的MPI图像分割方法。
本发明的有益效果：
(1)本发明基于局部最大值点阈值膨胀的MPI图像分割方法，使用基于无监督的K-means聚类方法来进行MPI图像的预处理，为MPI图像分割提供了一种有效的解决思路，同时有效提升了后续MPI图像分割结果的准确性和精度。
(2)本发明基于局部最大值点阈值膨胀的MPI图像分割方法，在K-means聚类的基础上，通过基于MPI图像的局部最大值点结合阈值膨胀操作，解决了MPI图像分割的选择性偏差问题，实现了客观的、有效的、鲁棒的MPI图像分割。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明基于局部最大值点阈值膨胀的MPI图像分割方法的流程示意图；
图2是本发明基于局部最大值点阈值膨胀的MPI图像分割方法一种实施例的基于局部最大点的阈值膨胀MPI图像分割实例。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明提供一种基于局部最大值点阈值膨胀的MPI图像分割方法，基于局部最大值点实现MPI图像分割，并且可以有效缓解MPI图像分割的选择性偏差问题，实现了鲁棒且准确的MPI图像分割。
本发明的一种基于局部最大值点阈值膨胀的MPI图像分割方法，该MPI图像分割方法包括：
基于阈值分割方法，区分前景图像信号和背景信号，获得待分割MPI图像的前景MPI图像信号；
通过K-means聚类方法对所述前景MPI图像信号聚类，获得不同类别的聚类中心；
选择各聚类中心设定区域的邻域像素，并获取各聚类的局部最大信号强度点所在位置；
分别基于各聚类的局部最大信号强度点所在位置，结合各位置对应的信号强度，进行阈值膨胀操作，获得各聚类的膨胀区域；
合并各聚类的膨胀区域，获得待分割MPI图像的分割结果。
为了更清晰地对本发明基于局部最大值点阈值膨胀的MPI图像分割方法进行说明，下面结合图1对本发明实施例中各步骤展开详述。
本发明第一实施例的基于局部最大值点阈值膨胀的MPI图像分割方法，包括步骤S10-步骤S50，各步骤详细描述如下：
步骤S10，基于阈值分割方法，区分前景图像信号和背景信号，获得待分割MPI图像的前景MPI图像信号。
阈值分割的方法如式(1)所示：
Figure BDA0003620207350000061
其中，0和1代表阈值分割的结果，0代表背景信号，1代表前景MPI图像信号，xi，j代表待分割MPI图像的第i行第j列像素的MPI信号强度，θ1为预设的阈值，θ2为预设的百分比阈值，max(X)代表待分割MPI图像的信号强度最大值。
即当像素的MPI信号强度xi，j小于预设的阈值θ1时，将其归类为背景信号，当像素的MPI信号强度xi，j小于max(X)与θ2的乘积时，也将其归类为背景信号，其余的像素归类为前景MPI图像信号。
如图2所示，为本发明基于局部最大值点阈值膨胀的MPI图像分割方法一种实施例的基于局部最大点的阈值膨胀MPI图像分割实例，其中进行基于位置的K-means聚类之前的图像中，深色的区域为分割的背景区域，浅色的为前景MPI图像信号区域。
步骤S20，通过K-means聚类方法对所述前景MPI图像信号聚类，获得不同类别的聚类中心。
K-means聚类，其方法如式(2)和式(3)所示：
Figure BDA0003620207350000071
Figure BDA0003620207350000072
其中，xi代表第i个前景MPI图像信号的横纵坐标，uk代表第k个类别聚类的类内平均横纵坐标值，Ck代表第k个类别聚类的MPI信号点集合，K为聚类的类别数量，n为前景MPI图像信号中的像素个数，ri，k用于表示第i个前景MPI图像信号是否属于第k个类别聚类，若属于，ri，k＝1，否则ri，k＝0。
通过最小化J的方式，来对每个信号点进行聚类，聚类成K类，并通过聚类结果更新聚类中心的平均横纵坐标，通过迭代更新的方式来获取稳定的聚类结果。在图2的实例中，设置聚类类别数K为2，从图2可以观察到前景MPI图像信号被聚类为上下两块不同区域。
步骤S30，选择各聚类中心设定区域的邻域像素，并获取各聚类的局部最大信号强度点所在位置：
步骤S31，分别获取各聚类中心的二维空间位置；
步骤S32，使用设定大小的矩形框以聚类中心为中心点，框选各聚类中心邻域的MPI信号点，作为局部最大信号强度点计算的设定区域；
本发明一个实施例中，矩形框的大小为N*N，N为矩形框像素边长。在图2所示的实例中，N取值为60个像素；
步骤S33，分别获取各设定区域中前景MPI图像信号的最大值点，并以最大值点的二维空间位置作为各聚类的局部最大信号强度点所在位置。
步骤S40，分别基于各聚类的局部最大信号强度点所在位置，结合各位置对应的信号强度，进行阈值膨胀操作，获得各聚类的膨胀区域：
步骤S41，生成K个与原始待分割MPI图像相同尺寸的全0图像；其中，K为聚类的类别数量；
步骤S42，分别将各全0图像中，对应的局部最大信号强度点所在位置的元素赋值为局部最大信号强度点的MPI信号强度值；
步骤S43，分别进行每一个局部最大信号强度点的阈值膨胀操作，获得各聚类的膨胀区域。
本发明一个实施例中，采用集合记录为膨胀点，集合初始为单个局部最大值点，每次膨胀从集合中无放回地选取一个点进行阈值膨胀操作，如式(4)所示：
Figure BDA0003620207350000081
其中，xi，j代表第i行第j列节点8邻域的节点在原始待分割MPI图像相同位置的信号强度，θ为预设的百分比阈值，xlocal_max代表当前局部最大信号强度点的MPI信号强度值。
即若该信号点未进行过膨胀操作且该信号点的信号强度大于局部最大值点的信号强度的θ百分比阈值(即θ*xlocal_max)，则将该位置的元素赋值为xi，j并加入膨胀集合。反之，则不进行任何操作。
在图2所示的实例中，θ取值为0.7。
步骤S50，合并各聚类的膨胀区域，获得待分割MPI图像的分割结果，如式(5)所示：
P＝P1∪P2∪…Pi…∪PK (5)
其中，Pi代表第i个聚类的局部最大信号强度点进行阈值膨胀操作获得的膨胀区域，∪代表膨胀区域合并操作，K为聚类的类别数量，P为待分割MPI图像的分割结果。
如图2所示，将上下两个局部最大值点膨胀所得到的区域图像取并集，得到最终的图像，即为待分割MPI图像的分割结果。
综上所述，本发明是一种基于局部最大点的阈值膨胀MPI图像分割方法，是一种客观的、准确的、鲁棒的MPI图像分割方法，可以有效的缓解MPI图像分割的选择性偏差问题，从而利于研究铁纳米粒子在生物体内的分布，对MPI成像研究具有极大的意义。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述，但是本领域技术人员可以理解，为了实现本实施例的效果，不同的步骤之间不必按照这样的次序执行，其可以同时(并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之内。
本发明第二实施例的基于局部最大值点阈值膨胀的MPI图像分割系统，该MPI图像分割系统包括以下模块：
阈值分割模块，配置为基于阈值分割方法，区分前景图像信号和背景信号，获得待分割MPI图像的前景MPI图像信号；
聚类模块，配置为通过K-means聚类方法对所述前景MPI图像信号聚类，获得不同类别的聚类中心；
局部最大信号提取模块，配置为选择各聚类中心设定区域的邻域像素，并获取各聚类的局部最大信号强度点所在位置；
膨胀模块，配置为分别基于各聚类的局部最大信号强度点所在位置，结合各位置对应的信号强度，进行阈值膨胀操作，获得各聚类的膨胀区域；
分割结果获取模块，配置为合并各聚类的膨胀区域，获得待分割MPI图像的分割结果。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
需要说明的是，上述实施例提供的基于局部最大值点阈值膨胀的MPI图像分割系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。
本发明第三实施例的一种电子设备，包括：
至少一个处理器；
以及与至少一个所述处理器通信连接的存储器；
其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述的基于局部最大值点阈值膨胀的MPI图像分割方法。
本发明第四实施例的一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现上述的基于局部最大值点阈值膨胀的MPI图像分割方法。
所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种基于局部最大值点阈值膨胀的MPI图像分割方法，其特征在于，该MPI图像分割方法包括：
基于阈值分割方法，区分前景图像信号和背景信号，获得待分割MPI图像的前景MPI图像信号；
通过K-means聚类方法对所述前景MPI图像信号聚类，获得不同类别的聚类中心；
选择各聚类中心设定区域的邻域像素，并获取各聚类的局部最大信号强度点所在位置；
分别基于各聚类的局部最大信号强度点所在位置，结合各位置对应的信号强度，进行阈值膨胀操作，获得各聚类的膨胀区域；
合并各聚类的膨胀区域，获得待分割MPI图像的分割结果。
2.根据权利要求1所述的基于局部最大值点阈值膨胀的MPI图像分割方法，其特征在于，所述阈值分割，其方法为：
Figure FDA0003620207340000011
其中，0和1代表阈值分割的结果，0代表背景信号，1代表前景MPI图像信号，xi，j代表待分割MPI图像的第i行第j列像素的MPI信号强度，θ1为预设的阈值，θ2为预设的百分比阈值，max(X)代表待分割MPI图像的信号强度最大值。
3.根据权利要求1所述的基于局部最大值点阈值膨胀的MPI图像分割方法，其特征在于，所述K-means聚类，其方法为：
Figure FDA0003620207340000021
Figure FDA0003620207340000022
其中，xi代表第i个前景MPI图像信号的横纵坐标，uk代表第k个类别聚类的类内平均横纵坐标值，Ck代表第k个类别聚类的MPI信号点集合，为聚类的类别数量，n为前景MPI图像信号中的像素个数，ri，k用于表示第i个前景MPI图像信号是否属于第k个类别聚类，若属于，ri，k＝1，否则ri，k＝0。
4.根据权利要求1所述的基于局部最大值点阈值膨胀的MPI图像分割方法，其特征在于，选择各聚类中心设定范围的邻域像素，并获取各聚类的局部最大信号强度点所在位置，其方法为：
分别获取各聚类中心的二维空间位置；
使用设定大小的矩形框以聚类中心为中心点，框选各聚类中心邻域的MPI信号点，作为局部最大信号强度点计算的设定区域；
分别获取各设定区域中前景MPI图像信号的最大值点，并以最大值点的二维空间位置作为各聚类的局部最大信号强度点所在位置。
5.根据权利要求1所述的基于局部最大值点阈值膨胀的MPI图像分割方法，其特征在于，分别基于各聚类的局部最大信号强度点所在位置，结合各位置对应的信号强度，进行阈值膨胀操作，获得各聚类的膨胀区域，其方法为：
生成K个与原始待分割MPI图像相同尺寸的全0图像；其中，K为聚类的类别数量；
分别将各全0图像中，对应的局部最大信号强度点所在位置的元素赋值为局部最大信号强度点的MPI信号强度值；
分别进行每一个局部最大信号强度点的阈值膨胀操作，获得各聚类的膨胀区域。
6.根据权利要求5所述的基于局部最大值点阈值膨胀的MPI图像分割方法，其特征在于，所述阈值膨胀操作，其方法为：
Figure FDA0003620207340000031
其中，xi，j代表第i行第j列节点8邻域的节点在原始待分割MPI图像相同位置的信号强度，θ为预设的百分比阈值，xlocal_max代表当前局部最大信号强度点的MPI信号强度值。
7.根据权利要求1所述的基于局部最大值点阈值膨胀的MPI图像分割方法，其特征在于，所述待分割MPI图像的分割结果，其表示为：
P＝P1∪P2∪…Pi…∪PK
其中，Pi代表第i个聚类的局部最大信号强度点进行阈值膨胀操作获得的膨胀区域，∪代表膨胀区域合并操作，K为聚类的类别数量，P为待分割MPI图像的分割结果。
8.一种基于局部最大值点阈值膨胀的MPI图像分割系统，其特征在于，该MPI图像分割系统包括以下模块：
阈值分割模块，配置为基于阈值分割方法，区分前景图像信号和背景信号，获得待分割MPI图像的前景MPI图像信号；
聚类模块，配置为通过K-means聚类方法对所述前景MPI图像信号聚类，获得不同类别的聚类中心；
局部最大信号提取模块，配置为选择各聚类中心设定区域的邻域像素，并获取各聚类的局部最大信号强度点所在位置；
膨胀模块，配置为分别基于各聚类的局部最大信号强度点所在位置，结合各位置对应的信号强度，进行阈值膨胀操作，获得各聚类的膨胀区域；
分割结果获取模块，配置为合并各聚类的膨胀区域，获得待分割MPI图像的分割结果。
9.一种电子设备，其特征在于，包括：
至少一个处理器；
以及与至少一个所述处理器通信连接的存储器；
其中，所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1-7任一项所述的基于局部最大值点阈值膨胀的MPI图像分割方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于被所述计算机执行以实现权利要求1-7任一项所述的基于局部最大值点阈值膨胀的MPI图像分割方法。
CN202210460043.2A 2022-04-24 2022-04-24 局部最大值点阈值膨胀的mpi图像分割方法、系统及设备 Pending CN114821057A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210460043.2A CN114821057A (zh) 2022-04-24 2022-04-24 局部最大值点阈值膨胀的mpi图像分割方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210460043.2A CN114821057A (zh) 2022-04-24 2022-04-24 局部最大值点阈值膨胀的mpi图像分割方法、系统及设备

Publications (1)

Publication Number Publication Date
CN114821057A true CN114821057A (zh) 2022-07-29

Family

ID=82510209

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210460043.2A Pending CN114821057A (zh) 2022-04-24 2022-04-24 局部最大值点阈值膨胀的mpi图像分割方法、系统及设备

Country Status (1)

Country Link
CN (1) CN114821057A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070217676A1 (en) * 2006-03-15 2007-09-20 Kristen Grauman Pyramid match kernel and related techniques
CN101847261A (zh) * 2010-05-10 2010-09-29 南京航空航天大学 大鼠头部磁共振图像蒙特卡洛仿真模型的获取方法
CN110288604A (zh) * 2019-06-12 2019-09-27 三峡大学 基于K-means的图像分割方法和装置
WO2021076605A1 (en) * 2019-10-14 2021-04-22 Ventana Medical Systems, Inc. Weakly supervised multi-task learning for cell detection and segmentation

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070217676A1 (en) * 2006-03-15 2007-09-20 Kristen Grauman Pyramid match kernel and related techniques
CN101847261A (zh) * 2010-05-10 2010-09-29 南京航空航天大学 大鼠头部磁共振图像蒙特卡洛仿真模型的获取方法
CN110288604A (zh) * 2019-06-12 2019-09-27 三峡大学 基于K-means的图像分割方法和装置
WO2021076605A1 (en) * 2019-10-14 2021-04-22 Ventana Medical Systems, Inc. Weakly supervised multi-task learning for cell detection and segmentation

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HASAAN HAYAT ET AL.: "Artificial Intelligence Analysis of Magnetic Particle Imaging for Islet Transplantation in a Mouse Model", 《MOLECULAR IMAGING AND BIOLOGY》, 24 August 2020 (2020-08-24) *
穆钰莹: "基于多重分形的肺部图像分割", 《硕士电子期刊》, 15 April 2021 (2021-04-15) *

Similar Documents

Publication Publication Date Title
Iqbal et al. Developing a brain atlas through deep learning
Ortiz-Ramón et al. Identification of the presence of ischaemic stroke lesions by means of texture analysis on brain magnetic resonance images
US9014444B2 (en) Method and apparatus for automatic HER2 scoring of tissue samples
CN102214294B (zh) 图像处理设备、图像处理方法以及程序
Jobanputra et al. Preserving boundaries for image texture segmentation using grey level co-occurring probabilities
JP2017107543A (ja) 細胞画像の自動分析方法及びシステム
US11538261B2 (en) Systems and methods for automated cell segmentation and labeling in immunofluorescence microscopy
CN111445478A (zh) 一种用于cta图像的颅内动脉瘤区域自动检测系统和检测方法
JP2013526717A5 (zh)
CN112204615A (zh) 荧光图像配准方法、基因测序仪及系统、存储介质
Jaiswal et al. Tracking virus particles in fluorescence microscopy images using multi-scale detection and multi-frame association
CN111971711A (zh) 荧光图像配准方法、基因测序仪及系统、存储介质
WO2020037573A1 (zh) 检测图像上的亮斑的方法、装置和计算机程序产品
CN112802013A (zh) 基于图神经网络与多任务学习的脑疾病检测方法和装置
Rohr et al. Tracking and quantitative analysis of dynamic movements of cells and particles
Abdulraqeb et al. A novel segmentation algorithm for MRI brain tumor images
Khan et al. Local adaptive approach toward segmentation of microscopic images of activated sludge flocs
CN112289377A (zh) 检测图像上的亮斑的方法、装置和计算机程序产品
Marcuzzo et al. Automated Arabidopsis plant root cell segmentation based on SVM classification and region merging
Tsakanikas et al. Protein spot detection and quantification in 2‐DE gel images using machine‐learning methods
CN117765330A (zh) 基于mri图像的数据标注方法及系统
Singh et al. Image segmentation for automatic particle identification in electron micrographs based on hidden Markov random field models and expectation maximization
CN114821057A (zh) 局部最大值点阈值膨胀的mpi图像分割方法、系统及设备
CN112288781A (zh) 图像配准方法、装置和计算机程序产品
Afridi et al. Automatic in vivo cell detection in 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