CN115131319A - 一种结合滤波算法深度挖掘海马硬化放射组学特征的方法 - Google Patents
一种结合滤波算法深度挖掘海马硬化放射组学特征的方法 Download PDFInfo
- Publication number
- CN115131319A CN115131319A CN202210759920.6A CN202210759920A CN115131319A CN 115131319 A CN115131319 A CN 115131319A CN 202210759920 A CN202210759920 A CN 202210759920A CN 115131319 A CN115131319 A CN 115131319A
- Authority
- CN
- China
- Prior art keywords
- features
- image
- filtering
- feature
- hippocampus
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 75
- 206010063629 Hippocampal sclerosis Diseases 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005065 mining Methods 0.000 title claims abstract description 23
- 210000001320 hippocampus Anatomy 0.000 claims abstract description 42
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 17
- 230000000875 corresponding effect Effects 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 15
- 230000000971 hippocampal effect Effects 0.000 claims description 15
- 230000001054 cortical effect Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 206010033675 panniculitis Diseases 0.000 claims description 9
- 210000004304 subcutaneous tissue Anatomy 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 8
- 210000003625 skull Anatomy 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 4
- 230000000717 retained effect Effects 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000002759 z-score normalization Methods 0.000 claims description 3
- 101000831205 Danio rerio Dynein axonemal assembly factor 11 Proteins 0.000 claims description 2
- 102100024282 Dynein axonemal assembly factor 11 Human genes 0.000 claims description 2
- 241001559542 Hippocampus hippocampus Species 0.000 claims description 2
- 101000831210 Homo sapiens Dynein axonemal assembly factor 11 Proteins 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 18
- 230000009466 transformation Effects 0.000 abstract description 8
- 230000003902 lesion Effects 0.000 abstract description 6
- 210000003710 cerebral cortex Anatomy 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 abstract description 3
- 241000283073 Equus caballus Species 0.000 abstract description 2
- 208000034189 Sclerosis Diseases 0.000 abstract description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000007477 logistic regression Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 210000001519 tissue Anatomy 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 231100000915 pathological change Toxicity 0.000 description 3
- 230000036285 pathological change Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 206010003694 Atrophy Diseases 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000000692 Student's t-test Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000037444 atrophy Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 201000007983 brain glioma Diseases 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical compound CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 description 1
- 238000011038 discontinuous diafiltration by volume reduction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 238000011369 optimal treatment Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 201000008914 temporal lobe epilepsy Diseases 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- 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
- 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
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/30008—Bone
-
- 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
本发明公开了一种结合滤波算法深度挖掘海马硬化放射组学特征的方法，引入小波变换和高斯拉普拉斯算子滤波算法得到滤波衍生图像，再基于这些滤波衍生图像提取海马和皮质区域的放射组学特征，尝试挖掘滤波下更深层的放射组学特征与海马硬化病变之间的关系，一方面可实现对所有检测图像的客观处理，另一方面在提取海马体积和信号特征的同时还能挖掘感兴趣区域中的诸多高阶纹理特征，并在真实患者数据中取得了较好的检测结果，提升马硬化的检测精度，其中基于小波变换的放射组学特征能够为海马硬化检测带来较大提升。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种结合滤波算法深度挖掘海马硬化放射组学特征的方法。
背景技术
海马硬化(HS,Hippocampal Sclerosis)是难治性颞叶癫痫的常见病理，多数患者可通过手术治疗，因此实现术前HS精确诊断，对制定手术方案而言至关重要。目前术前诊断HS的手段主要基于核磁共振成像(MRI,Magnetic Resonance Imaging)对海马萎缩与海马体信号增高等病变特征进行视觉检查或定量测量，其中来自人工的视觉检查具有一定的主观性，不同医生根据其诊断经验对相同患者可能存在不同诊断结果，难以对患者给予客观评估；而对于海马体积和海马信号的定量测量还是基于视觉先验知识，为辅助区分海马体积和海马信号在健康和病变组织上的微小差异提供帮助。但这种影像学特征在一些患者的临床MRI影像中难以被发现，特别是对于一些早期海马硬化患者而言，这种基于形态学的病变异常特征是微小的，容易造成漏检，导致手术延误错过最佳治疗时间。
针对上述问题，多数研究尝试围绕患者海马体积和海马信号进行指标量化和综合评估。例如2019年Vos等人基于HS的海马体积减少和T2信号增加特点，提出通过计算沿海马长轴生成的横截面积和T2模态图像剖面信号能量，分析了病变组织与健康组织间的指标差异，提高了对细微局灶性海马硬化病变的敏感性。2020年Dou等人曾提出了一种基于MRI的HS定量综合指数(HSI,HS Index)，这种指数结合了海马体积和海马FLAIR模态信号的信息，对HS严重程度进行评级。然而，在经病理证实的HS患者中，这类综合指数仍然难以实现对海马硬化的精准检测，部分病变依然出现漏检或误检。因此，用于表征海马硬化异常的MRI深层特征有待被挖掘，并作为辅助检测海马硬化的影像学依据提升检测精度。
放射组学(Radiomics)是一种提取医学影像上的半定量或定量特征的方法，可以量化影像上一些视觉不可见的细节，其能够量化大量影像上的能量分布、形态、纹理等特征，表征病变异常，可实现对所有检测图像的客观处理。基于这些特征，可以建立不同病种的诊断预测模型、疗效评估模型等一系列临床应用模型，辅助医生制定诊疗方案。多种研究表明，放射组学特征可作为肿瘤分类任务中的MRI成像生物标志物，应用于脑胶质瘤检测、肺癌检测等任务中。然而，目前有关海马硬化的放射组学研究主要基于原始图像提取一阶统计量特征、形状特征和纹理等特征，海马硬化病变的放射组学高阶特征尚未得到充分挖掘，故围绕放射组学分析还有待提出一个更完善和优化的解决方案应用于海马硬化检测任务。
发明内容
本发明的目的是提出一种结合滤波算法深度挖掘海马硬化放射组学特征的方法。
为了实现上述目的，本发明提供如下技术方案：
一种结合滤波算法深度挖掘海马硬化放射组学特征的方法，包括以下步骤：
S1、图像预处理：
S11、所有T1图像进行重采样；
S12、每个受试样本进行强度归一化操作；
S13、对所有影像中的颅骨结构进行去除，生成预处理后的T1图像用于步骤S2放射组学特征提取；
S14、对该生成的图像进行皮质重建和皮下组织分割，保留分割结果中对应左侧海马和右侧海马的区域作为步骤S2放射组学特征提取阶段的ROI；
S2、放射组学特征提取：
S21、对S13预处理后的T1图像分别进行小波滤波和LoG滤波，得到小波滤波衍生图像和LoG滤波衍生图像；
S22、在步骤S14的海马ROI上共提取72种放射组学特征，其中从灰度直方图中提取12种一阶统计量特征，从ROI结构中提取了8种形状特征，从灰度共生矩阵提取21种高阶纹理特征，从灰度游程矩阵提取13种高阶纹理特征，从灰度区域大小矩阵提取13种高阶纹理特征，从邻域灰度差矩阵提取5种纹理特征；
S23、基于T1图像、小波滤波衍生图像和LoG滤波衍生图像上的海马ROI区域分别进行以上72种放射组学特征提取，得到一阶统计量特征、形状特征和纹理特征；
S3、特征筛选：
S31、首先采用Z-Score归一化算法对每类特征进行归一化处理；
S32、采用双样本T检验计算每种放射组学特征在健康海马与患病海马间的差异；
S33、对每组放射组学特征分别进行特征间相关性分析，计算两两特征的皮尔逊相关系数，保留与其余特征相关性之和更低的特征。
进一步地，步骤S11每个体素被重采样为1mm×1mm×1mm大小。
进一步地，步骤S12中强度归一化操作具体为：先采用White Strip归一化算法进行归一化处理，然后采用Z-Score算法将图像灰度分布缩放在均值为0、方差为1的范围内。
进一步地，步骤S14采用Freesurfer工具的recon-all指令进行皮质重建和皮下组织分割。
进一步地，步骤S21小波滤波衍生图像的生成方法为：
对T1图像进行离散小波变换，使用小波核对目标函数进行卷积运算，获得小波在不同尺度和方向上的小波系数，一维离散小波变换公式表示为：
其中，系数x_li(n)和x_hi(n)分别表示离散信号x(n)在分解级别i处的低通和高通分量，lp(m)和hp(m)分别表示低通和高通滤波器系数，Ni表示分解级别i处的分量信号长度；
对于T1图像执行单级三维离散小波变换：假设T1图像表示为X(x，y，z)，首先沿图像x轴方向进行逐行小波分解，得到x轴上的低通衍生图像和高通衍生图像，然后基于低通衍生图像和高通衍生图像继续沿y轴方向进行分解，分别得到y轴上的低通衍生图像和高通衍生图像，最后再沿z轴方向进行分解，最后共得到8个分解的小波滤波衍生图像。
进一步地，步骤S21中LoG滤波衍生图像的生成方法为：
先将高斯平滑滤波器与拉普拉斯滤波器进行卷积，得到混合滤波器，然后再将混合滤波器与图像进行卷积，使用逼近二阶导数的离散卷积内核通过卷积方式计算拉普拉斯算子，拉普拉斯算子公式表示为：
其中，I表示输入T1图像I(x，y，z)，x，y，z表示图像中的坐标；
对三维图像进行LoG滤波，其中高斯核定义为：
其中，x、y、z分别为图片像素在三维T1图像中的位置，σ为高斯标准差。
进一步地，步骤S31中的归一化公式如下：
其中，Fij表示基于样本j提取特征i的量化指标，μi和σi分别表示所有已知训练集样本提取的特征i的平均值和标准差，每类原始特征均缩放至均值为0、方差为1的分布区间。
进一步地，步骤S32双样本T检验计算公式如下：
其中，
和
分别为从训练集的海马硬化样本中提取的特征的平均值与从健康海马中提取的特征的平均值，n1、n2分别表示两种样本数量，s1、s2分别表示两种样本特征的标准差，得到t值后根据自由度n1+n2-1查询t-p值对应表得到对应p值，保留p＜0.05的放射组学特征。
进一步地，S33两两特征间的皮尔逊相关系数的计算公式为：
其中，Tti和Ftj分别表示基于训练集提取的特征i和特征j的集合，μ和σ表示对应特征集合的平均值和标准差；
设置相关性阈值为0.8，当相关系数绝对值大于0.8时认为两个特征强相关，此时需要舍弃其中一种特征，保留另一种特征，特征保留的规则如下：
假设计算n种特征的皮尔逊相关系数后生成特征矩阵ρij(i，j＝1，2，…n)，当服从
|ρab|＞0.8 (8)
则保留特征值：
即取与其余特征相关性之和更低的特征进行保留。
本发明还提供了一种结合滤波算法深度挖掘海马硬化放射组学特征的装置，包括以下模块以实现上述的方法：
图像预处理模块：用于对所有T1图像进行重采样、每个受试样本进行强度归一化操作、对所有影像中的颅骨结构进行去除、对该生成的图像进行皮质重建和皮下组织分割以及保留分割结果中对应左侧海马和右侧海马的区域；
放射组学特征提取模块：用于对预处理后的T1图像分别进行小波滤波和LoG滤波、在海马ROI上共提取72种放射组学特征以及基于T1图像、小波滤波衍生图像和LoG滤波衍生图像上的海马ROI区域分别进行以上72种放射组学特征提取；
特征筛选模块：用于对每类特征进行归一化处理、计算每种放射组学特征在健康海马与患病海马间的差异以及对每组放射组学特征分别进行特征间相关性分析。
与现有技术相比，本发明的有益效果为：
传统海马硬化检测往往基于原始MRI影像量化大脑结构的一些视觉可见特征，容易造成漏检，本发明提出的结合滤波算法深度挖掘海马硬化放射组学特征的方法及装置，引入小波变换和高斯拉普拉斯算子滤波算法得到滤波衍生图像，再基于这些滤波衍生图像提取海马和皮质区域的放射组学特征，尝试挖掘滤波下更深层的放射组学特征与海马硬化病变之间的关系，一方面可实现对所有检测图像的客观处理，另一方面在提取海马体积和信号特征的同时还能挖掘感兴趣区域中的诸多高阶纹理特征，并在真实患者数据中取得了较好的检测结果，提升马硬化的检测精度，其中基于小波变换的放射组学特征能够为海马硬化检测带来较大提升。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的图像预处理和放射组学特征提取流程图，图中：(a)为图像预处理流程，(b)为特征提取流程。
图2(a)为本发明实施例提供的患者原始T1图像。
图2(b)为本发明实施例提供的健康对照原始T1图像。
图2(c)为本发明实施例提供的预处理后患者冠状位切片示意图。
图2(d)为本发明实施例提供的预处理后健康对照冠状位切片示意图。
图3(a)为本发明实施例提供的经过单级3D-DWT的8个分量冠状位切片示意图。
图3(b)为本发明实施例提供的滤波前T1图像冠状位切片示意。
图3(c)为本发明实施例提供的经过LoG滤波后的衍生图像的T1切片示意图。
图4为本发明实施例提供的基于放射组学特征的海马硬化分类器模型结构示意图。
具体实施方式
为了更好地理解本技术方案，下面结合附图对本发明的方法做详细的说明。
本发明实施例提供的结合滤波算法深度挖掘海马硬化放射组学特征的方法，包括以下步骤：
S1、图像预处理，其中采集图像为受试样本的T1核磁共振影像，考虑实际临床采集的T1图像通常来自不同采集设备，采集标准也不尽相同，图像质量存在差异，因此在提取放射组学特征前需要对T1图像进行统一预处理。预处理流程如图1所示，包含四个步骤：重采样、强度归一化、颅骨剥离和图像重建。
S11、由于不同T1图像的体素大小存在差异，为还原真实空间的物理体积，对所有T1图像进行重采样，每个体素被重采样为1mm×1mm×1mm大小。
S12、为保证所有图像相同性质的组织信号强度分布一致，每个受试样本进行强度归一化操作；具体在本方案中，强度归一化操作具体为：先采用White Strip归一化算法进行归一化处理，然后采用Z-Score算法将图像灰度分布缩放在均值为0、方差为1的范围内。
S13、为排除颅骨结构对感兴趣区域(Region Of Interests，简称ROI)自动分割造成影响，对所有影像中的颅骨结构进行去除，该步操作通过医学处理软件FSL实现，生成预处理后的T1图像用于步骤S2放射组学特征提取；
S14、对该生成的图像进行皮质重建和皮下组织分割。在此过程中我们借助了freesurfer软件。Freesurfer是一种用于MRI图像处理和分析的开源软件，具备多种模态的预处理，皮层重建，配准等功能。其具备较高的集成度，例如recon-all指令就具备了配准，皮质重建，脑区分割等多个预处理功能。具体做法如下，采用Freesurfer工具的recon-all指令进行皮质重建和皮下组织分割。保留分割结果中对应左侧海马和右侧海马的区域作为步骤S2放射组学特征提取阶段的ROI。患者组和健康对照组的T1图像预处理前后冠状位切片如图2(a)-图2(d)所示。
S2、放射组学特征提取，如图1所示：
S21、为了使提取放射组学特征在分析任务中的具有良好表征能力，本发明在特征提取前对S13预处理后的T1图像分别进行小波滤波和LoG滤波，得到小波滤波衍生图像和LoG滤波衍生图像；
具体地，步骤S21小波滤波衍生图像的生成方法为：
对T1图像进行离散小波变换(Discrete Wavelet Transform，DWT)，使用小波核对目标函数进行卷积运算，获得小波在不同尺度和方向上的小波系数。DWT可以看做一组滤波器组，由高通和低通滤波器组成，一维离散小波变换(1D-DWT)公式表示为：
其中，系数x_li(n)和x_hi(n)分别表示离散信号x(n)在分解级别i处的低通和高通分量，lp(m)和hp(m)分别表示低通和高通滤波器系数，Ni表示分解级别i处的分量信号长度。
对于单级1D-DWT而言，信号将被分解为低通和高通两组信号。1D-DWT可以扩展到2D-DWT(二维离散小波变换)和3D-DWT(三维离散小波变换)。
对于T1图像执行单级(3D-DWT)：假设T1图像表示为X(x，y，z)，首先沿图像x轴方向进行逐行小波分解，得到x轴上的低通衍生图像和高通衍生图像(L和H)，然后基于低通衍生图像和高通衍生图像继续沿y轴方向进行分解，分别得到y轴上的低通衍生图像和高通衍生图像(LL、LH和HL、HH)，最后再沿z轴方向进行分解，最后共得到8个分解的小波滤波衍生图像(LLL、LLH、LHL、LHH、HLL、HLH、HHL、HHH)。其中L和H分别表示高通和低通分量。
经过高通滤波器获得的分量可聚焦图像中的精细纹理，经过低通滤波器获得的分量可聚焦图像中的粗糙纹理。在8个分解的衍生图像中分别计算72种放射组学特征，故本发明中共提取576种小波变换放射组学特征。图3(a)展示了经过单级3D-DWT后的8个衍生图像的T1切片示意图。
进一步地，步骤S21中LoG滤波衍生图像的生成方法为：
拉普拉斯算子是图像二阶空间导数的二维各向同性度量，突出显示强度快速变化的区域，因此通常作为边缘检测器。拉普拉斯算子通常应用于使用近似高斯平滑滤波器进行平滑处理后的图像，以降低其对噪声的敏感性。
由于输入图像表示为一组离散像素，因此使用逼近二阶导数的离散卷积内核通过卷积方式计算拉普拉斯算子。离散卷积内核的使用会使拉普拉斯算子对噪声很敏感，为解决该问题，本发明先将高斯平滑滤波器与拉普拉斯滤波器进行卷积，得到混合滤波器，然后再将混合滤波器与图像进行卷积，实现对图像的高斯平滑，降低噪声影响。这种将平滑的高斯核的二阶导数进行卷积的滤波方式即为高斯拉普拉斯(Laplacian of Gaussian，LoG)滤波算法。
拉普拉斯算子公式表示为：
其中，I表示输入T1图像I(x，y，z)，x，y，z表示图像中的坐标；
本发明对三维图像进行LoG滤波，其中高斯核定义为：
其中，x、y、z分别为图片像素在三维T1图像中的位置，σ为高斯标准差。低σ值可用于强调更精细的边缘纹理，反之强调更粗糙的边缘纹理。图3(b)为滤波前T1切片图像，图3(c)为经过LoG滤波后的衍生图像的T1切片示意图(其中高斯标准差设定为1.0)。
S22、在步骤S14的海马ROI上共提取72种放射组学特征，如表1所示，其中从灰度直方图中提取12种一阶统计量特征(First Order Statics)，从ROI中提取了8种形状特征，从灰度共生矩阵(Gray-level Co-occurrence Matrix，GLCM)提取21种高阶纹理特征，从灰度游程矩阵(Gray-Level Run-Length Matrix,GLRLM)提取13种高阶纹理特征，从灰度区域大小矩阵(Gray-Level Size Zone Matrix,GLSZM)提取13种高阶纹理特征，从邻域灰度差矩阵(Neighbourhood Gray-Tone Difference Matrix,NGTDM)提取5种纹理特征；
表1放射组学特征
S23、基于T1图像、小波滤波衍生图像和LoG滤波衍生图像上的海马ROI区域分别进行以上72种放射组学特征提取，得到一阶统计量特征、形状特征和纹理特征。
S3、特征筛选：
基于放射组学分析方法提取的高通量特征中往往存在大量与研究病变不相关的特征，从相同纹理矩阵中提取的放射组学特征也可能出现强相关分布，造成特征冗余。因此在构建检测模型前有必要对提取的放射组学特征进行特征筛选。在本方案中的特征筛选分为三个步骤：特征归一化、双样本T检验和皮尔逊相关系数分析。
S31、首先采用Z-Score归一化算法对每类特征进行归一化处理，归一化公式如下：
其中，Fij表示基于样本j提取特征i的量化指标，μi和σi分别表示所有已知训练集样本提取的特征i的平均值和标准差，该方法将每类原始特征均缩放至均值为0、方差为1的分布区间。
S32、采用双样本T检验计算每种放射组学特征在健康海马与患病海马间的差异。双样本T检验(Two-Sample Student T Test)在医学领域常用于检验患病样本组和健康样本组的某一指标是否服从相同分布。其计算公式如下：
其中，
和
分别为从训练集的海马硬化样本中提取的特征的平均值与从健康海马中提取的特征的平均值，n1、n2分别表示两种样本数量，s1、s2分别表示两种样本特征的标准差，得到t值后根据自由度n1+n2-1查询t-p值对应表得到对应p值，保留p＜0.05的放射组学特征。
S33、对每组放射组学特征分别进行特征间相关性分析，计算两两特征的皮尔逊相关系数(Pearson Correlation Coefficient)，保留与其余特征相关性之和更低的特征。皮尔逊系数基于协方差方法能够测量任何两个变量之间是否存在相关性，并确定它们相关的确切程度；在这种方法下，还可以确定相关性的方向，即两个变量之间的相关性是正相关还是负相关。
本发明基于上述筛选后的特征进一步计算两两特征间的皮尔逊相关系数，计算公式为：
其中，Tti和Ftj分别表示基于训练集提取的特征i和特征j的集合，μ和σ表示对应特征集合的平均值和标准差；本发明设置相关性阈值为0.8，当相关系数绝对值大于0.8时认为两个特征强相关，此时需要舍弃其中一种特征，保留另一种特征，特征保留的规则如下：
假设计算n种特征的皮尔逊相关系数后生成特征矩阵ρij(i，j＝1，2，…n)，当服从：
|ρab|＞0.8 (8)
则保留特征值：
即取与其余特征相关性之和更低的特征进行保留。
本发明还提供了一种结合滤波算法深度挖掘海马硬化放射组学特征的装置，包括以下模块以实现上述的方法：
图像预处理模块：用于对所有T1图像进行重采样、每个受试样本进行强度归一化操作、对所有影像中的颅骨结构进行去除、对该生成的图像进行皮质重建和皮下组织分割以及保留分割结果中对应左侧海马和右侧海马的区域；
放射组学特征提取模块：用于对预处理后的T1图像分别进行小波滤波和LoG滤波、在海马ROI上共提取72种放射组学特征以及基于T1图像、小波滤波衍生图像和LoG滤波衍生图像上的海马ROI区域分别进行以上72种放射组学特征提取；
特征筛选模块：用于对每类特征进行归一化处理、计算每种放射组学特征在健康海马与患病海马间的差异以及对每组放射组学特征分别进行特征间相关性分析。
基于上述的结合滤波算法深度挖掘海马硬化放射组学特征的方法，本发明还建立了海马硬化分类器模型，模型结构如图4所示，流程如下：
基于步骤S3筛选的特征，采用逻辑回归(Logistic Regression，LR)、支持向量机(Support Vector Machines，SVM)、四层人工神经网络(Artificial Neural Network，ANN)和循环神经网络(Recurrent Neural Network，RNN)模型作为分类器模型，其中逻辑回归模型采用弹性网络回归(Elastic Net，E-Net)算法；四层人工神经网络模型使用简单的四层网络模型，其中输入层负责将特征向量输入网络，神经元个数与特征向量维度相等，2个全连接隐含层包含64个神经元，并采用Dropout策略降低使用的参数数量，输出层包含两个神经元，用于对特征向量进行二分类，Dropout策略是一种应用在网络训练过程中，通过临时隐藏(丢弃)神经元的方式，减少模型过拟合的方法；RNN在对序列数据的趋势预测任务中表现优异，但也可以应用于固定输入长度的非序列数据，作为解码器，用于将提取的放射组学特征解码为人类可识别的信息，RNN模型包含循环层和输出层两层结构，其中作为输入的循环层中循环单元的个数由放射组学特征维度决定，输出和ANN相同，通过两个神经元对特征向量进行二分类，和ANN相比，RNN循环单元中的权值共享，每个循环单元都通过同一组权重循环节点的状态和输出进行计算，这样大大减少了参数量，提升了模型的运算速度。
为提升模型的准确度，基于上述四种模型构建多模型融合的神经网络模型，在使用四层人工神经网络模型和循环神经网络模型预测放射组学特征的基础上，与逻辑回归模型和支持向量机模型算法的预测结果进行融合，综合不同算法提供的预测信息以优化检测性能。
本发明提出的结合滤波算法深度挖掘海马硬化放射组学特征的方法及装置，引入小波变换和高斯拉普拉斯算子滤波算法得到滤波衍生图像，再基于这些滤波衍生图像提取海马和皮质区域的放射组学特征，尝试挖掘滤波下更深层的放射组学特征与海马硬化病变之间的关系，一方面可实现对所有检测图像的客观处理，另一方面在提取海马体积和信号特征的同时还能挖掘感兴趣区域中的诸多高阶纹理特征，并在真实患者数据中取得了较好的检测结果，其中基于小波变换的放射组学特征能够为海马硬化检测带来较大提升。在私有数据集中，海马体硬化与健康被试的比例为49:40，采用基于小波变换后的衍生图像提取的放射组学特征能够达到97.2％的准确率和99.6％的精确度。相比于基于LoG滤波的放射组学特征得到的73.1％的准确率和78.9％的精确度，小波变换能够得到更好的分类结果。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，但这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种结合滤波算法深度挖掘海马硬化放射组学特征的方法，其特征在于，包括以下步骤：
S1、图像预处理：
S11、所有T1图像进行重采样；
S12、每个受试样本进行强度归一化操作；
S13、对所有影像中的颅骨结构进行去除，生成预处理后的T1图像用于步骤S2放射组学特征提取；
S14、对该生成的图像进行皮质重建和皮下组织分割，保留分割结果中对应左侧海马和右侧海马的区域作为步骤S2放射组学特征提取阶段的ROI；
S2、放射组学特征提取：
S21、对S13预处理后的T1图像分别进行小波滤波和LoG滤波，得到小波滤波衍生图像和LoG滤波衍生图像；
S22、在步骤S14的海马ROI上共提取72种放射组学特征，其中从灰度直方图中提取12种一阶统计量特征，从ROI结构中提取了8种形状特征，从灰度共生矩阵提取21种高阶纹理特征，从灰度游程矩阵提取13种高阶纹理特征，从灰度区域大小矩阵提取13种高阶纹理特征，从邻域灰度差矩阵提取5种纹理特征；
S23、基于T1图像、小波滤波衍生图像和LoG滤波衍生图像上的海马ROI区域分别进行以上72种放射组学特征提取，得到一阶统计量特征、形状特征和纹理特征；
S3、特征筛选：
S31、首先采用Z-Score归一化算法对每类特征进行归一化处理；
S32、采用双样本T检验计算每种放射组学特征在健康海马与患病海马间的差异；
S33、对每组放射组学特征分别进行特征间相关性分析，计算两两特征的皮尔逊相关系数，保留与其余特征相关性之和更低的特征。
2.根据权利要求1所述的结合滤波算法深度挖掘海马硬化放射组学特征的方法，其特征在于，步骤S11每个体素被重采样为1mm×1mm×1mm大小。
3.根据权利要求1所述的结合滤波算法深度挖掘海马硬化放射组学特征的方法，其特征在于，步骤S12中强度归一化操作具体为：先采用White Strip归一化算法进行归一化处理，然后采用Z-Score算法将图像灰度分布缩放在均值为0、方差为1的范围内。
4.根据权利要求1所述的结合滤波算法深度挖掘海马硬化放射组学特征的方法，其特征在于，步骤S14采用Freesurfer工具的recon-all指令进行皮质重建和皮下组织分割。
5.根据权利要求1所述的结合滤波算法深度挖掘海马硬化放射组学特征的方法，其特征在于，步骤S21小波滤波衍生图像的生成方法为：
对T1图像进行离散小波变换，使用小波核对目标函数进行卷积运算，获得小波在不同尺度和方向上的小波系数，一维离散小波变换公式表示为：
其中，系数x_li(n)和x_hi(n)分别表示离散信号x(n)在分解级别i处的低通和高通分量，lp(m)和hp(m)分别表示低通和高通滤波器系数，Ni表示分解级别i处的分量信号长度；
对于T1图像执行单级三维离散小波变换：假设T1图像表示为X(x，y，z)，首先沿图像x轴方向进行逐行小波分解，得到x轴上的低通衍生图像和高通衍生图像，然后基于低通衍生图像和高通衍生图像继续沿y轴方向进行分解，分别得到y轴上的低通衍生图像和高通衍生图像，最后再沿z轴方向进行分解，最后共得到8个分解的小波滤波衍生图像。
6.根据权利要求1所述的结合滤波算法深度挖掘海马硬化放射组学特征的方法，其特征在于，步骤S21中LoG滤波衍生图像的生成方法为：
先将高斯平滑滤波器与拉普拉斯滤波器进行卷积，得到混合滤波器，然后再将混合滤波器与图像进行卷积，使用逼近二阶导数的离散卷积内核通过卷积方式计算拉普拉斯算子，拉普拉斯算子公式表示为：
其中，I表示输入T1图像I(x，y，z)，x，y，z表示图像中的坐标；
对三维图像进行LoG滤波，其中高斯核定义为：
其中，x、y、z分别为图片像素在三维T1图像中的位置，σ为高斯标准差。
7.根据权利要求1所述的结合滤波算法深度挖掘海马硬化放射组学特征的方法，其特征在于，步骤S31中的归一化公式如下：
其中，Fij表示基于样本j提取特征i的量化指标，μi和σi分别表示所有已知训练集样本提取的特征i的平均值和标准差，每类原始特征均缩放至均值为0、方差为1的分布区间。
8.根据权利要求1所述的结合滤波算法深度挖掘海马硬化放射组学特征的方法，其特征在于，步骤S32双样本T检验计算公式如下：
其中，
和
分别为从训练集的海马硬化样本中提取的特征的平均值与从健康海马中提取的特征的平均值，n1、n2分别表示两种样本数量，s1、s2分别表示两种样本特征的标准差，得到t值后根据自由度n1+n2-1查询t-p值对应表得到对应p值，保留p<0.05的放射组学特征。
9.根据权利要求1所述的结合滤波算法深度挖掘海马硬化放射组学特征的方法，其特征在于，S33两两特征间的皮尔逊相关系数的计算公式为：
其中，Tti和Ftj分别表示基于训练集提取的特征i和特征j的集合，μ和σ表示对应特征集合的平均值和标准差；
设置相关性阈值为0.8，当相关系数绝对值大于0.8时认为两个特征强相关，此时需要舍弃其中一种特征，保留另一种特征，特征保留的规则如下：
假设计算n种特征的皮尔逊相关系数后生成特征矩阵ρij(i，j＝1，2，…n)，当服从
|ρab|＞0.8 (8)
则保留特征值：
即取与其余特征相关性之和更低的特征进行保留。
10.一种结合滤波算法深度挖掘海马硬化放射组学特征的装置，其特征在于，包括以下模块以实现权利要求1-9任一项所述的方法：
图像预处理模块：用于对所有T1图像进行重采样、每个受试样本进行强度归一化操作、对所有影像中的颅骨结构进行去除、对该生成的图像进行皮质重建和皮下组织分割以及保留分割结果中对应左侧海马和右侧海马的区域；
放射组学特征提取模块：用于对预处理后的T1图像分别进行小波滤波和LoG滤波、在海马ROI上共提取72种放射组学特征以及基于T1图像、小波滤波衍生图像和LoG滤波衍生图像上的海马ROI区域分别进行以上72种放射组学特征提取；
特征筛选模块：用于对每类特征进行归一化处理、计算每种放射组学特征在健康海马与患病海马间的差异以及对每组放射组学特征分别进行特征间相关性分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210759920.6A CN115131319A (zh) | 2022-06-29 | 2022-06-29 | 一种结合滤波算法深度挖掘海马硬化放射组学特征的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210759920.6A CN115131319A (zh) | 2022-06-29 | 2022-06-29 | 一种结合滤波算法深度挖掘海马硬化放射组学特征的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115131319A true CN115131319A (zh) | 2022-09-30 |
Family
ID=83381088
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210759920.6A Pending CN115131319A (zh) | 2022-06-29 | 2022-06-29 | 一种结合滤波算法深度挖掘海马硬化放射组学特征的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115131319A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116110526A (zh) * | 2023-04-13 | 2023-05-12 | 深圳市正泰隆科技有限公司 | 一种钛合金应力腐蚀临界应力强度因子预测方法 |
-
2022
- 2022-06-29 CN CN202210759920.6A patent/CN115131319A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116110526A (zh) * | 2023-04-13 | 2023-05-12 | 深圳市正泰隆科技有限公司 | 一种钛合金应力腐蚀临界应力强度因子预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dubey et al. | Evaluation of three methods for MRI brain tumor segmentation | |
| Balakumaran et al. | Detection of microcalcification in mammograms using wavelet transform and fuzzy shell clustering | |
| DE102004057026A1 (de) | Erfassung zeitlicher Bildveränderungen und Darstellungsverfahren und -vorrichtung | |
| Hamid et al. | Investigation and classification of MRI brain tumors using feature extraction technique | |
| Sheba et al. | Objective quality assessment of image enhancement methods in digital mammography–a comparative study | |
| Mina et al. | Breast abnormality detection in mammograms using Artificial Neural Network | |
| CN115131319A (zh) | 一种结合滤波算法深度挖掘海马硬化放射组学特征的方法 | |
| Janardhanaprabhu et al. | Brain tumor detection using depth-first search tree segmentation | |
| Jiménez del Toro et al. | Epileptogenic lesion quantification in MRI using contralateral 3D texture comparisons | |
| Anand et al. | Architectural distortion detection in mammogram using contourlet transform and texture features | |
| Shekhar et al. | Image analysis for brain tumor detection from MRI images using wavelet transform | |
| Yang et al. | Wavelet based approach for fusing computed tomography and magnetic resonance images | |
| Mahalakshmi et al. | Brain tumour segmentation strategies utilizing mean shift clustering and content based active contour segmentation | |
| Boberek et al. | Segmentation of MRI brain images for automatic detection and precise localization of tumor | |
| Wu et al. | Hybrid enhancement algorithm for nailfold images with large fields of view | |
| Salehi et al. | Investigation and simulation of different medical image processing algorithms to improve image quality using simulink matlab | |
| Cherradi et al. | Fully automatic method for 3D T1-weighted brain magnetic resonance images segmentation | |
| Zanona | Image Processing & Neural Network Based Breast Cancer Detection. | |
| Myint et al. | An efficient tumor segmentation of MRI brain images using thresholding and morphology operation | |
| Sudheesh et al. | Texture feature abstraction based on assessment of HOG and GLDM features for diagnosing brain abnormalities in MRI images | |
| Washimkar et al. | Application of fcm clustering on am-fm to detect mri disease progression for multiple sclerosis | |
| Verma et al. | Brain tumor detection through MRI using image thresholding, k-means, and watershed segmentation | |
| Mahalakshmi et al. | Performance Analysis of SVM and Deep Learning with CNN for Brain Tumor Detection and Classification | |
| Samhitha et al. | Analysis of Brain Tumor Segmentation using Convolutional Neural Network with Magnetic Resonance Imaging | |
| Prakash | Medical image processing methodology for liver tumour 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 |