CN116385438B - 一种核磁共振肿瘤区域提取方法 - Google Patents
一种核磁共振肿瘤区域提取方法 Download PDFInfo
- Publication number
- CN116385438B CN116385438B CN202310651121.1A CN202310651121A CN116385438B CN 116385438 B CN116385438 B CN 116385438B CN 202310651121 A CN202310651121 A CN 202310651121A CN 116385438 B CN116385438 B CN 116385438B
- Authority
- CN
- China
- Prior art keywords
- gray
- segment
- tumor
- probability
- gray level
- 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
- 206010028980 Neoplasm Diseases 0.000 title claims abstract description 133
- 238000005481 NMR spectroscopy Methods 0.000 title claims abstract description 38
- 238000000605 extraction Methods 0.000 title abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 28
- 210000004556 brain Anatomy 0.000 claims description 17
- 210000005013 brain tissue Anatomy 0.000 description 16
- 210000001519 tissue Anatomy 0.000 description 12
- 238000007917 intracranial administration Methods 0.000 description 11
- 230000011218 segmentation Effects 0.000 description 10
- 206010040925 Skin striae Diseases 0.000 description 9
- 210000001175 cerebrospinal fluid Anatomy 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 241001270131 Agaricus moelleri Species 0.000 description 3
- 208000003174 Brain Neoplasms Diseases 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 210000003625 skull Anatomy 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—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
- G06T7/10—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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
-
- 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
- G06T2207/30096—Tumor; Lesion
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Multimedia (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理领域，具体涉及一种核磁共振肿瘤区域提取方法，包括：获取核磁共振图像中的感兴趣区域；根据感兴趣区域中的任意一列像素点的灰度序列以及灰度变化曲线得到各个灰度段；根据各个灰度段的可靠程度以及长度得到灰度序列的平均灰度段长度；根据各个灰度段的长度以及平均灰度段长度得到各个灰度段的肿瘤概率，进而得到感兴趣区域中各个灰度段的肿瘤概率；根据感兴趣区域中各个灰度值对应所有像素点所处灰度段的肿瘤概率得到各个灰度值的肿瘤概率；根据各个灰度段内各个像素点对应灰度值的肿瘤概率得到各个灰度段的修正肿瘤概率，进而得到肿瘤区域。本发明可以得到核磁共振肿瘤区域更加准确的提取结果。
Description
技术领域
本发明涉及图像处理领域，具体涉及一种核磁共振肿瘤区域提取方法。
背景技术
脑肿瘤是发生在大脑颅内的异常细胞癌变或者非癌变性生长，不同脑组织会发出的不同的磁场信号，可以使不同脑组织之间的灰度存在一定差异，因此核磁共振图像对人体软组织有较好成像效果，现实生活中通常通过核磁共振图像观察脑肿瘤形态。
但是由于核磁共振图像存在图像强度梯度平滑、部分容积效应和场偏移效应等影响组织的细节观察，且肿瘤组织具有边界模糊，形态多变、在脑组织中占比小且生长位置不固定的特点，此外，部分肿瘤与正常脑组织之间的灰度值较为相似，导致现有的边缘检测或者阈值分割方法均无法得到准确的肿瘤区域。
而肿瘤组织的存在必然会影响脑部肿瘤区域中像素点的纹理变化，因此设计一种可以根据脑部纹理的变化情况对肿瘤进行识别的方法是非常重要的。
发明内容
本发明提供一种核磁共振肿瘤区域提取方法，以解决现有的问题。
本发明的一种核磁共振肿瘤区域提取方法采用如下技术方案：
本发明一个实施例提供了一种核磁共振肿瘤区域提取方法，该方法包括以下步骤：
获取核磁共振图像中的感兴趣区域；
对于感兴趣区域中的任意一列像素点，将所有灰度值不为0的像素点对应灰度值构成的序列称为灰度序列；对灰度序列进行曲线拟合，得到灰度变化曲线；获取灰度变化曲线中的所有波谷点；根据灰度变化曲线中的所有波谷点以及灰度序列中的最大灰度值得到各个波谷点的目标概率；根据各个波谷点的目标概率得到灰度序列的所有目标波谷点；将相邻的目标波谷点之间的所有灰度值作为一个灰度段，根据所有相邻的目标波谷点得到灰度序列的各个灰度段；将各个灰度段对应目标波谷点的目标概率的平均值作为各个灰度段的可靠程度；根据各个灰度段的可靠程度以及长度得到灰度序列的平均灰度段长度；
根据各个灰度段的长度以及灰度序列的平均灰度段长度得到各个灰度段的肿瘤概率；对感兴趣区域中的每一列像素点进行处理，得到感兴趣区域中各个灰度段的肿瘤概率；
根据感兴趣区域中各个灰度值对应所有像素点所处灰度段的肿瘤概率得到各个灰度值的肿瘤概率；根据各个灰度段内各个像素点对应灰度值的肿瘤概率得到各个灰度段的修正肿瘤概率，根据各个灰度段的修正肿瘤概率得到肿瘤区域。
优选的，所述各个波谷点的目标概率的获取表达式为：
其中，为第i个灰度序列中第j个波谷点的目标概率；/>为第i个灰度序列中的最大灰度值；/>为第i个灰度序列中第j个波谷点的灰度值。
优选的，所述灰度序列的平均灰度段长度的获取方法为：
计算灰度序列中各个灰度段的可靠程度与长度之间的乘积，将所有乘积的平均值作为灰度序列的平均灰度段长度。
优选的，所述各个灰度段的肿瘤概率的获取方法为：
计算各个灰度段的长度与平均灰度段长度之间差值的绝对值，将绝对值与平均灰度段长度之间的比值作为各个灰度段的肿瘤概率。
优选的，所述各个灰度值的肿瘤概率的获取方法为：
对于感兴趣区域中的第t个灰度值，将灰度值等于第t个灰度值的所有像素点称为第t个灰度值对应的所有像素点，将第t个灰度值对应的所有像素点所处灰度段的肿瘤概率的平均值作为第t个灰度值的肿瘤概率；对感兴趣区域中的各个灰度值进行处理，得到各个灰度值的肿瘤概率。
优选的，所述各个灰度段的修正肿瘤概率的获取方法为：将各个灰度段中所有像素点对应灰度值的肿瘤概率的平均值作为各个灰度段的修正肿瘤概率。
本发明的有益效果是：首先提取核磁共振图像中的感兴趣区域，即颅内区域，然后使用传统阈值分割方法对感兴趣区域进行初步分割，从而对核磁共振图像中是否存在肿瘤区域进行初步判断；而后获取分割完成后的感兴趣区域的各个灰度序列；根据灰度序列对应灰度变化曲线提取目标波谷点，从而得到各个灰度序列的各个灰度段；根据各个灰度段的可靠程度以及长度得到各个灰度序列的平均灰度段长度；结合脑沟回纹理较多的区域中每一列上灰度变化较为剧烈以及脑沟回纹理较少的区域中每一列上灰度变化较为平缓的特点，根据各个灰度序列对应的各个灰度段的长度与平均灰度段长度之间的差异得到各个灰度段的肿瘤概率；但是由于脑沟回纹理可能出现在感兴趣区域的每一列中，本发明进一步根据感兴趣区域中不同灰度值对应像素点所处灰度段的肿瘤概率得到各个灰度值的肿瘤概率，进而对各个灰度段的肿瘤概率进行修正，得到各个灰度段的修正肿瘤概率，从而避免将灰度变化平缓的灰度序列中的脑沟回纹理错误地识别为肿瘤区域，保证核磁共振图像中肿瘤区域提取结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种核磁共振肿瘤区域提取方法的步骤流程图；
图2为本发明的一种核磁共振肿瘤区域提取方法的颅内区域；
图3为本发明的一种核磁共振肿瘤区域提取方法的脑沟回较多时的灰度变化曲线；
图4为本发明的一种核磁共振肿瘤区域提取方法的脑沟回较少时的灰度变化曲线。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种核磁共振肿瘤区域提取方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种核磁共振肿瘤区域提取方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种核磁共振肿瘤区域提取方法的步骤流程图，该方法包括以下步骤：
步骤S001：获取核磁共振图像中的感兴趣区域。
本实施例旨在根据核磁共振图像中的纹理信息对肿瘤区域进行判断，但是获得的脑部核磁共振图像中往往会包含颅外结构，干扰肿瘤区域的判断，即在进行肿瘤区域进行提取时，往往对颅内区域更加关注，因此在进行肿瘤提取过程之前，首先需要进行感兴趣区域的提取。具体过程如下：
首先使用阈值分割算法对核磁共振图像进行阈值分割，由于脑脊液的灰度较低，且与脑部结构的灰度值之间的差异较大，因此对核磁共振图像进行阈值分割可以提取到脑部结构图像；
考虑到由于颅外结构与脑壳相连，而脑壳与颅内区域之间存在明显的间隔，因此对脑部结构图像使用连通域分析，根据连通域中的像素点的横纵坐标分布范围确定脑壳关联的颅外结构并对其进行剔除；本实施例使用Seed-Filling算法对图像中灰度值不为0的像素点进行连通域分析，得到多个连通区域，获取每个连通区域中的横纵坐标的最大值与最小值，由此得到每个连通区域在横轴与纵轴两个方向上的长度；
由于颅外结构的长度与宽度均大于颅内结构，因此选取横轴方向长度与纵轴方向长度均最大的连通域，该连通域即为颅外结构所对应的连通区域，对该结果进行剔除；由此得到只包含颅内结构的核磁共振图像，并将该只包含颅内结构的核磁共振图像作为感兴趣区域；本实施例中的感兴趣区域图像如图2所示。
由于不同组织之间存在灰度差异，当肿瘤组织相对于正常脑组织之间的灰度差异较大时，使用传统的阈值分割方法对颅内结构进行分割即可进行检测；但是当部分肿瘤脑组织的灰度值与正常脑组织之间的灰度差异较小，传统的阈值分割方法检测效果较差，也就是说当阈值分割方法未检测到肿瘤组织时，并不能排除颅内结构中存在肿瘤组织，因此还需要对核磁共振图像进一步分析，判断是否存在肿瘤组织。
步骤S002：根据感兴趣区域中的灰度序列以及对应的灰度变化曲线，得到各个灰度段；根据各个灰度段的可靠程度以及长度得到灰度序列的平均灰度段长度。
由于脑脊液存在于感兴趣区域的各个位置，且脑脊液与脑组织之间具有较大灰度差异，如在T1序列的核磁共振图像中，脑脊液表现为黑色，且脑脊液往往填充于脑沟回中，使脑组织的不同位置存在轻微的灰度变化，而脑沟回区域中存在较大的灰度变化，即感兴趣区域中，正常脑组织与肿瘤组织之间存在一定的灰度差异，同一组织的不同位置也存在灰度差异，且由于此时正常脑组织的灰度值与肿瘤组织的灰度值之间的差异较小，脑脊液的灰度与脑组织之间的灰度差异较大，因此由脑沟回纹理形成的灰度变化远大于不同脑组织之间的灰度差异；
而由于脑沟回纹理大多分布在感兴趣区域的外侧，感兴趣区域中部往往存在较少的脑沟回纹理，因此对于脑沟回纹理存在较多的区域中，每一列像素之间的灰度变化频率以及变化幅度均较大，其中脑沟回较多时的灰度变化曲线如图3所示，而脑沟回纹理存在较少的区域中，由于基本上只包含正常脑组织以及可能包含的肿瘤组织，使得每一列像素之间的灰度变化频率以及变化幅度均较小，其中脑沟回较少时的灰度变化曲线如图4所示；因此当灰度变换较为剧烈的区域中出现了灰度变化较为平缓的区域时，该平缓区域属于肿瘤的概率比较大；当灰度变化较为平缓的区域中出现了灰度变化较为剧烈的区域时，该灰度变化剧烈的区域属于肿瘤的概率较大，因此本实施例在判断核磁共振图像中各个像素点是否属于肿瘤区域时，除了要根据整张核磁共振图像中灰度的变化情况，还需要根据局部位置上相似灰度变化的连续长度。具体过程如下：
首先获取感兴趣区域中每一列像素点的灰度值，将各列上所有不为0的灰度值构成的序列称为各个灰度序列；使用最小二乘法对各个灰度序列中包含的所有灰度值进行曲线拟合，得到各个灰度变化曲线，其中，灰度变化曲线的横轴为各个灰度值对应像素点的行号，纵轴表示各个灰度值的大小，并获取各个灰度变化曲线中的所有波谷点；
脑脊液的存在会使感兴趣区域中不属于脑沟回区域的位置上存在轻微的灰度变化，使得灰度变化曲线本身就存在一定的波动，但是本实施例期望根据脑沟回纹理所导致的灰度变化情况判断各个像素点是否属于肿瘤区域，因此需要先排除不属于脑沟回纹理形成的波谷点，从而去除由脑脊液导致的灰度波动，进而得到脑组织之间实际的灰度变化程度，则以感兴趣区域中第i列上的所有像素点的灰度值形成的第i个灰度序列为例，对于该灰度序列对应的灰度变化曲线上的第j个波谷点，当该波谷点为脑沟回纹理对应波谷点时，本实施例将该波谷点称为目标波谷点，则第j个波谷点的目标概率可表示为：
其中，为第i个灰度序列中第j个波谷点的目标概率，用以表征第i个灰度序列中第j个波谷点属于脑沟回纹理的概率；/>为第i个灰度序列中的最大灰度值；/>为第i个灰度序列中第j个波谷点的灰度值；
获取第i个灰度序列中所有波谷点的目标概率，然后对所有波谷点的目标概率进行线性归一化，得到各个波谷点线性归一化后的目标概率，则将第i个灰度序列中第j个波谷点线性归一化后的目标概率记为，设置第一概率阈值/>，当/>时，认为该第j个波谷点为目标波谷点，否则该波谷点不为目标波谷点；对第i个灰度序列中的所有波谷点进行处理，得到第i个灰度序列的所有目标波谷点。
然后以第i个灰度序列中，相邻两个目标波谷点之间的所有灰度值作为一个灰度段，由此得到第i个灰度序列对应的所有灰度段；将各个灰度段中目标波谷点线性归一化后的目标概率作为各个灰度段的可靠程度，根据各个灰度段的可靠程度以及长度得到第i个灰度序列的平均灰度段长度，用以表征第i个灰度序列的灰度变化剧烈程度，则第i个灰度序列的平均灰度段长度可以表示为：
其中，为第i个灰度序列的平均灰度段长度；/>表示第i个灰度序列中包含的灰度段的个数；/>表示第i个灰度序列中第k个灰度段的长度，该值为第k个灰度段中包含像素点的总个数；/>为第i个灰度序列中第k个灰度段的可靠程度，该值为形成该第k个灰度段的两个目标波谷点线性归一化后的目标概率的平均值；
当形成一个灰度段的两个目标波谷点线性归一化后的目标概率的值越大，即越大，则这两个目标波谷点的灰度值与灰度序列中最大灰度值之间的差异越大，表示该灰度段越有可能是由脑沟回纹理形成的灰度变化，对应此时该灰度段越能反映感兴趣区域中正常纹理的变化情况，则该灰度段的长度在对该灰度序列的灰度变化剧烈程度进行评估时的可靠程度越高；反之，则表示该灰度段的长度对应的可靠程度越低；/>的值越小，表示该灰度段的长度越小，此时对应的两个目标波谷点之间的距离越短，则该列中的脑沟回纹理较多，该列上的灰度变化越剧烈，反之，该列上的灰度变化越平缓；根据第i个灰度序列对应的所有灰度段的可靠程度以及长度得到第i个灰度序列的平均灰度段长度，对各个灰度序列进行处理，得到各个灰度序列的平均灰度段长度。
步骤S003：根据灰度序列的平均灰度段长以及各个灰度段的长度得到各个灰度段的肿瘤概率，进而得到感兴趣区域中各个灰度段的肿瘤概率。
灰度剧烈变化程度较大的一列若出现灰度变化较为平缓的一段，即在平均灰度段长度较小的一列中出现了较长的灰度段，则该较长灰度段对应的像素点为肿瘤区域像素点的概率较高；灰度剧烈变化程度较小的一列若出现灰度变化较为剧烈的一段，即在平均灰度段较长的一类中出现了较短的灰度段，则该较短灰度段对应的像素点为肿瘤区域像素点的概率较高。因此，根据各个灰度序列的平均灰度段长度以及各个灰度段的长度获得各个灰度段的肿瘤概率，具体计算公式为：
其中，表示第i个灰度序列的第k个灰度段的肿瘤概率；/>为第i个灰度序列的第k个灰度段的长度；/>为第i个灰度序列的平均灰度段长度；/>为取绝对值。
当的值越接近于/>，即第i个灰度序列的第k个灰度段的长度越接近于平均灰度段长度，对应/>越趋于0，则该第k个灰度段的长度存在异常的概率越小，对应其属于肿瘤区域的概率越小，反之，则该第k个灰度段的长度存在异常的概率越大，对应其属于肿瘤区域的概率越大。
同理，根据各个灰度序列的各个灰度段的长度以及各个灰度序列的平均灰度段长度得到感兴趣区域中各个灰度段的肿瘤概率。
步骤S004：根据感兴趣区域中各个灰度值对应所有像素点所处灰度段的肿瘤概率得到各个灰度值的肿瘤概率；根据各个灰度段内各个像素点对应灰度值的肿瘤概率得到各个灰度段的修正肿瘤概率，根据各个灰度段的修正肿瘤概率得到肿瘤区域。
由于脑沟回纹理可能在感兴趣区域中的每一列上均有出现，当一个灰度序列的灰度变化较为平缓时，只能表示该列上的脑沟回纹理较少，而不能表示该列上不存在脑沟回纹理，此时由于脑沟回纹理对应的灰度段的长度较短，使得该灰度段的肿瘤概率较高，即会将该灰度段错误地认为是肿瘤区域，因此根据上述方法得到的各个灰度段的肿瘤概率仍存在一定的误差；而相同的脑组织灰度值具有一定的相似性，即对于由脑沟回纹理形成的灰度段其在感兴趣区域的不同列上的灰度具有一定相似性，因此可以结合感兴趣区域同一灰度值对应的不同像素点所处灰度段的肿瘤概率得到各个灰度值属于肿瘤区域的概率，进而得到各个肿瘤区域；
则对于感兴趣区域中的第t个灰度值，获取感兴趣区域中所有灰度值等于该第t个灰度值的各个像素点，根据所得各个像素点所处灰度段对应的肿瘤概率得到第t个灰度值属于肿瘤区域的概率，则第t个灰度值的肿瘤概率可表示为：
式中，为第t个灰度值的肿瘤概率；/>为第t个灰度值对应的所有像素点的个数；表示第t个灰度值对应的第u个像素点所处灰度段对应的肿瘤概率。
根据各个灰度值对应像素点所处灰度段的肿瘤概率得到各个灰度值的肿瘤概率；然后将各个灰度段中包含的所有像素点对应灰度值的肿瘤概率的平均值作为各个灰度段的修正肿瘤概率；
设置第二概率阈值，当一个灰度段的修正肿瘤概率大于等于第二概率阈值时，认为该灰度段属于肿瘤区域，否则认为该灰度段不属于肿瘤区域；
对感兴趣区域中的所有灰度段进行处理，得到所有属于肿瘤区域的灰度段，这些灰度段构成了感兴趣区域的肿瘤区域。
通过以上步骤，完成了核磁共振图像中肿瘤区域的提取。
本实施例首先提取核磁共振图像中的感兴趣区域，即颅内区域，然后使用传统阈值分割方法对感兴趣区域进行初步分割，从而对核磁共振图像中是否存在肿瘤区域进行初步判断；而后获取分割完成后的感兴趣区域的各个灰度序列；根据灰度序列对应灰度变化曲线提取目标波谷点，从而得到各个灰度序列的各个灰度段；根据各个灰度段的可靠程度以及长度得到各个灰度序列的平均灰度段长度；结合脑沟回纹理较多的区域中每一列上灰度变化较为剧烈以及脑沟回纹理较少的区域中每一列上灰度变化较为平缓的特点，根据各个灰度序列对应的各个灰度段的长度与平均灰度段长度之间的差异得到各个灰度段的肿瘤概率；但是由于脑沟回纹理可能出现在感兴趣区域的每一列中，本实施例进一步根据感兴趣区域中不同灰度值对应像素点所处灰度段的肿瘤概率得到各个灰度值的肿瘤概率，进而对各个灰度段的肿瘤概率进行修正，得到各个灰度段的修正肿瘤概率，从而避免将灰度变化平缓的灰度序列中的脑沟回纹理错误地识别为肿瘤区域，保证核磁共振图像中肿瘤区域提取结果的准确性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (5)
1.一种核磁共振肿瘤区域提取方法，其特征在于，该方法包括以下步骤：
获取脑部核磁共振图像中的感兴趣区域；
对于感兴趣区域中的任意一列像素点，将所有灰度值不为0的像素点对应灰度值构成的序列称为灰度序列；对灰度序列进行曲线拟合，得到灰度变化曲线；获取灰度变化曲线中的所有波谷点；根据灰度变化曲线中的所有波谷点以及灰度序列中的最大灰度值得到各个波谷点的目标概率；根据各个波谷点的目标概率得到灰度序列的所有目标波谷点；将相邻的目标波谷点之间的所有灰度值作为一个灰度段，根据所有相邻的目标波谷点得到灰度序列的各个灰度段；将各个灰度段对应目标波谷点的目标概率的平均值作为各个灰度段的可靠程度；根据各个灰度段的可靠程度以及长度得到灰度序列的平均灰度段长度；
根据各个灰度段的长度以及灰度序列的平均灰度段长度得到各个灰度段的肿瘤概率；对感兴趣区域中的每一列像素点进行处理，得到感兴趣区域中各个灰度段的肿瘤概率；
根据感兴趣区域中各个灰度值对应所有像素点所处灰度段的肿瘤概率得到各个灰度值的肿瘤概率；根据各个灰度段内各个像素点对应灰度值的肿瘤概率得到各个灰度段的修正肿瘤概率，根据各个灰度段的修正肿瘤概率得到肿瘤区域；
所述各个波谷点的目标概率的获取表达式为：
其中，为第i个灰度序列中第j个波谷点的目标概率；/>为第i个灰度序列中的最大灰度值；/>为第i个灰度序列中第j个波谷点的灰度值。
2.根据权利要求1所述的一种核磁共振肿瘤区域提取方法，其特征在于，所述灰度序列的平均灰度段长度的获取方法为：
计算灰度序列中各个灰度段的可靠程度与长度之间的乘积，将所有乘积的平均值作为灰度序列的平均灰度段长度。
3.根据权利要求1所述的一种核磁共振肿瘤区域提取方法，其特征在于，所述各个灰度段的肿瘤概率的获取方法为：
计算各个灰度段的长度与平均灰度段长度之间差值的绝对值，将绝对值与平均灰度段长度之间的比值作为各个灰度段的肿瘤概率。
4.根据权利要求1所述的一种核磁共振肿瘤区域提取方法，其特征在于，所述各个灰度值的肿瘤概率的获取方法为：
对于感兴趣区域中的第t个灰度值，将灰度值等于第t个灰度值的所有像素点称为第t个灰度值对应的所有像素点，将第t个灰度值对应的所有像素点所处灰度段的肿瘤概率的平均值作为第t个灰度值的肿瘤概率；对感兴趣区域中的各个灰度值进行处理，得到各个灰度值的肿瘤概率。
5.根据权利要求1所述的一种核磁共振肿瘤区域提取方法，其特征在于，所述各个灰度段的修正肿瘤概率的获取方法为：将各个灰度段中所有像素点对应灰度值的肿瘤概率的平均值作为各个灰度段的修正肿瘤概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310651121.1A CN116385438B (zh) | 2023-06-05 | 2023-06-05 | 一种核磁共振肿瘤区域提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310651121.1A CN116385438B (zh) | 2023-06-05 | 2023-06-05 | 一种核磁共振肿瘤区域提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116385438A CN116385438A (zh) | 2023-07-04 |
| CN116385438B true CN116385438B (zh) | 2023-08-11 |
Family
ID=86969757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310651121.1A Active CN116385438B (zh) | 2023-06-05 | 2023-06-05 | 一种核磁共振肿瘤区域提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116385438B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116740064B (zh) * | 2023-08-14 | 2023-10-20 | 山东奥洛瑞医疗科技有限公司 | 一种核磁共振肿瘤区域提取方法 |
| CN116912246B (zh) * | 2023-09-13 | 2023-12-29 | 潍坊医学院 | 一种基于大数据的肿瘤ct数据处理方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6243855B1 (en) * | 1997-09-30 | 2001-06-05 | Kabushiki Kaisha Toshiba | Mask data design method |
| CN106780515A (zh) * | 2017-01-04 | 2017-05-31 | 南京审计大学 | 一种脑部核磁共振图像中脑胶质瘤区域提取方法 |
| CN114677391A (zh) * | 2022-05-26 | 2022-06-28 | 青岛大学附属医院 | 一种脊椎图像分割方法 |
| CN115330806A (zh) * | 2022-10-17 | 2022-11-11 | 江苏昱恒电气有限公司 | 基于计算机视觉的led背光异物缺陷检测方法 |
| WO2022252442A1 (zh) * | 2021-05-31 | 2022-12-08 | 齐鲁工业大学 | 一种针对皮革纤维mct断层扫描图像的智能去噪方法及应用 |
| CN115457035A (zh) * | 2022-11-10 | 2022-12-09 | 山东鲁旺机械设备有限公司 | 基于机器视觉的建筑吊篮焊接质量检测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007207009A (ja) * | 2006-02-02 | 2007-08-16 | Fujitsu Ltd | 画像処理方法及び画像処理装置 |
| WO2013091186A1 (zh) * | 2011-12-21 | 2013-06-27 | 中国科学院自动化研究所 | 多参数三维磁共振图像脑肿瘤分割方法 |
| TWI483711B (zh) * | 2012-07-10 | 2015-05-11 | Univ Nat Taiwan | Tumor detection system and method of breast ultrasound image |
-
2023
- 2023-06-05 CN CN202310651121.1A patent/CN116385438B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6243855B1 (en) * | 1997-09-30 | 2001-06-05 | Kabushiki Kaisha Toshiba | Mask data design method |
| CN106780515A (zh) * | 2017-01-04 | 2017-05-31 | 南京审计大学 | 一种脑部核磁共振图像中脑胶质瘤区域提取方法 |
| WO2022252442A1 (zh) * | 2021-05-31 | 2022-12-08 | 齐鲁工业大学 | 一种针对皮革纤维mct断层扫描图像的智能去噪方法及应用 |
| CN114677391A (zh) * | 2022-05-26 | 2022-06-28 | 青岛大学附属医院 | 一种脊椎图像分割方法 |
| CN115330806A (zh) * | 2022-10-17 | 2022-11-11 | 江苏昱恒电气有限公司 | 基于计算机视觉的led背光异物缺陷检测方法 |
| CN115457035A (zh) * | 2022-11-10 | 2022-12-09 | 山东鲁旺机械设备有限公司 | 基于机器视觉的建筑吊篮焊接质量检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| "基于局部灰度极小值的指静脉图像分割方法";苑玮琦等;《计算机技术与发展》;第26卷(第7期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116385438A (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116385438B (zh) | 一种核磁共振肿瘤区域提取方法 | |
| CN111784721B (zh) | 基于深度学习的超声内窥图像智能分割与量化方法及系统 | |
| CN105809175B (zh) | 一种基于支持向量机算法的脑水肿分割方法及系统 | |
| CN116109663B (zh) | 基于多阈值分割的胃部ct影像分割方法 | |
| CN111612817A (zh) | 基于深浅特征自适应融合与上下文信息的目标跟踪方法 | |
| CN110889843B (zh) | 基于最大稳定极值区域的sar图像舰船目标检测方法 | |
| CN116188496B (zh) | 基于土地利用类型的遥感影像自适应分割方法 | |
| Song et al. | A Fuzzy C-means Clustering Algorithm for Image Segmentation Using Nonlinear Weighted Local Information. | |
| CN116912255B (zh) | 一种用于卵巢组织分析的卵泡区域分割方法 | |
| CN116309599B (zh) | 基于污水前置处理的水质视觉监测方法 | |
| CN117078671B (zh) | 一种甲状腺超声影像智能分析系统 | |
| CN117764864B (zh) | 基于图像去噪的核磁共振肿瘤视觉检测方法 | |
| CN117237591A (zh) | 一种心脏超声影像伪影智能去除方法 | |
| CN107464247B (zh) | 一种基于g0分布的随机梯度变分贝叶斯sar图像分割方法 | |
| CN112614093A (zh) | 基于多尺度空间注意力网络的乳腺病理图像分类方法 | |
| CN117314940B (zh) | 基于人工智能的激光切割零件轮廓快速分割方法 | |
| CN117252893B (zh) | 一种乳腺癌病理图像的分割处理方法 | |
| CN114419321A (zh) | 一种基于人工智能的ct图像心脏分割方法及系统 | |
| CN114373079A (zh) | 一种快速准确的探地雷达目标检测方法 | |
| CN116740053B (zh) | 一种锻造加工智能生产线的管理系统 | |
| US20230115927A1 (en) | Systems and methods for plaque identification, plaque composition analysis, and plaque stability detection | |
| CN115631211A (zh) | 一种基于无监督分割的高光谱图像小目标检测方法 | |
| CN115578400A (zh) | 图像处理方法、图像分割网络的训练方法及装置 | |
| CN114764810A (zh) | 一种医学图像分割方法 | |
| CN117611563B (zh) | 一种基于图像处理的塑胶模具生产缺陷检测方法 |
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 |