CN116228786B - 前列腺mri图像增强分割方法、装置、电子设备与存储介质 - Google Patents
前列腺mri图像增强分割方法、装置、电子设备与存储介质 Download PDFInfo
- Publication number
- CN116228786B CN116228786B CN202310518150.0A CN202310518150A CN116228786B CN 116228786 B CN116228786 B CN 116228786B CN 202310518150 A CN202310518150 A CN 202310518150A CN 116228786 B CN116228786 B CN 116228786B
- Authority
- CN
- China
- Prior art keywords
- resolution
- mri image
- image
- low
- resolution mri
- 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
- 210000002307 prostate Anatomy 0.000 title claims abstract description 63
- 230000011218 segmentation Effects 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000010606 normalization Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 36
- 238000004891 communication Methods 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 208000017497 prostate disease Diseases 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/20081—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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30081—Prostate
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了前列腺MRI图像增强分割方法、装置、电子设备与存储介质，涉及图像处理技术领域。获取目标区域多个切片的低分辨率MRI图像，使用预先训练的学习字典将各低分辨率MRI图像进行图像增强，得到高分辨率MRI图像；目标区域包含前列腺；对各高分辨率MRI图像进行体素值归一化，然后通过概率图谱配准进行第一次分割确定包含前列腺的潜在区域；将潜在区域的边界区域中的各体素输入预设CNN分类器进行第二次分割，确定潜在区域的精确边界。通过学习字典增强低分辨率MRI图像得到高分辨率MRI图像，对高分辨率MRI图像中的前列腺进行两次分割，提升了前列腺分割的精度。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及前列腺MRI图像增强分割方法、装置、电子设备与存储介质。
背景技术
磁共振（MR）图像中前列腺的自动分割已越来越多地应用于前列腺疾病的诊断和各种临床应用。然而，由于前列腺边界周围的不均匀和多变的解剖学外观，前列腺MR图像的分割面临着巨大的挑战。而且患者在扫描期间应保持安静和不动，但因为呼吸和心率等不可避免的运动会导致图像中出现运动伪影，从而导致对比度不稳定和产生低分辨率MRI图像。
由于采集的MRI图像分辨率低且前列腺边界周围的不均匀和多变，导致在MRI图像中分割前列腺精度较低。
发明内容
本发明的目的就在于解决上述背景技术的问题，而提出前列腺MRI图像增强分割方法、装置、电子设备与存储介质。
本发明的目的可以通过以下技术方案实现：
本发明实施例第一方面，提供了一种前列腺MRI图像增强分割方法，所述方法包括：
获取目标区域多个切片的低分辨率MRI图像，使用预先训练的学习字典将各低分辨率MRI图像进行图像增强，得到高分辨率MRI图像；所述目标区域包含前列腺；
对各高分辨率MRI图像进行体素值归一化，然后通过概率图谱配准进行第一次分割确定包含前列腺的潜在区域；
将所述潜在区域的边界区域中的各体素输入预设CNN分类器进行第二次分割，确定潜在区域的精确边界。
可选地，所述学习字典的训练过程包括：
获取历史高分辨率MRI图像集，降低所述高分辨率MRI图像集中各高分辨率MRI图像，得到低分辨率MRI图像集；
根据所述高分辨率MRI图像集和所述低分辨率MRI图像集生成特征向量集；所述特征向量集中每一特征向量包含一个高分辨率MRI图像的高分辨率特征与对应低分辨率MRI图像的低分辨率特征；
使用所述高分辨率MRI图像集、所述低分辨率MRI图像集和所述特征向量集训练SOM神经网络，得到所述学习字典。
可选地，降低所述高分辨率MRI图像集中各高分辨率MRI图像，得到低分辨率MRI图像集包括：
使用均值核对各高分辨率MRI图像添加预设数量的噪声，然后使用下采样方法将图像转换为低分辨率图像；
使用插值方法将各低分辨率图像放大到与对应高分辨率MRI图像尺寸相同，得到低分辨率MRI图像集。
可选地，根据所述高分辨率MRI图像集和所述低分辨率MRI图像集生成特征向量集包括：
将各高分辨率MRI图像减去对应低分辨率MRI图像，得到第一图像；
以第一卷积核提取所述第一图像的特征，得到高分辨率特征；
将各低分辨率MRI图像通过高通滤波器提取，得到第二图像；
以第二卷积核提取所述第二图像的特征，得到低分辨率特征；
将各高分辨率特征与对应低分辨率特征转化为一维向量进行组合，得到特征向量集。
可选地，所述学习字典的每一神经元记录了特征向量、第一图像与第二图像之间的关系；使用预先训练的学习字典将各低分辨率MRI图像进行图像增强，得到高分辨率MRI图像包括：
将各切片的低分辨率MRI图像对进行上采样并将其通过高通滤波器以得到中间MRI图像；
以第二卷积核提取各中间MRI图像的特征，得到目标低分辨率特征；
在所述学习字典中确定与所述目标低分辨率特征相似度最高的特征向量，并确定对应的最佳匹配神经元；
提取最佳匹配神经元对应的第一图像，将第一图像与中间MRI图像合并得到高分辨率MRI图像。
可选地，所述概率图谱记录了体素属于前列腺的先验概率；对各高分辨率MRI图像进行体素值归一化，然后通过概率图谱配准进行第一次分割确定包含前列腺的潜在区域包括：
对各高分辨率MRI图像进行体素值归一化，通过对所述概率图谱设置预设低阈值和预设高阈值，将每一高分辨率MRI图像划分为正体素、边界体素和负体素；
进行第一次分割将正体素和边界体素确定为包含前列腺的潜在区域。
可选地，所述预设CNN分类器集成多个VGG-16模型，或者集成多个VGG-19模型。
本发明实施例第二方面，还提供了一种前列腺MRI图像增强分割装置，所述装置包括：
图像增强模块，用于获取目标区域多个切片的低分辨率MRI图像，使用预先训练的学习字典将各低分辨率MRI图像进行图像增强，得到高分辨率MRI图像；所述目标区域包含前列腺；
第一分割模块，用于对各高分辨率MRI图像进行体素值归一化，然后通过概率图谱配准进行第一次分割确定包含前列腺的潜在区域；
第二分割模块，用于将所述潜在区域的边界区域中的各体素输入预设CNN分类器进行第二次分割，确定潜在区域的精确边界。
本发明实施例第三方面，还提供了一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一所述的方法步骤。
本发明实施例第四方面，还提供了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内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一所述的方法步骤。
本发明的有益效果：
本发明实施例提供了一种前列腺MRI图像增强分割方法，方法包括：获取目标区域多个切片的低分辨率MRI图像，使用预先训练的学习字典将各低分辨率MRI图像进行图像增强，得到高分辨率MRI图像；目标区域包含前列腺；对各高分辨率MRI图像进行体素值归一化，然后通过概率图谱配准进行第一次分割确定包含前列腺的潜在区域；将潜在区域的边界区域中的各体素输入预设CNN分类器进行第二次分割，确定潜在区域的精确边界。通过学习字典增强低分辨率MRI图像得到高分辨率MRI图像，对高分辨率MRI图像中的前列腺进行两次分割，提升了前列腺分割的精度。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明实施例提供了一种前列腺MRI图像增强分割方法的流程图；
图2为本发明实施例提供了一种前列腺MRI图像增强分割装置的结构图；
图3为本发明实施例提供的一种电子设备的结构示意图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明实施例提供了一种前列腺MRI图像增强分割方法。参见图1，图1为本发明实施例提供了一种前列腺MRI图像增强分割方法的流程图。方法包括：
S1、获取目标区域多个切片的低分辨率MRI图像，使用预先训练的学习字典将各低分辨率MRI图像进行图像增强，得到高分辨率MRI图像；目标区域包含前列腺；
S2、对各高分辨率MRI图像进行体素值归一化，然后通过概率图谱配准进行第一次分割确定包含前列腺的潜在区域；
S3、将潜在区域的边界区域中的各体素输入预设CNN分类器进行第二次分割，确定潜在区域的精确边界。
基于本发明实施例提供了一种前列腺MRI图像增强分割方法，通过学习字典增强低分辨率MRI图像得到高分辨率MRI图像，对高分辨率MRI图像中的前列腺进行两次分割，提升了前列腺分割的精度。
在一个实施例中，学习字典的训练过程包括：
步骤一，获取历史高分辨率MRI图像集，降低高分辨率MRI图像集中各高分辨率MRI图像，得到低分辨率MRI图像集；
步骤二，根据高分辨率MRI图像集和低分辨率MRI图像集生成特征向量集；特征向量集中每一特征向量包含一个高分辨率MRI图像的高分辨率特征与对应低分辨率MRI图像的低分辨率特征；
步骤三，使用高分辨率MRI图像集、低分辨率MRI图像集和特征向量集训练SOM神经网络，得到学习字典。
在一个实施例中，降低高分辨率MRI图像集中各高分辨率MRI图像，得到低分辨率MRI图像集包括：
步骤一，使用均值核对各高分辨率MRI图像添加预设数量的噪声，然后使用下采样方法将图像转换为低分辨率图像；
步骤二，使用插值方法将各低分辨率图像放大到与对应高分辨率MRI图像尺寸相同，得到低分辨率MRI图像集。
在一个实施例中，根据高分辨率MRI图像集和低分辨率MRI图像集生成特征向量集包括：
步骤一，将各高分辨率MRI图像减去对应低分辨率MRI图像，得到第一图像；
步骤二，以第一卷积核提取第一图像的特征，得到高分辨率特征；
步骤三，将各低分辨率MRI图像通过高通滤波器提取，得到第二图像；
步骤四，以第二卷积核提取第二图像的特征，得到低分辨率特征；
步骤五，将各高分辨率特征与对应低分辨率特征转化为一维向量进行组合，得到特征向量集。
在一个实施例中，学习字典的每一神经元记录了特征向量、第一图像与第二图像之间的关系；使用预先训练的学习字典将各低分辨率MRI图像进行图像增强，得到高分辨率MRI图像包括：
步骤一，将各切片的低分辨率MRI图像对进行上采样并将其通过高通滤波器以得到中间MRI图像；
步骤二，以第二卷积核提取各中间MRI图像的特征，得到目标低分辨率特征；
步骤三，在学习字典中确定与目标低分辨率特征相似度最高的特征向量，并确定对应的最佳匹配神经元；
步骤四，提取最佳匹配神经元对应的第一图像，将第一图像与中间MRI图像合并得到高分辨率MRI图像。
在一个实施例中，概率图谱记录了体素属于前列腺的先验概率；对各高分辨率MRI图像进行体素值归一化，然后通过概率图谱配准进行第一次分割确定包含前列腺的潜在区域包括：
步骤一，对各高分辨率MRI图像进行体素值归一化，通过对概率图谱设置预设低阈值和预设高阈值，将每一高分辨率MRI图像划分为正体素、边界体素和负体素；
步骤二，进行第一次分割将正体素和边界体素确定为包含前列腺的潜在区域。
在一个实施例中，预设CNN分类器集成多个VGG-16模型，或者集成多个VGG-19模型。
基于相同的发明构思，本发明实施例提供了一种前列腺MRI图像增强分割装置。参见图2，图2为本发明实施例提供了一种前列腺MRI图像增强分割装置的结构图。装置包括：
图像增强模块，用于获取目标区域多个切片的低分辨率MRI图像，使用预先训练的学习字典将各低分辨率MRI图像进行图像增强，得到高分辨率MRI图像；目标区域包含前列腺；
第一分割模块，用于对各高分辨率MRI图像进行体素值归一化，然后通过概率图谱配准进行第一次分割确定包含前列腺的潜在区域；
第二分割模块，用于将潜在区域的边界区域中的各体素输入预设CNN分类器进行第二次分割，确定潜在区域的精确边界。
基于本发明实施例提供了一种前列腺MRI图像增强分割装置，通过学习字典增强低分辨率MRI图像得到高分辨率MRI图像，对高分辨率MRI图像中的前列腺进行两次分割，提升了前列腺分割的精度。
本发明实施例还提供了一种电子设备，如图3所示，包括处理器301、通信接口302、存储器303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信，
存储器303，用于存放计算机程序；
处理器301，用于执行存储器303上所存放的程序时，实现如下步骤：
获取目标区域多个切片的低分辨率MRI图像，使用预先训练的学习字典将各低分辨率MRI图像进行图像增强，得到高分辨率MRI图像；所述目标区域包含前列腺；
对各高分辨率MRI图像进行体素值归一化，然后通过概率图谱配准进行第一次分割确定包含前列腺的潜在区域；
将所述潜在区域的边界区域中的各体素输入预设CNN分类器进行第二次分割，确定潜在区域的精确边界。
上述电子设备提到的通信总线可以是外设部件互连标准（Peripheral ComponentInterconnect，PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，EISA）总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器（Random Access Memory，RAM），也可以包括非易失性存储器（Non-Volatile Memory，NVM），例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（Network Processor，NP）等；还可以是数字信号处理器（Digital SignalProcessor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一前列腺MRI图像增强分割方法的步骤。
在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一前列腺MRI图像增强分割方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如同轴电缆、光纤、数字用户线（DSL））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质（例如固态硬盘Solid State Disk (SSD)）等。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意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、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统、电子设备及存储介质而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。
Claims (6)
1.一种前列腺MRI图像增强分割方法，其特征在于，所述方法包括：
获取目标区域多个切片的低分辨率MRI图像，使用预先训练的学习字典将各低分辨率MRI图像进行图像增强，得到高分辨率MRI图像；所述目标区域包含前列腺；所述学习字典的每一神经元记录了特征向量、第一图像与第二图像之间的关系；
使用预先训练的学习字典将各低分辨率MRI图像进行图像增强，得到高分辨率MRI图像包括：
将各切片的的低分辨率MRI图像对进行上采样并将其通过高通滤波器以得到中间MRI图像；
以第二卷积核提取各中间MRI图像的特征，得到目标低分辨率特征；
在所述学习字典中确定与所述目标低分辨率特征相似度最高的特征向量，并确定对应的最佳匹配神经元；
提取最佳匹配神经元对应的第一图像，将第一图像与中间MRI图像合并得到高分辨率MRI图像；
对各高分辨率MRI图像进行体素值归一化，然后通过概率图谱配准进行第一次分割确定包含前列腺的潜在区域；所述概率图谱记录了体素属于前列腺的先验概率；
对各高分辨率MRI图像进行体素值归一化，然后通过概率图谱配准进行第一次分割确定包含前列腺的潜在区域包括：
对各高分辨率MRI图像进行体素值归一化，通过对所述概率图谱设置预设低阈值和预设高阈值，将每一高分辨率MRI图像划分为正体素、边界体素和负体素；
进行第一次分割将正体素和边界体素确定为包含前列腺的潜在区域；
将所述潜在区域的边界区域中的各体素输入预设CNN分类器进行第二次分割，确定潜在区域的精确边界；
所述学习字典的训练过程包括：
获取历史高分辨率MRI图像集，降低所述高分辨率MRI图像集中各高分辨率MRI图像，得到低分辨率MRI图像集；
根据所述高分辨率MRI图像集和所述低分辨率MRI图像集生成特征向量集；所述特征向量集中每一特征向量包含一个高分辨率MRI图像的高分辨率特征与对应低分辨率MRI图像的低分辨率特征；
使用所述高分辨率MRI图像集、所述低分辨率MRI图像集和所述特征向量集训练SOM神经网络，得到所述学习字典；
根据所述高分辨率MRI图像集和所述低分辨率MRI图像集生成特征向量集包括：
将各高分辨率MRI图像减去对应低分辨率MRI图像，得到第一图像；
以第一卷积核提取所述第一图像的特征，得到高分辨率特征；
将各低分辨率MRI图像通过高通滤波器提取，得到第二图像；
以第二卷积核提取所述第二图像的特征，得到低分辨率特征；
将各高分辨率特征与对应低分辨率特征转化为一维向量进行组合，得到特征向量集。
2.根据权利要求1所述一种前列腺MRI图像增强分割方法，其特征在于，降低所述高分辨率MRI图像集中各高分辨率MRI图像，得到低分辨率MRI图像集包括：
使用均值核对各高分辨率MRI图像添加预设数量的噪声，然后使用下采样方法将图像转换为低分辨率图像；
使用插值方法将各低分辨率图像放大到与对应高分辨率MRI图像尺寸相同，得到低分辨率MRI图像集。
3.根据权利要求1所述一种前列腺MRI图像增强分割方法，其特征在于，所述预设CNN分类器集成多个VGG-16模型，或者集成多个VGG-19模型。
4.一种前列腺MRI图像增强分割装置，其特征在于，所述装置包括：
图像增强模块，用于获取目标区域多个切片的低分辨率MRI图像，使用预先训练的学习字典将各低分辨率MRI图像进行图像增强，得到高分辨率MRI图像；所述目标区域包含前列腺；所述学习字典的每一神经元记录了特征向量、第一图像与第二图像之间的关系；
上述图像增强模块，具体用于：将各切片的的低分辨率MRI图像对进行上采样并将其通过高通滤波器以得到中间MRI图像；以第二卷积核提取各中间MRI图像的特征，得到目标低分辨率特征；在所述学习字典中确定与所述目标低分辨率特征相似度最高的特征向量，并确定对应的最佳匹配神经元；提取最佳匹配神经元对应的第一图像，将第一图像与中间MRI图像合并得到高分辨率MRI图像；
第一分割模块，用于对各高分辨率MRI图像进行体素值归一化，然后通过概率图谱配准进行第一次分割确定包含前列腺的潜在区域；所述概率图谱记录了体素属于前列腺的先验概率；
上述第一分割模块，具体用于对各高分辨率MRI图像进行体素值归一化，通过对所述概率图谱设置预设低阈值和预设高阈值，将每一高分辨率MRI图像划分为正体素、边界体素和负体素；进行第一次分割将正体素和边界体素确定为包含前列腺的潜在区域；
第二分割模块，用于将所述潜在区域的边界区域中的各体素输入预设CNN分类器进行第二次分割，确定潜在区域的精确边界；
所述学习字典的训练过程包括：
获取历史高分辨率MRI图像集，降低所述高分辨率MRI图像集中各高分辨率MRI图像，得到低分辨率MRI图像集；
根据所述高分辨率MRI图像集和所述低分辨率MRI图像集生成特征向量集；所述特征向量集中每一特征向量包含一个高分辨率MRI图像的高分辨率特征与对应低分辨率MRI图像的低分辨率特征；
使用所述高分辨率MRI图像集、所述低分辨率MRI图像集和所述特征向量集训练SOM神经网络，得到所述学习字典；
根据所述高分辨率MRI图像集和所述低分辨率MRI图像集生成特征向量集包括：
将各高分辨率MRI图像减去对应低分辨率MRI图像，得到第一图像；
以第一卷积核提取所述第一图像的特征，得到高分辨率特征；
将各低分辨率MRI图像通过高通滤波器提取，得到第二图像；
以第二卷积核提取所述第二图像的特征，得到低分辨率特征；
将各高分辨率特征与对应低分辨率特征转化为一维向量进行组合，得到特征向量集。
5.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-3任一所述的方法步骤。
6.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-3任一所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310518150.0A CN116228786B (zh) | 2023-05-10 | 2023-05-10 | 前列腺mri图像增强分割方法、装置、电子设备与存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310518150.0A CN116228786B (zh) | 2023-05-10 | 2023-05-10 | 前列腺mri图像增强分割方法、装置、电子设备与存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116228786A CN116228786A (zh) | 2023-06-06 |
| CN116228786B true CN116228786B (zh) | 2023-08-08 |
Family
ID=86591480
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310518150.0A Active CN116228786B (zh) | 2023-05-10 | 2023-05-10 | 前列腺mri图像增强分割方法、装置、电子设备与存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116228786B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105913431A (zh) * | 2016-04-12 | 2016-08-31 | 绍兴文理学院 | 低分辨率医学图像的多图谱分割方法 |
| CN107067380A (zh) * | 2017-03-28 | 2017-08-18 | 天津大学 | 基于低秩张量和层次化字典学习的高分辨率图像重构方法 |
| CN109064406A (zh) * | 2018-08-26 | 2018-12-21 | 东南大学 | 一种正则化参数自适应的稀疏表示图像重建方法 |
| CN110705555A (zh) * | 2019-09-17 | 2020-01-17 | 中山大学 | 基于fcn的腹部多器官核磁共振图像分割方法、系统及介质 |
| CN111080516A (zh) * | 2019-11-26 | 2020-04-28 | 广东石油化工学院 | 基于自样例增强的超分辨率图像重建方法 |
| CN112700409A (zh) * | 2020-12-28 | 2021-04-23 | 中南大学 | 视网膜微动脉瘤自动检测方法及成像方法 |
| CN113223059A (zh) * | 2021-05-17 | 2021-08-06 | 浙江大学 | 基于超分辨率特征增强的弱小空域目标检测方法 |
| WO2022022288A1 (zh) * | 2020-07-31 | 2022-02-03 | 华为技术有限公司 | 一种图像处理方法以及装置 |
| WO2022073100A1 (en) * | 2020-10-07 | 2022-04-14 | Afx Medical Inc. | Systems and methods for segmenting 3d images |
| CN114820520A (zh) * | 2022-04-24 | 2022-07-29 | 广东工业大学 | 一种前列腺图像分割方法及前列腺癌智能辅助诊断系统 |
| CN114972043A (zh) * | 2022-08-03 | 2022-08-30 | 江西财经大学 | 基于联合三边特征滤波的图像超分辨率重建方法与系统 |
| CN115578404A (zh) * | 2022-11-14 | 2023-01-06 | 南昌航空大学 | 一种基于深度学习的肝脏肿瘤图像增强和分割的方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9269156B2 (en) * | 2012-07-24 | 2016-02-23 | Siemens Aktiengesellschaft | Method and system for automatic prostate segmentation in magnetic resonance images |
| US10607112B2 (en) * | 2017-03-21 | 2020-03-31 | Case Western Reserve University | Predicting biochemical recurrence in pre-treatment prostate magnetic resonance imaging (MRI) with field effect induced organ distension (FORGE) |
-
2023
- 2023-05-10 CN CN202310518150.0A patent/CN116228786B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105913431A (zh) * | 2016-04-12 | 2016-08-31 | 绍兴文理学院 | 低分辨率医学图像的多图谱分割方法 |
| CN107067380A (zh) * | 2017-03-28 | 2017-08-18 | 天津大学 | 基于低秩张量和层次化字典学习的高分辨率图像重构方法 |
| CN109064406A (zh) * | 2018-08-26 | 2018-12-21 | 东南大学 | 一种正则化参数自适应的稀疏表示图像重建方法 |
| CN110705555A (zh) * | 2019-09-17 | 2020-01-17 | 中山大学 | 基于fcn的腹部多器官核磁共振图像分割方法、系统及介质 |
| CN111080516A (zh) * | 2019-11-26 | 2020-04-28 | 广东石油化工学院 | 基于自样例增强的超分辨率图像重建方法 |
| WO2022022288A1 (zh) * | 2020-07-31 | 2022-02-03 | 华为技术有限公司 | 一种图像处理方法以及装置 |
| WO2022073100A1 (en) * | 2020-10-07 | 2022-04-14 | Afx Medical Inc. | Systems and methods for segmenting 3d images |
| CN112700409A (zh) * | 2020-12-28 | 2021-04-23 | 中南大学 | 视网膜微动脉瘤自动检测方法及成像方法 |
| CN113223059A (zh) * | 2021-05-17 | 2021-08-06 | 浙江大学 | 基于超分辨率特征增强的弱小空域目标检测方法 |
| CN114820520A (zh) * | 2022-04-24 | 2022-07-29 | 广东工业大学 | 一种前列腺图像分割方法及前列腺癌智能辅助诊断系统 |
| CN114972043A (zh) * | 2022-08-03 | 2022-08-30 | 江西财经大学 | 基于联合三边特征滤波的图像超分辨率重建方法与系统 |
| CN115578404A (zh) * | 2022-11-14 | 2023-01-06 | 南昌航空大学 | 一种基于深度学习的肝脏肿瘤图像增强和分割的方法 |
Non-Patent Citations (1)
| Title |
|---|
| Charles B. Collins.Deep learning for multisensor image resolution enhancement.GeoAI '17: Proceedings of the 1st Workshop on Artificial Intelligence and Deep Learning for Geographic Knowledge Discovery.2017,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116228786A (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10304193B1 (en) | Image segmentation and object detection using fully convolutional neural network | |
| EP3869387A1 (en) | Method and device for three-dimensional image semantic segmentation, terminal and storage medium | |
| CN107527359B (zh) | 一种pet图像重建方法及pet成像设备 | |
| Dehkordi et al. | A review of coronary vessel segmentation algorithms | |
| CN109102511B (zh) | 一种脑血管分割方法、系统及电子设备 | |
| US20230281809A1 (en) | Connected machine-learning models with joint training for lesion detection | |
| CN110956632B (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
| Yu et al. | PCANet based nonlocal means method for speckle noise removal in ultrasound images | |
| CN111640119B (zh) | 一种图像处理方法、处理装置、电子设备及存储介质 | |
| Singh et al. | A transform-based fast fuzzy C-means approach for high brain MRI segmentation accuracy | |
| CN110570394A (zh) | 医学图像分割方法、装置、设备及存储介质 | |
| JP2023515367A (ja) | モデルへの入力インスタンスの分布外検出 | |
| CN116228786B (zh) | 前列腺mri图像增强分割方法、装置、电子设备与存储介质 | |
| Ma et al. | Edge-guided cnn for denoising images from portable ultrasound devices | |
| CN113379770B (zh) | 鼻咽癌mr图像分割网络的构建方法、图像分割方法及装置 | |
| CN114494014A (zh) | 一种磁共振图像超分辨率重建方法及装置 | |
| CN112614200A (zh) | Pet图像的重建方法、装置及设备 | |
| Nayak et al. | DMF-Net: a deep multi-level semantic fusion network for high-resolution chest CT and X-ray image de-noising | |
| CN112837317A (zh) | 基于乳腺超声图像增强的病灶分类方法、装置及存储介质 | |
| Singh et al. | Magnetic resonance image denoising using patchwise convolutional neural networks | |
| CN113240078B (zh) | 基于深度学习网络的磁共振r2*参数量化方法、介质及设备 | |
| CN113989141B (zh) | Ct头部图像降噪方法、装置及存储介质 | |
| Mehr et al. | Deep Learning-Based Ultrasound Image Despeckling by Noise Model Estimation. | |
| CN117456562B (zh) | 姿态估计方法及装置 | |
| CN114022877B (zh) | 一种基于自适应阈值三维sar图像感兴趣目标提取方法 |
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 |