-
BEREICH DER ERFINDUNG
-
Die vorliegende Erfindung bezieht sich auf ein System zur Morphologie-Segmentierung von Gehirn-MRI-Modalitäten auf Basis von E-Fuzzy Merkmalen und Schwellenwerten.
-
HINTERGRUND DER ERFINDUNG
-
Die Segmentierung von Hirntumoren ist aufgrund der geringen Beleuchtungsstärke in der Magnetresonanz (MR)-Bildgebung ein wichtiges Thema für Radiologen im Bereich der medizinischen Bildverarbeitung. Die Empfindlichkeit des Rauschens, Schwankungen und Nicht-Standardisierung der Intensität zwischen den Schichten sowie die Inhomogenität der Intensität sind die Probleme, mit denen man sich auseinandersetzen muss. Bilder einer einzelnen Modalität liefern nicht genügend diagnostische Informationen für klinische Zwecke. Daher ist es für eine genaue Segmentierung von Hirntumoren unerlässlich, die Merkmale verschiedener Bildmodalitäten zu kombinieren.
-
In Anbetracht der vorangegangenen Diskussion wird deutlich, dass es einen Bedarf an einem auf E-Fuzzy-Merkmalen und Schwellenwerten basierenden System für die Morphologiesegmentierung von MRT-Modalitäten des Gehirns gibt.
-
ZUSAMMENFASSUNG DER ERFINDUNG
-
Die vorliegende Offenlegung zielt darauf ab, ein auf E-Fuzzy-Merkmalen und Schwellenwerten basierendes System für die morphologische Segmentierung von MRT-Modalitäten des Gehirns bereitzustellen. Das Hauptziel der vorgeschlagenen Erfindung besteht darin, die verschiedenen Modalitäten von MRT-Gehirnbildern zu fusionieren, indem die nützlichsten Merkmale berücksichtigt werden, um eine bessere Segmentierung zu erzielen. Die vorgeschlagene Arbeit umfasst vier Schritte: (i) Vorverarbeitung, (ii) Merkmalsextraktion, (iii) Merkmalsfusion und (iv) Segmentierung.
-
In einer Ausführungsform umfasst das auf E-Fuzzy-Merkmalen und Schwellenwerten basierende System für die Morphologiesegmentierung von MRT-Modalitäten des Gehirns ein Vorverarbeitungsmodul, das so konfiguriert ist, dass es Rauschen aus den MRT-Bildern entfernt, wodurch wichtige Details im Bild unter Verwendung einer Vielzahl von Durchschnittsfiltern erhalten bleiben. Das System umfasst ferner ein Merkmalsextraktionsmodul, das mit dem Vorverarbeitungsmodul zusammenarbeitet, um Informationen auf höherer Ebene des Bildes unter Verwendung eines erweiterten Graustufen-Ko-Auftritts-Matrix (Grey-Level-Co-Occurrence-Matrix-Method - E-GLCM) zu sammeln. Das System umfasst ferner ein Modul zur Merkmalsfusion, das zur Erkennung von Tumoren eingesetzt wird, indem zwei oder mehr medizinische Bilder durch Kombination von Merkmalen aus mehreren MRT-Modalitäten zur gleichen Zeit zu einem neuen Bild unter Verwendung einer erweiterten Graustufen-Ko-Auftritts-Matrix (E-GLCM) zusammengefügt werden. Schließlich umfasst das System ein Segmentierungsmodul zur Trennung von Tumorgewebe und normalem Hirngewebe bei der Erkennung von Hirntumoren unter Verwendung von Schwellenwert-basierter Segmentierung und morphologischen Operationen für eine genaue und effiziente Segmentierung.
-
Zur weiteren Verdeutlichung der Vorteile und Merkmale der vorliegenden Offenbarung wird eine genauere Beschreibung der Erfindung durch Bezugnahme auf bestimmte Ausführungsformen gegeben, die in den beigefügten Zeichnungen dargestellt sind. Es wird davon ausgegangen, dass diese Zeichnungen nur typische Ausführungsformen der Erfindung darstellen und daher nicht als Einschränkung des Umfangs der Erfindung zu betrachten sind. Die Erfindung wird mit zusätzlicher Spezifität und Detail mit den beigefügten Zeichnungen beschrieben und erläutert werden.
-
Figurenliste
-
Diese und andere Merkmale, Aspekte und Vorteile der vorliegenden Offenbarung werden besser verstanden, wenn die folgende detaillierte Beschreibung unter Bezugnahme auf die beigefügten Zeichnungen gelesen wird, in denen gleiche Zeichen gleiche Teile in den Zeichnungen darstellen, wobei:
- 1 zeigt ein Blockdiagramm eines auf E-Fuzzy-Merkmalen und Schwellenwerten basierenden Systems zur Morphologiesegmentierung von MRT-Modalitäten des Gehirns gemäß einer Ausführungsform der vorliegenden Offenbarung,
- 2 zeigt die Architektur der vier Module (i) Bildvorverarbeitung, (ii) Merkmalsextraktion, (iii) Merkmalsfusion und (iv) Segmentierung bei der Hirntumorsegmentierung gemäß einer Ausführungsform der vorliegenden Offenbarung, und
- 3 veranschaulicht die extrahierten numerischen Werte auffälliger Merkmale von MRT-Modalitäten in Übereinstimmung mit einer Ausführungsform der vorliegenden Offenbarung.
-
Der Fachmann wird verstehen, dass die Elemente in den Zeichnungen der Einfachheit halber dargestellt sind und nicht unbedingt maßstabsgetreu gezeichnet wurden. Darüber hinaus kann es sein, dass eine oder mehrere Komponenten der Vorrichtung in den Zeichnungen durch herkömmliche Symbole dargestellt sind und dass die Zeichnungen nur die spezifischen Details zeigen, die für das Verständnis der Ausführungsformen der vorliegenden Offenbarung relevant sind, um die Zeichnungen nicht mit Details zu überfrachten, die für Fachleute mit normalen Kenntnissen der Technik, die von der vorliegenden Beschreibung profitieren, leicht erkennbar sind.
-
DETAILLIERTE BESCHREIBUNG:
-
Um das Verständnis der Erfindung zu fördern, wird nun auf die in den Zeichnungen dargestellte Ausführungsform Bezug genommen und diese mit bestimmten Worten beschrieben. Es versteht sich jedoch von selbst, dass damit keine Einschränkung des Umfangs der Erfindung beabsichtigt ist, wobei solche Änderungen und weitere Modifikationen des dargestellten Systems und solche weiteren Anwendungen der darin dargestellten Grundsätze der Erfindung in Betracht gezogen werden, wie sie einem Fachmann auf dem Gebiet der Erfindung normalerweise einfallen würden.
-
Der Fachmann wird verstehen, dass die vorstehende allgemeine Beschreibung und die folgende detaillierte Beschreibung beispielhaft und erläuternd für die Erfindung sind und diese nicht einschränken sollen.
-
Wenn in dieser Beschreibung von „einem Aspekt“, „einem anderen Aspekt“ oder ähnlichem die Rede ist, bedeutet dies, dass ein bestimmtes Merkmal, eine bestimmte Struktur oder eine bestimmte Eigenschaft, die im Zusammenhang mit der Ausführungsform beschrieben wird, in mindestens einer Ausführungsform der vorliegenden Offenbarung enthalten ist. Daher können sich die Ausdrücke „in einer Ausführungsform“, „in einer anderen Ausführungsform“ und ähnliche Ausdrücke in dieser Beschreibung alle auf dieselbe Ausführungsform beziehen, müssen es aber nicht.
-
Die Ausdrücke „umfasst“, „bestehend aus“ oder andere Varianten davon sollen eine nicht ausschließliche Einbeziehung abdecken. Ebenso schließen eine oder mehrere Vorrichtungen oder Teilsysteme oder Elemente oder Strukturen oder Komponenten, die mit „umfasst...a“ eingeleitet werden, ohne weitere Einschränkungen die Existenz anderer Vorrichtungen oder anderer Teilsysteme oder anderer Elemente oder anderer Strukturen oder anderer Komponenten oder zusätzlicher Vorrichtungen oder zusätzlicher Teilsysteme oder zusätzlicher Elemente oder zusätzlicher Strukturen oder zusätzlicher Komponenten nicht aus.
-
Sofern nicht anders definiert, haben alle hierin verwendeten technischen und wissenschaftlichen Begriffe die gleiche Bedeutung, wie sie von einem Fachmann auf dem Gebiet, zu dem diese Erfindung gehört, allgemein verstanden wird. Das System, die Methoden und die Beispiele, die hier angegeben werden, dienen nur der Veranschaulichung und sind nicht als Einschränkung gedacht.
-
Ausführungsformen der vorliegenden Offenbarung werden im Folgenden unter Bezugnahme auf die beigefügten Zeichnungen im Detail beschrieben.
-
1 zeigt ein Blockdiagramm eines auf E-Fuzzy-Merkmalen und Schwellenwerten basierenden Systems zur Morphologiesegmentierung von MRT-Modalitäten des Gehirns gemäß einer Ausführungsform der vorliegenden Offenbarung.
-
Das System 100 zur Morphologiesegmentierung von MRT-Modalitäten des Gehirns umfasst ein Vorverarbeitungsmodul 102, das so konfiguriert ist, dass es Rauschen aus den MRT-Bildern entfernt und dadurch wichtige Details im Bild unter Verwendung einer Vielzahl von Durchschnittsfiltern bewahrt. Das System 100 umfasst ferner ein Merkmalsextraktionsmodul 104, das mit dem Vorverarbeitungsmodul 102 zusammenarbeitet, um Informationen auf höherer Ebene des Bildes zu sammeln, wobei ein erweitertes Graustufen-Ko-Auftritts-Matrix (E-GLCM) Verfahren verwendet wird. Das System 100 umfasst ferner ein Modul 106 zur Merkmalsfusion, das zur Erkennung von Tumoren eingesetzt wird, indem zwei oder mehr medizinische Bilder durch Kombination von Merkmalen aus mehreren MRT-Modalitäten zur gleichen Zeit zu einem neuen Bild unter Verwendung einer erweiterten Graustufen-Ko-Auftritts-Matrix (E-GLCM) zusammengefügt werden. Schließlich umfasst das System 100 ein Segmentierungsmodul 108, um bei der Erkennung von Hirntumoren Tumorgewebe von normalem Hirngewebe zu trennen, wobei eine auf Schwellenwerten basierende Segmentierung und die morphologischen Operationen für eine genaue und effiziente Segmentierung verwendet werden.
-
Die Bildvorverarbeitung ist ein erster Schritt, um nützliche Daten aus dem Bild zu extrahieren. Dann wird die Vorverarbeitung angewandt, um die Bildqualität der MRT und ihr visuelles Erscheinungsbild zu verbessern. Das Rauschen tritt im Bild auf, wenn das Bild elektronisch von einem Ort zum anderen gesendet wurde. Um das Hirngewebe genau zu segmentieren, wird also zunächst eine Vorverarbeitung durchgeführt, um das Rauschen zu entfernen und die wichtigen Details im Bild zu erhalten. In der vorgeschlagenen Arbeit wird ein Durchschnittsfilter zur Glättung von Bildern verwendet.
-
Bei der Extraktion werden die Merkmale extrahiert, um den Tumor aus der MR-Bildgebung des Gehirns zu identifizieren. Dabei werden übergeordnete Informationen eines Bildes wie Form, Textur, Kontrast usw. erfasst. Tatsächlich ist die Texturanalyse ein wichtiger Parameter der menschlichen visuellen Wahrnehmung, der die Genauigkeit des Diagnosesystems durch die Auswahl hervorstechender Merkmale effektiv verbessert. In dem vorgeschlagenen Tumorsegmentierungsprozess verwenden wir E-GLCM für die Merkmalsextraktion von Gehirnbildern.
-
Das Bildfusionssystem erkennt den Tumor durch Zusammenfügen von zwei oder mehr medizinischen Bildern. Es kombiniert zusätzliche Informationen aus mehreren Bildern und erzeugt ein einziges fusioniertes Bild, das effizientere Informationen liefert als das Eingangsbild. Im Allgemeinen werden die Merkmale von mehreren MRT-Modalitäten zur gleichen Zeit kombiniert, um ein neues Bild zu erstellen.
-
Segmentierung ist der Prozess der Trennung von Tumorgewebe und normalem Hirngewebe bei der Erkennung von Hirnturnoren. Die Segmentierung gilt als das wichtigste und aktivste Forschungsgebiet im Bereich der medizinischen Bildgebung. Bei der Untersuchung von Hirntumoren ist das Vorhandensein von abnormalem Gewebe meist nicht leicht zu erkennen. Daher ist es notwendig, abnormes Gewebe wie aktive Zellen, nekrotische Kerne und Ödeme von normalem Hirngewebe wie der Grauen Substanz (GM), der Weißen Substanz (WM) und der Zerebrospinalflüssigkeit (CSF) zu trennen. Eine genaue und reproduzierbare Segmentierung und Charakterisierung von Anomalien ist jedoch nicht ohne weiteres möglich. Die klinische Akzeptanz von Segmentierungstechniken hängt von der Einfachheit der Segmentierung und dem Grad der Benutzerüberwachung ab. In diesem Beitrag stellen wir eine auf Schwellenwerten basierende Segmentierung und morphologische Operationen für eine genaue und effiziente Segmentierung vor.
-
In einer Ausführungsform bildet der Durchschnittsfilter zunächst den Durchschnitt der Summe der Pixelwerte und teilt die Summe durch die Anzahl der Pixel, um den Durchschnitt des aktuellen Pixels und seiner Nachbarn zu bestimmen, wobei jedes Pixel in einem Bild durch die durchschnittlichen Pixelwerte der Nachbarn in einem quadratischen Fenster dieses Pixels ersetzt wird, um das Rauschen in einem Bild zu reduzieren und die Intensitätsschwankungen von einem Pixel zum anderen zu verringern.
-
In einer Ausführungsform ist die E-GLCM-Merkmalsextraktionstechnik so konfiguriert, dass sie Texturmerkmale in der dritten oder höherwertigen Graustufe für jede Sequenz extrahiert, die eng mit der Tumorregion verbunden ist, indem sie die Beziehung zwischen Gruppen von drei oder mehr Pixeln im Originalbild durch Statistiken n-ter Ordnung berücksichtigt.
-
In einer Ausführungsform werden bei der E-GLCM-Merkmalsextraktion vier spezifische Merkmale extrahiert, wodurch eine für die Segmentierung verwendete Matrixstruktur gebildet wird.
-
In einer Ausführungsform wird die Graustufen-Ko-Auftritts-Matrix (E-GLCM) zur Extraktion von Bildmerkmalen verwendet, aus denen die Texturfelder extrahiert werden, um eine autoadaptive Fusion von Bildern durchzuführen.
-
In einer Ausführungsform wird der Trainingsprozess unter Verwendung des Normalized Adam Algorithmus (NDAdam) im E-Fuzzy-RBNN durchgeführt, der die Norm bewahrt, und EBPA für das Training des Netzes, um die Netzparameter zu aktualisieren, wobei mehrere Gruppen von Koeffizientendaten unter Verwendung von EBPA aktualisiert werden, um ein neuartiges trainiertes System zu erhalten.
-
Bei abnormalen Geweben handelt es sich um aktive Zellen, nekrotische Kerne und Ödeme aus normalem Hirngewebe, einschließlich Grauer Substanz (GM), Weißer Substanz (WM) und Liquor (CSF).
-
In einer Ausführungsform verwendet die schwellenwertbasierte Segmentierung ein globales Schwellenwertschema mit einem vorgegebenen Schwellenwert, um den Segmentierungsfehler zu beseitigen.
-
In einer Ausführungsform werden die morphologischen Operatoren angewandt, um das Rauschen im Bild nach der Segmentierung zu entfernen, damit die Form des Gehirnbildes erhalten bleibt.
-
2 zeigt eine Architektur der vorgeschlagenen Erfindung zur Segmentierung von Hirntumoren gemäß einem Ausführungsbeispiel der vorliegenden Offenbarung.
-
Zunächst wird das BRATS 2015 MRT-Gehirnbild aus der Eingabedatenbank entnommen. Die vorgeschlagene Methodik ist in vier Module unterteilt: (i) Bildvorverarbeitung, (ii) Merkmalsextraktion, (iii) Merkmalsfusion und (iv) Segmentierung. Die Architektur des vorgeschlagenen Ansatzes zur Segmentierung von Hirntumoren ist in dargestellt.
-
Der vorgeschlagene Ansatz wird mit der Datenbank Brain MRI Dataset (BRATS) 2015 analysiert. Die Datenbank enthält vier MRT-Sequenzen wie T1 (longitudinale Relaxationszeit) mit TR (Wiederholungszeit) - 7,6 ms, TE (Echozeit) - 3. 7 ms, Schichtdicke 1mm und Matrix 256 × 256; Tic (T1-gewichtete MRT nach Kontrastmittelgabe) mit TR - 1039 ms, TE - 16 ms, Schichtdicke 3mm und Matrix 256 × 197; T2 (transversale Relaxationszeit) mit TR - 300 ms, TE - 80 ms, Schichtdicke 3mm und Matrix 300 × 256; und Fluid Attenuated Inversion Recovery (FLAIR) mit TR - 11000 ms, TE - 125 ms, Schichtdicke 3mm und Matrix 320 × 200. In dieser Arbeit verwenden wir multimodale MRT-Bilder mit 274, 110 Trainings- bzw. Testdaten, die als Input für die vorgeschlagene semantische Segmentierungstechnik.
-
Er eliminiert das gesamte Rauschen der T1-, T2-, TIC- und FLAIR-Sequenz. Hier wird das Graustufenbild mit dem 5 × 5-Filter, der gleiche Gewichte enthält, als Mittelwertfilter bezeichnet.
-
Die E-GLCM wird zur genauen Extraktion von Texturmerkmalen wie Homogenität, Korrelation, Energie und Kontrast sowie Intensitätsmerkmalen von Gehirnbildern in der zweiten und höheren Graustufe eingeführt. E-GLCM charakterisieren die Bildtextur, berechnen die Pixelpaare mit bestimmten Werten und in einer bestimmten räumlichen Beziehung auf dem Bild erstellt werden, die Schaffung E-GLCM, und extrahieren Sie die statistischen Messungen aus dieser Reihe.
-
Die Anzahl der möglichen Intensitätsstufen im Bild bestimmt die Größe von EGLCM. Bei einem 8-Bit-Bild (256 mögliche Stufen) hat die EGLCM eine Größe von 256x256. Dies ist kein Problem, wenn man mit einer einzigen Matrix arbeitet, aber bei Sequenzen wird in der Regel eine Co-Occurrence verwendet. Um den Rechenaufwand zu verringern, werden die Intensitäten häufig auf begrenzte Stufen quantisiert, um die Größe der GLCM überschaubar zu halten.
-
3 zeigt Tabelle 2, in der die extrahierten Merkmale von MRT-Modalitäten gemäß einer Ausführungsform der vorliegenden Offenbarung dargestellt sind. Insbesondere zeigt Tabelle 2 in 3 die extrahierten numerischen Werte prominenter Merkmale von MRI-Modalitäten. Um die Tumorregion zu identifizieren, werden vier Arten von Merkmalen aus den Gehirnbildern extrahiert. Dabei werden die Merkmale mithilfe von E-GLCM genau berechnet.
-
Das Fusionssystem identifiziert den Tumor durch die Zusammenführung von zwei oder mehr medizinischen Bildern. Es kombiniert die Ergebnisse der E-GLCM-MRI-Modalitäten, bestehend aus FLAIR, T1, T2, T1C. In der Trainingsphase werden zunächst FLAIR und T1 mit der E-Fuzzy-RBNN-Methode zur Merkmalsfusion kombiniert. Während der Verarbeitung werden die Zentrumsfunktion, die Gaußsche Funktion und das Gewicht ermittelt. Anschließend werden diese Parameter mit der NDAdam-Optimierungsmethode optimiert. Das Ergebnis der Optimierung wird als Input für die EBPA-Methode verwendet. In dieser Phase werden MSE und PSNR für den Testabschnitt berechnet. Schließlich werden die verschmolzenen verschmolzenen Bilder erfasst.
-
Die MRT-Segmentierung des Gehirns ist in vielen klinischen Anwendungen eine wesentliche Aufgabe, da sie das Ergebnis der gesamten Analyse beeinflusst. Nach dem Merkmalsfusionsprozess wird das Bild dem Segmentierungsprozess zugeführt. Die Segmentierung auf Basis einzelner Pixel-/Voxel-Intensitäten ist nur dann möglich, wenn sich die Intensitäten eines interessierenden Objekts und seines Hintergrunds stark unterscheiden. Dann kann das komplette Objekt oder die Mehrheit seiner Pixel/Voxel vom Hintergrund getrennt werden, indem einfach die Intensitätswerte mit dem Schwellenwert verglichen werden. Danach kann die mehrstufige Schwellenwertbildung auf die erhaltenen Objektoperatoren angewendet werden, um das Ödem, die Nekrose und den aktiven Zellteil des Tumors aus einem normalen Gehirnbild zu segmentieren. Schließlich werden die morphologischen Operatoren im Segmentierungsprozess verwendet, um die Fehler wie Rauschen, Grenzextraktion usw. zu beseitigen, um die Struktur des Bildes beizubehalten.
-
Die Zeichnungen und die vorangehende Beschreibung geben Beispiele für Ausführungsformen. Der Fachmann wird verstehen, dass eines oder mehrere der beschriebenen Elemente durchaus zu einem einzigen Funktionselement kombiniert werden können. Alternativ dazu können bestimmte Elemente in mehrere Funktionselemente aufgeteilt werden. Elemente aus einer Ausführungsform können einer anderen Ausführungsform hinzugefügt werden. Die Reihenfolge der hier beschriebenen Prozesse kann beispielsweise geändert werden und ist nicht auf die hier beschriebene Weise beschränkt. Auch können die Handlungen, die nicht von anderen Handlungen abhängig sind, parallel zu den anderen Handlungen ausgeführt werden. Der Umfang der Ausführungsformen ist durch diese spezifischen Beispiele keineswegs begrenzt. Zahlreiche Variationen sind möglich, unabhängig davon, ob sie in der Beschreibung explizit aufgeführt sind oder nicht, wie z. B. Unterschiede in der Struktur, den Abmessungen und der Verwendung von Materialien. Der Umfang der Ausführungsformen ist mindestens so groß wie in den folgenden Ansprüchen angegeben.
-
Vorteile, andere Vorteile und Problemlösungen wurden oben im Hinblick auf bestimmte Ausführungsformen beschrieben. Die Vorteile, Vorzüge, Problemlösungen und Komponenten, die dazu führen können, dass ein Vorteil, ein Nutzen oder eine Lösung auftritt oder ausgeprägter wird, sind jedoch nicht als kritisches, erforderliches oder wesentliches Merkmal oder Komponente eines oder aller Ansprüche zu verstehen.
-
Bezugszeichenliste
-
- 100
- - E-Fuzzy-Merkmalsfusion und auf Schwellenwerten basierendes System
- 102
- - Vorverarbeitungsmodul
- 104
- - Modul zur Merkmalsextraktion
- 106
- - Modul zur Merkmalsfusion
- 108
- - Modul zur Segmentierung
- 201
- - T1-Bildgebungsmodalitäten
- 203
- - T2-Bildgebungsmodalitäten
- 205
- - TIC-Bildgebungsverfahren
- 207
- - FLAIR-Bildgebungsmodalitäten
- 202 -
- Mittelwertfilter für T1
- 204 -
- Mittlerer Filter von T2
- 206 -
- Durchschnittlicher Filter von T1C
- 208
- - Durchschnittlicher Filter von FLAIR
- 210
- - Merkmalsextraktion aus T1
- 212
- - Merkmalsextraktion aus T2
- 214
- - Merkmalsextraktion aus T1C
- 216 -
- Merkmalsextraktion aus FLAIR
- 218
- - EBPA-basiertes NDAdam E-fuzzy RBNN Fused-Merkmalsbild
- 220
- - Schwellenwertsegmentierung
- 222
- - Morphologie-Operatoren
- 224
- - Endgültig extrahierter Tumor
