CN101719274B - 一种医学影像体数据的三维纹理分析方法 - Google Patents
一种医学影像体数据的三维纹理分析方法 Download PDFInfo
- Publication number
- CN101719274B CN101719274B CN2009102191360A CN200910219136A CN101719274B CN 101719274 B CN101719274 B CN 101719274B CN 2009102191360 A CN2009102191360 A CN 2009102191360A CN 200910219136 A CN200910219136 A CN 200910219136A CN 101719274 B CN101719274 B CN 101719274B
- Authority
- CN
- China
- Prior art keywords
- gray
- area
- directions
- gray level
- occurrence matrixes
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种医学影像体数据的三维纹理分析方法，由以下四个有序的步骤构成：第一步：在医学影像体数据中划定要处理的区域；第二步：在划定区域内获得三维灰度共生矩阵的参数：待处理体数据的灰度等级范围、灰度共生矩阵的生成方向和灰度共生矩阵生成的像素间距。第三步：归一化后，按照第二步设定的方向和像素间距参数计算各个方向上的灰度共生矩阵。第四步：基于所有方向的灰度共生矩阵，计算特征值。最终对于每一个方向的灰度共生矩阵获得一个特征向量。对所有的方向上的特征值求平均，得到一个该区域的特征值向量，此向量即为此区域体数据三维纹理分析结果。此算法可以对CT或者MRI所产生的影像体数据中的指定的三维空间区域进行纹理分析，最终得到一个特征向量，用此向量来表征此医学影像体数据中某指定区域的三维纹理。
Description
技术领域
本发明属于数字图像处理及模式识别领域。特别是在医学影像分析领域中，利用本发明的纹理分析方法可以计算出感兴趣目标的内在纹理模式，从而实现目标的计算机辅助识别。
背景技术
纹理是一种常见且重要的目标物识别方法。目前纹理特征的提取方法大致可以分为两类：统计分析方法和结构分析方法。前者从图像的有关属性的统计分析出发，根据纹理元素及排列规则来描述纹理结构，反映像素之间的灰度级空间相关规律；后者则着力找出纹理基元，再从结构组成探索纹理的规律，也有直接去探求纹理构成的结构规律。一般来说统计法适用于分析纹理细而且不规则的物体；结构法则适用于纹理基元排列较规则的图像。
纹理特征提取的主要目的是将随机的纹理或几何纹理的空间结构差异转化为特征灰度值的差异，用一些数学模型来描述图像的纹理信息，包括图像区域的平滑、稀疏和规则性等。通常，纹理特征与纹理的位置、走向、尺寸、形状等性质有关，但是与平均灰度级(亮度)无关。随着计算机运算能力的提高，利用纹理分析作为核心方法进行计算机辅助病灶检测在最近几年逐渐成为一个研究热点。纹理分析的一个经典算法是1973年由haralick提出的灰度共生矩阵[Haralick，R.M，K.Shanmugam，and Itshak Dinstein.″Textural Featuresfor Image Classification.″IEEE Transactions on Systems，Man，andCybernetics，vol.Smc-3，no.6，Nov.1973.pp.610-621.]。Susomboon等为了探索最佳的纹理分析扫描窗口大小，对离体动脉、脂肪、肾脏、肝脏、肺脏、肌肉、脾脏和骨头用不同的窗口大小扫描后进行二维纹理分析，最终获得了这些正常组织的Haralick典型特征向量数据[R.Susomboon，D.S.Raicu，and J.D.Furst，″Pixel-Based Texture Classification of Tissues in ComputedTomography″，CTI Research Symposium，April 2006]。S.Gordon等利用纹理分析的方法对PACS中的子宫颈图像进行分析归类[S.Gordon，G.Zimmerman，H.Greenspan，Image segmentation of Uterine Cervix images for indexing in PACS，Proceedings of the 17th IEEE Symposium on Computer-Based Medical Systems，2004]。在肺结节的影像学检查中，利用纹理分析的方法降低人工读片的失误已经是一种相对成熟的技术[Bram van Ginneken*，Bart M.ter Haar Romeny，andMax A.Viergever，Member IEEE，Computer-Aided Diagnosis in ChestRadiography：A Survey，IEEE TRANSACTIONS ON MEDICAL IMAGING，2001；20：1228-1240]。另外基于二维纹理分析的方法在在肝脏的疾病的自动分类[Ahmadian，Mostafa，Abolhassani，Salimpour，A texture classification method fordiffused liver diseases using Gabor wavelets，Engineering in Medicine and BiologySociety，2005.IEEE-EMBS 2005.27th Annual International Conference of theVolume，Issue，17-18Jan.2006：1567-1570]和乳腺X照相检查中对于乳腺癌的计算机辅助探测中均有应用[Juliette S.，Kathy，Jeffrey et al.Detection of BreastCancer with Full-Field Digital Mammography and Computer-Aided Detection，Am.J.Roentgenol.，2009；192：337-340]。综上可以看出，二维纹理分析在CAD技术中的应用已经非常广泛而且取得了较好的效果。
申请者考虑到以前纹理分析的焦点在于分析物体的表面信息，而在医学影像体数据中，经过三维重建的人体器官表面只包含了部分信息，而器官内部的一些小的肌肉、神经和血管虽然在目前的硬件分辨率下可能无法完全三维重建，但其大致走向和相互之间的固定的位置关系会构成一定的三维纹理信息。而此纹理信息可能也会随着局部的病变而发生变化。
发明内容
本发明的目的是提供一种医学影像体数据的三维纹理分析方法，此方法可以对CT或者MRI所产生的影像体数据中的指定的三维空间区域进行纹理分析，得到一个特征向量，用来表征此指定体数据区域的三维纹理。
本发明由以下四个有序的步骤构成：
第一步：在医学影像体数据中划定要处理的区域。
第二步：在划定区域内获得三维灰度共生矩阵的参数：待处理体数据的灰度等级范围、灰度共生矩阵的生成方向和灰度共生矩阵生成的像素间距。
第二步：归一化后，按照第二步设定的方向和像素间距参数计算各个方向上的灰度共生矩阵。
第四步：基于所有方向的灰度共生矩阵，计算特征值。最终对于每一个方向的灰度共生矩阵获得一个特征向量。对所有的方向上的特征值求平均，得到一个该区域的特征值向量，此向量即为此区域体数据三维纹理分析结果。
本发明基于以前二维纹理分析方法的思想，发明了一种医学影像体数据的三维纹理分析方法，用来获得体数据内部的内在分布关系和模式规律。此方法利用CT或者MRI影像体数据，对于目标区域进行三维纹理分析，获得的特征向量，利用这些获得的特征向量最后在分类器中可以在一定程度上区分结构变异组织和正常组织，或者用于别的用途。
附图说明
图1是灰度共生矩阵方向方向参数示例。
具体实施方式
本发明由以下四个有序的步骤构成：
第一步：指定区域。指定区域是指在医学影像体数据中划定一个需要进行计算的范围，指定的方法往往与本发明的算法应用领域有关。可人工勾勒，也可用一些别的自动化选取。
第二步：确定以下三个参数(参数的获取没有先后顺序)：
(1)待处理体数据的灰度等级范围。
对待处理区域进行遍历，记录最大灰度等级MaxGrey和最小灰度等级MinGrey。
(2)灰度共生矩阵的生成方向。
将纹理的分析扩展到三维空间后，要全面的表现体数据纹理在三维空间中各个方向的变化，可供选择的方向参数和二维情况下相比呈几何倍数增加。为了能够全面的描述纹理在三维空间中的变化，表1的列举了13种灰度共生矩阵的生成方向。其中θ表示生成方向在XOY平面上的投影与X轴的夹角，φ表示生成方向相对于Z轴的角度。考虑到计算效率，在实际计算中可以从上述方向中选取一些主要方向，具体选取方法可根据实际问题的纹理特点确定，但是至少要包含(0°，90°)，(90°，90°)和(垂直于XOY平面，0°)三个主轴方向。例如可以选取(0°，90°)，(45°，45°)，(45°，135°)，(90°，90°)，(135°，45°)，(135°，135°)，(垂直于XOY平面，0°)共7个有代表性的方向参数，这7个方向在3D图像上的具体表现如图1所示。
表1灰度共生矩阵生成方向列表
| 序号 | θ | φ |
| 1 | 0° | 45° |
| 2 | 0° | 90° |
| 3 | 0° | 135° |
| 4 | 45° | 45° |
| 5 | 45° | 90° |
| 6 | 45° | 135° |
| 7 | 90° | 45° |
| 8 | 90° | 90° |
| 9 | 90° | 135° |
| 10 | 135° | 45° |
| 11 | 135° | 90° |
| 12 | 135° | 135° |
| 13 | 垂直于XOY平面 | 0° |
(3)灰度共生矩阵生成的像素间距
在每一个方向上可以采用不同的像素间距Di(1≤Di≤Dmax，其中Dmax为选定区域内最远的两个像素之间的像素数)。也可以所有方向采用统一的像素间距D。像素间距的具体值在实际应用中可以根据经验值来选定。
第三步：计算三维灰度共生矩阵。
由于纹理分析与平均灰度级(亮度)无关，因此在计算灰度共生矩阵之前，先对选定区域的灰度值进行归一化。即令选定区域中的每一个体数据数值：
Greynew＝Greyold-MinGrey
其中Greyold为归一化前的灰度值，而Greynew为归一化后的灰度值，MinGrey为第二步中确定的参数。
把选定区域的数值范围归一化到0到MaxGrey-MinGrey之间。对所有选定区域的数据点，以指定的像素间距D，按照第二步中指定的每一个方向计算出一个灰度共生矩阵。在进行计算时，若从当前点出发，沿着某一个选定的方向，移动指定的D个像素后，所在像素已经超出了选定的区域，则忽略此点进入下一个点的计算。
第四步：计算可用于分类的特征值
基于所有方向的灰度共生矩阵，计算出所有的14种Haralick建议的特征值或者用其他新的算法计算出一些别的特征值。最终对于每一个方向的灰度共生矩阵，都可以计算出一个特征向量。假设共计算了N个特征值，则每个方向上的特征向量如下：
V1＝[Direction1_feature1，Direction1_feature2，...，Direction1_featureN]
V2＝[Direction2_feature1，Direction2_feature2，...，Direction2_featureN]
…
VM＝[DirectionM_feature1，DirectionM_feature2，...，DirectionM_featureN]
考虑到选定区域的体数据旋转不能影响运算结果，因此对所有的方向上的特征值求平均：
Feature1＝(Direction1_feature1+Direction2_feature1+..+DirectionM_feature1)/M
Feature2＝(Direction1_feature2+Direction2_feature2+..+DirectionM_feature2)/M
FeatureN＝(Direction1_featureN+Direction2_featureN+..+DirectionM_featureN)/M
最终得到一个该区域的特征值向量
V＝[Feature1，Feature2，...，FeatureN]
此向量即为此区域体数据三维纹理分析结果。
Claims (1)
1.一种医学影像体数据的三维纹理分析方法，其特征是由以下4个有序的步骤构成：
第一步：指定由医学影像数据体数据构成的一个三维的空间区域，该区域形状不限；
第二步：计算指定区域的灰度值上限和下限；设定对此空间区域计算灰度共生矩阵的方向，此方向必须为X，Y，Z三个主轴方向和以下所列出的13个方向中的一个或者多个方向的组合，并且在每个方向上计算灰度共生矩阵的像素间距或者所有方向都使用同一个像素间距；
灰度共生矩阵生成方向列表
其中θ表示生成方向在XOY平面上的投影与X轴的夹角，φ表示生成方向相对于Z轴的角度；
第三步：计算每个方向上的灰度共生矩阵，在计算之前对划定区域的体数据值进行等级的映射，使得所有要计算的区域的数据值从同一个固定的值开始；在进行计算时，若从当前点出发，沿着某一个选定的方向，移动了步骤二中指定的像素间距后，超出了选定的区域，则忽略此点进入下一个点的计算；
第四步：基于第三步计算出的各个方向的灰度共生矩阵，计算出一个或者多个特征值，对于每一个方向上的灰度共生矩阵，都计算出一个特征向量，对所有方向上的同一种特征值求平均，最终在该指定区域上得到一个三维纹理分析的特征值向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2009102191360A CN101719274B (zh) | 2009-11-25 | 2009-11-25 | 一种医学影像体数据的三维纹理分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2009102191360A CN101719274B (zh) | 2009-11-25 | 2009-11-25 | 一种医学影像体数据的三维纹理分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN101719274A CN101719274A (zh) | 2010-06-02 |
| CN101719274B true CN101719274B (zh) | 2011-11-02 |
Family
ID=42433844
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2009102191360A Expired - Fee Related CN101719274B (zh) | 2009-11-25 | 2009-11-25 | 一种医学影像体数据的三维纹理分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN101719274B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102013205278A1 (de) * | 2013-03-26 | 2014-10-02 | Siemens Aktiengesellschaft | Verfahren zur Darstellung von Signalwerten eines kombinierten Magnetresonanz-Positronenemissionstomographie-Geräts sowie entsprechend ausgestaltetes Magnetresonanz-Positronenemissionstomographie-Gerät |
| CN116645349B (zh) * | 2023-05-29 | 2024-03-19 | 沈阳工业大学 | 一种提高血管三维显示效果的图像处理方法及*** |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1604014A (zh) * | 2003-09-30 | 2005-04-06 | 佳能株式会社 | 图像显示装置和方法 |
-
2009
- 2009-11-25 CN CN2009102191360A patent/CN101719274B/zh not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1604014A (zh) * | 2003-09-30 | 2005-04-06 | 佳能株式会社 | 图像显示装置和方法 |
Non-Patent Citations (3)
| Title |
|---|
| JP特开2000-244945A 2000.09.08 |
| JP特开2008-97624A 2008.04.24 |
| JP特开2009-140247A 2009.06.25 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN101719274A (zh) | 2010-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cascio et al. | Automatic detection of lung nodules in CT datasets based on stable 3D mass–spring models | |
| US9025858B2 (en) | Method and apparatus for automatically generating optimal 2-dimensional medical image from 3-dimensional medical image | |
| Pu et al. | Shape “break-and-repair” strategy and its application to automated medical image segmentation | |
| US8135189B2 (en) | System and method for organ segmentation using surface patch classification in 2D and 3D images | |
| US20080225044A1 (en) | Method and Apparatus for Editing Three-Dimensional Images | |
| Beichel et al. | Liver segmentation in contrast enhanced CT data using graph cuts and interactive 3D segmentation refinement methods | |
| AlZu’bi et al. | Multi-orientation geometric medical volumes segmentation using 3d multiresolution analysis | |
| EP3444781B1 (en) | Image processing apparatus and image processing method | |
| CA2617227C (en) | Deformable model for segmenting patient contours versus support structures in medical images | |
| JP6385318B2 (ja) | ３ｄ医用画像中の対象物をセグメンテーションするための３ｄ対象物の変換 | |
| Kim et al. | The recent progress in quantitative medical image analysis for computer aided diagnosis systems | |
| Peng et al. | A study of T [sub] 2 [/sub]-weighted MR image texture features and diffusion-weighted MR image features for computer-aided diagnosis of prostate cancer | |
| Ciecholewski | Automatic liver segmentation from 2D CT images using an approximate contour model | |
| Widodo et al. | Lung diseases detection caused by smoking using support vector machine | |
| Soza et al. | Non-rigid registration with use of hardware-based 3D Bézier functions | |
| CN101719274B (zh) | 一种医学影像体数据的三维纹理分析方法 | |
| CN1836258B (zh) | 采用结构张量来检测肺结节和结肠息肉的方法和*** | |
| Erdt et al. | Computer aided segmentation of kidneys using locally shape constrained deformable models on CT images | |
| Hopp et al. | Registration of 3D ultrasound computer tomography and MRI for evaluation of tissue correspondences | |
| RU2478337C2 (ru) | Способ определения контура сердца на флюорографических снимках | |
| Al-Qunaieer et al. | Multi-resolution level sets with shape priors: a validation report for 2D segmentation of prostate gland in T2W MR images | |
| Kerr et al. | “True” color surface anatomy: mapping the Visible Human to patient-specific CT data | |
| Liu et al. | Study and application of medical image visualization technology | |
| Xie | Design and Development of Medical Image Processing Experiment System Based on IDL Language. | |
| Khan et al. | Achieving enhanced accuracy and strength performance with parallel programming for invariant affine point cloud registration |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20111102 Termination date: 20171125 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |