CN102737382A - 一种***超声图像自动精确分割方法 - Google Patents
一种***超声图像自动精确分割方法 Download PDFInfo
- Publication number
- CN102737382A CN102737382A CN2012102075060A CN201210207506A CN102737382A CN 102737382 A CN102737382 A CN 102737382A CN 2012102075060 A CN2012102075060 A CN 2012102075060A CN 201210207506 A CN201210207506 A CN 201210207506A CN 102737382 A CN102737382 A CN 102737382A
- Authority
- CN
- China
- Prior art keywords
- prostate
- shape
- ultrasonoscopy
- space
- reference mark
- 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.)
- Granted
Links
Images
Landscapes
- Ultra Sonic Daignosis Equipment (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
***超声图像自动精确分割方法,属于计算机辅助诊断领域。该方法使用通过各向异性扩散构建的多尺度空间,通过Gabor滤波提取各个尺度下***超声图像的纹理特征。同时,使用非参数核密度估计方法构建***形状空间,并通过均值漂移(meanshift)在形状空间内进行搜索。在纹理特征和形状空间的双重约束下,得到***轮廓的粗分割。最后,使用活动轮廓模型(activecontourmodels),结合方向梯度,自适应探测范围,求精分割结果,最后稳健地得到***超声图像的精确分割。该方法解决了超声图像对比度低,斑点噪声、阴影区域对分割干扰大的问题;实现***超声图像精确分割;可以适应各个厂商生产的不同型号超声机,对超声成像***参数设置不敏感。
Description
技术领域
本发明涉及计算机辅助诊断领域,具体涉及图像分割技术。
背景技术
超声医学(Ultrasonic Medicine)是医学影像学(Medical Imageology)的一个重要组成部分,和CT、MRI、同位素扫描(Radioisotope Scan)共同被称为现在医学影像诊断的四项主要检查方法。
对***轮廓的准确提取,是计算机参与一系列辅助分析的基础。然而人工边界提取十分费时,同时,受限于人的经验、相关知识以及注意力,分析结果可能多变且不准确。所以,用计算机实现自动***超声图像的轮廓提取,不仅具有理论研究价值,对于推动医疗技术的发展,较早发现病变,及时提供治疗,降低死亡率,减轻病人痛苦,也具有十分重要的意义。
早在2003年,东南大学罗立民教授提出了一种超声波多尺度非线性的自适应边界检测方法,首先对超声图像进行多尺度分解,然后用非线性软阈值法抑制斑点噪声之后用小波变换重建图像最后使用基于“窄条”的线性边界检测方法对已经将降噪的图像进行处理。但由于区域增长过程的时间开销,其计算量较大。同年,Mohamed等提出了一种使用gabor滤波提取纹理的分割方法。此外,局部二值模式(Local Binary Pattern)提取纹理特征也广泛应用到了超声图像分割中。两年后,北京交通大学阮秋琦教授提出了一种提出了一种超声图像去噪与边缘增强算法:可以在去除噪声的同时,保持重要的边缘、局部细节和超声回声亮条。虽然对抑制噪声增强边界有较好的效果,但没有将其应用到对图像的分割和边缘检测中。英属哥伦比亚大学Badiei等人于2006年提出了一种通过用户交互,由用户提供6个输入点,来控制椭圆形变,从而寻找***边缘的方法。这种方法简单高效,对一般形状的***有较好的效果,而对于形变比较严重,形状不规则的目标,则难以达到理想的效果。同年,南京理工大学夏德深教授提出了一种先验形状参数活动轮廓模型,并将其应用在医学图像分割中,通过引入一种非距离性的先验形状力场,构建一种新的能反映先验形状的参数活动轮廓模型,新的先验形状活动轮廓模型避免了曲线之间距离的计算,减少了模型的复杂性.但是该模型在处理图像之前需要人工定义活动轮廓模型的初始曲线。加拿大西安大略大学Nanayakkara等人在中提出了另一种新算法,使用域知识,结合模糊集的思想,利用一系列基于区域自适应算子,对离散动态轮廓(Discrete Dynamic Contour,DDC)模型进行了改进,它不仅可以扩大DDC在非边界区域的检测范围,同时能增强其在目标轮廓附近的稳定性,起到很好的自适应效果。然而,这种方法没有考虑超声图像中由阴影导致的边界丢失问题,从而使得DDC模型在这类区域使用很大的探测范围,导致了不准确的分割结果。华中科技大学谢长生教授于2007年提出了多尺度形态学操作和模糊聚类技术相结合的图像分割方法. 首先使用了多尺度形态学滤波器提取超声图像的亮和暗特征, 然后根据这些特征的尺度特性进行加权, 从而实现了超声图像对比度增强和噪声抑制的目的. 然后,使用模糊聚类技术对增强后的超声图像进行分割.该方法对医学超声图像的增强和边缘检测有一定的效果但对于特定器官的处理效果欠佳。2010年,哈尔滨工业大学唐降龙教授提出了一种结合全局概率密度差异与局部灰度拟合的主动轮廓模型对超声图像进行分割的方法. 该方法分别在原始超声图像与预处理图像上利用了图像的全局和局部信息. 在原始图像上, 利用各区域的灰度分布, 并结合超声图像的背景知识对图像的全局信息建模。飞利浦北美研究院Yang等人也于2010年提出了一种新的思路,使用部分活动轮廓模型(Partial Active Shape Models)来处理边界丢失的问题,使用在结合离散可形变模型(Discrete Deformable Model)进一步对分割结果求精。该方法使用未经预处理的图像,没有进一步挖掘图像中蕴含的信息(如纹理特性)。同时超声图像信噪比、对比度都较低,直接在原始图像上进行处理,难以得到较好的处理结果。另外,该方法对目标形状的建模也有一定局限性,因为主成分分析(Principal Component Analysis)只能去除训练集中不同维度的线性相关性,对于现实数据存在的普遍相关相关性难以彻底去除,故在训练集合很接近高斯分布的时候能很好模拟它,对于一些复杂分布则难以取得良好的效果。
发明内容
本发明为了解决超声图像对比度低,斑点噪声、阴影区域对分割干扰大的,没有临床实用的***超声图像自动分割辅助***,而提出了一种***超声图像自动精确分割方法。
本发明使用通过各向异性扩散构建的多尺度空间,通过Gabor滤波提取各个尺度下***超声图像的纹理特征。同时,使用非参数核密度估计方法构建***形状空间,并通过均值漂移(mean shift)在形状空间内进行搜索。在纹理特征和形状空间的双重约束下,得到***轮廓的粗分割。最后,使用活动轮廓模型(active contour models),结合方向梯度,自适应探测范围,求精分割结果,最后稳健地得到***超声图像的精确分割。
本发明的***超声图像自动精确分割方法步骤如下所示:
步骤一: 基于一个数据集的学习样本图片,使用各向异性扩散方法,构建出尺度空间。由超声图像专家手工精确分割,使用Gabor滤波在不同方向、不同频率以及不同尺度下提取超声图像轮廓边缘的纹理特征;
步骤二: 自动初始化起始轮廓模型,从最粗糙的尺度开始,由学习提取的纹理特征和模型轮廓边缘的方向梯度特征作为引导,结合由核密度估计构建的形状空间,共同在子空间约束下寻找目标轮廓,进行初步分割,具体实现步骤为:
步骤A: 模型轮廓上的每一个控制点,都在法向方向上考察临近的坐标点,考虑法线上点纹理特征和方向梯度特征的共同作用,该控制点移向作用最强点的位置;
步骤B: 每一个控制点独立移动过后,模型的形状可能已经被破坏,此时,通过核密度估计方法,考察当前模型形状是否在形状空间之内,如果是,则进入步骤A,否则进入步骤C;
步骤C: 对当前形状使用均值漂移算法,使其向核密度高的方向移动,直到其核密度估计值满足形状空间要求;
步骤D: 考察当前是否在最精细一级的尺度下操作,是则进入步骤三,否则切换到更精细一级尺度,进入步骤A;
步骤三: 对原始超声图像使用均值偏移算法平滑,结合显著点监测算法,使用步骤二的输出形状为初始形状,使用活动轮廓模型进一步求精分割结果,得到最后的***超声图像精确分割结果。
附图说明
图1本发明方法的流程框图;
图2是本发明的控制点法向运动示意图;
图3是本发明的自适应探测距离示意图;
图4是本发明步骤二的输出结果示意图;
图5是本发明的最终分割示意图,与图4对应;
图6是本发明的最终分割结果与专家分割结果的对比示意图,其中虚线为专家分割结果,实线为本发明的分割结果。
具体实施方式
结合图1说明本实施方式,本实施方式的步骤如下:
步骤一: 基于一个数据集的学习样本图片,使用各向异性扩散方法,构建出尺度空间。由超声图像专家手工精确分割,使用Gabor滤波在不同方向、不同频率以及不同尺度下提取超声图像轮廓边缘的纹理特征;
步骤二: 自动初始化起始轮廓模型,从最粗糙的尺度开始,由学习提取的纹理特征和模型轮廓边缘的方向梯度特征作为引导,结合由核密度估计构建的形状空间,共同在子空间约束下寻找目标轮廓,进行初步分割,具体实现步骤为:
步骤A: 模型轮廓上的每一个控制点,都在法向方向上考察临近的坐标点,考虑法线上点纹理特征和方向梯度特征的共同作用,该控制点移向作用最强点的位置;
步骤B: 每一个控制点独立移动过后,模型的形状可能已经被破坏,此时,通过核密度估计方法,考察当前模型形状是否在形状空间之内,如果是,则进入步骤A,否则进入步骤C;
步骤C: 对当前形状使用均值漂移算法,使其向核密度高的方向移动,直到其核密度估计值满足形状空间要求;
步骤D: 考察当前是否在最精细一级的尺度下操作(步骤二分割结果示例见图4),是则进入步骤三,否则切换到更精细一级尺度,进入步骤A;
步骤三: 对原始超声图像使用均值偏移算法平滑,结合显著点监测算法,使用步骤二的输出形状为初始形状,使用活动轮廓模型进一步求精分割结果,得到最后的***超声图像精确分割结果(步骤三分割结果示例见图5,与专家分割结果的对比示例见图6)。
Gabor滤波的实部为
其中
(4)
(5)
不同尺度下每一个控制点的纹理特征可以表示为
其中
(8)
步骤二的实现细节为:对形状上每一个控制,在其由内而外的相对于形状轮廓的法向量上,构建如下向量:
(9)
(10)
则步骤二A中每一个控制点的独立移动方程为
(13)
从而(13)式可以表示为
对于每一个分割形状,使用(16)式对其考察,如满足概率密度要求,则认为形状可以接受;如不满足,则使用均值漂移算法对形状进行修正,直到满足为止:
随后,需要将满足条件的形状最终恢复为图像中的一个分割
步骤三的实现细节为:基于步骤二的输出结果,使用如下能量泛函求精最终分割结果:
其中
(20)
在求解能量泛函时使用动态规划
(22)
式中表示期望,并且。
Claims (5)
1.***超声图像自动精确分割方法,该方法使用通过各向异性扩散构建的多尺度空间,通过Gabor滤波提取各个尺度下***超声图像的纹理特征;同时,使用非参数核密度估计方法构建***形状空间,并通过均值漂移(mean shift)在形状空间内进行搜索;在纹理特征和形状空间的双重约束下,得到***轮廓的粗分割;最后,使用活动轮廓模型(active contour models),结合方向梯度,自适应探测范围,求精分割结果,最后稳健地得到***超声图像的精确分割。
2.根据权利要求1所述的***超声图像自动精确分割方法,其特征在于它的步骤如下:
步骤一:基于一个数据集的学习样本图片,使用各向异性扩散方法,构建出尺度空间;由超声图像专家手工精确分割,使用Gabor滤波在不同方向、不同频率以及不同尺度下提取超声图像轮廓边缘的纹理特征;
步骤二:自动初始化起始轮廓模型,从最粗糙的尺度开始,由学习提取的纹理特征和模型轮廓边缘的方向梯度特征作为引导,结合由核密度估计构建的形状空间,共同在子空间约束下寻找目标轮廓,进行初步分割,具体实现步骤为:
步骤A:模型轮廓上的每一个控制点,都在法向方向上考察临近的坐标点,考虑法线上点纹理特征和方向梯度特征的共同作用,该控制点移向作用最强点的位置;
步骤B:每一个控制点独立移动过后,模型的形状可能已经被破坏,此时,通过核密度估计方法,考察当前模型形状是否在形状空间之内,如果是,则进入步骤A,否则进入步骤C;
步骤C:对当前形状使用均值漂移算法,使其向核密度高的方向移动,直到其核密度估计值满足形状空间要求;
步骤D:考察当前是否在最精细一级的尺度下操作,是则进入步骤三,否则切换到更精细一级尺度,进入步骤A;
步骤三:对原始超声图像使用均值偏移算法平滑,结合显著点监测算法,使用步骤二的输出形状为初始形状,使用活动轮廓模型进一步求精分割结果,得到最后的***超声图像精确分割结果。
Gabor滤波的实部为
其中
则使用Gabor函数对不同尺度下的图像卷积可以得到***轮廓上的纹理特征:
(5)
不同尺度下每一个控制点的纹理特征可以表示为
其中
(7)
不同尺度的图像由不同的各向异性扩散次数和下采样率的不同来决定,越粗糙的尺度扩散迭代次数和下采样率越高;
各向异性扩散方程为
4.根据权利要求2所述的***超声图像自动精确分割方法,其特征在于步骤二,首先,对形状上每一个控制,在其由内而外的相对于形状轮廓的法向量上,构建如下向量:
其中定义为
(11)
则步骤二A中每一个控制点的独立移动方程为
(12)
其中,为通过普氏方法向训练集校正过的形状轮廓;
(15)
从而(13)式可以表示为
对于每一个分割形状,使用(16)式对其考察,如满足概率密度要求,则认为形状可以接受;如不满足,则使用均值漂移算法对形状进行修正,直到满足为止:
随后,需要将满足条件的形状最终恢复为图像中的一个分割
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210207506.0A CN102737382B (zh) | 2012-06-22 | 2012-06-22 | 一种***超声图像自动精确分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210207506.0A CN102737382B (zh) | 2012-06-22 | 2012-06-22 | 一种***超声图像自动精确分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102737382A true CN102737382A (zh) | 2012-10-17 |
CN102737382B CN102737382B (zh) | 2017-02-08 |
Family
ID=46992807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210207506.0A Expired - Fee Related CN102737382B (zh) | 2012-06-22 | 2012-06-22 | 一种***超声图像自动精确分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102737382B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793916A (zh) * | 2014-02-21 | 2014-05-14 | 武汉大学 | 一种hifu治疗中子宫肌瘤超声图像分割方法 |
CN104504720A (zh) * | 2015-01-07 | 2015-04-08 | 四川大学 | 一种新的***超声图像分割技术 |
CN106340001A (zh) * | 2015-07-07 | 2017-01-18 | 富士通株式会社 | 图像划分装置和图像划分方法 |
CN106778005A (zh) * | 2016-12-27 | 2017-05-31 | 中南民族大学 | 基于多参数mri的***癌计算机辅助检测方法及*** |
CN107590808A (zh) * | 2016-07-06 | 2018-01-16 | 上海联影医疗科技有限公司 | 医学图像中的***分割方法 |
CN108921860A (zh) * | 2018-07-10 | 2018-11-30 | 北京大学 | 一种***磁共振图像全自动分割方法 |
CN111161273A (zh) * | 2019-12-31 | 2020-05-15 | 电子科技大学 | 一种基于深度学习的医学超声图像分割方法 |
CN112450982A (zh) * | 2020-12-09 | 2021-03-09 | 上海市闵行区中心医院 | 一种通过b超表现预测***癌的定性和数据评分*** |
CN112469340A (zh) * | 2018-07-26 | 2021-03-09 | 皇家飞利浦有限公司 | 具有用于引导式肝成像的人工神经网络的超声*** |
CN112869768A (zh) * | 2021-01-12 | 2021-06-01 | 哈尔滨工业大学(威海) | 基于多模态成像的身体机能多参数量化方法和装置 |
CN113838001A (zh) * | 2021-08-24 | 2021-12-24 | 内蒙古电力科学研究院 | 基于核密度估计的超声波全聚焦图像缺陷处理方法及装置 |
CN116740768A (zh) * | 2023-08-11 | 2023-09-12 | 南京诺源医疗器械有限公司 | 基于鼻颅镜的导航可视化方法、***、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103295224B (zh) * | 2013-03-14 | 2016-02-17 | 北京工业大学 | 一种基于均值漂移和分水岭的乳腺超声图像自动分割方法 |
-
2012
- 2012-06-22 CN CN201210207506.0A patent/CN102737382B/zh not_active Expired - Fee Related
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793916B (zh) * | 2014-02-21 | 2016-06-29 | 武汉大学 | 一种hifu治疗中子宫肌瘤超声图像分割方法 |
CN103793916A (zh) * | 2014-02-21 | 2014-05-14 | 武汉大学 | 一种hifu治疗中子宫肌瘤超声图像分割方法 |
CN104504720A (zh) * | 2015-01-07 | 2015-04-08 | 四川大学 | 一种新的***超声图像分割技术 |
CN104504720B (zh) * | 2015-01-07 | 2017-04-19 | 四川大学 | 一种新的***超声图像分割方法 |
CN106340001A (zh) * | 2015-07-07 | 2017-01-18 | 富士通株式会社 | 图像划分装置和图像划分方法 |
CN106340001B (zh) * | 2015-07-07 | 2019-02-15 | 富士通株式会社 | 图像划分装置和图像划分方法 |
CN107590808B (zh) * | 2016-07-06 | 2021-01-29 | 上海联影医疗科技股份有限公司 | 医学图像中的***分割方法 |
CN107590808A (zh) * | 2016-07-06 | 2018-01-16 | 上海联影医疗科技有限公司 | 医学图像中的***分割方法 |
CN106778005A (zh) * | 2016-12-27 | 2017-05-31 | 中南民族大学 | 基于多参数mri的***癌计算机辅助检测方法及*** |
CN106778005B (zh) * | 2016-12-27 | 2019-06-07 | 中南民族大学 | 基于多参数mri的***癌计算机辅助检测*** |
CN108921860B (zh) * | 2018-07-10 | 2021-09-10 | 北京大学 | 一种***磁共振图像全自动分割方法 |
CN108921860A (zh) * | 2018-07-10 | 2018-11-30 | 北京大学 | 一种***磁共振图像全自动分割方法 |
CN112469340A (zh) * | 2018-07-26 | 2021-03-09 | 皇家飞利浦有限公司 | 具有用于引导式肝成像的人工神经网络的超声*** |
CN111161273A (zh) * | 2019-12-31 | 2020-05-15 | 电子科技大学 | 一种基于深度学习的医学超声图像分割方法 |
CN112450982A (zh) * | 2020-12-09 | 2021-03-09 | 上海市闵行区中心医院 | 一种通过b超表现预测***癌的定性和数据评分*** |
CN112450982B (zh) * | 2020-12-09 | 2023-03-28 | 上海市闵行区中心医院 | 一种通过b超表现预测***癌的定性和数据评分*** |
CN112869768A (zh) * | 2021-01-12 | 2021-06-01 | 哈尔滨工业大学(威海) | 基于多模态成像的身体机能多参数量化方法和装置 |
CN113838001A (zh) * | 2021-08-24 | 2021-12-24 | 内蒙古电力科学研究院 | 基于核密度估计的超声波全聚焦图像缺陷处理方法及装置 |
CN113838001B (zh) * | 2021-08-24 | 2024-02-13 | 内蒙古电力科学研究院 | 基于核密度估计的超声波全聚焦图像缺陷处理方法及装置 |
CN116740768A (zh) * | 2023-08-11 | 2023-09-12 | 南京诺源医疗器械有限公司 | 基于鼻颅镜的导航可视化方法、***、设备及存储介质 |
CN116740768B (zh) * | 2023-08-11 | 2023-10-20 | 南京诺源医疗器械有限公司 | 基于鼻颅镜的导航可视化方法、***、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102737382B (zh) | 2017-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102737382A (zh) | 一种***超声图像自动精确分割方法 | |
CN108053417B (zh) | 一种基于混合粗分割特征的3D U-Net网络的肺分割装置 | |
CN107886514B (zh) | 基于深度残差网络的乳腺钼靶图像肿块语义分割方法 | |
CN105574859B (zh) | 一种基于ct图像的肝脏肿瘤分割方法及装置 | |
CN105957063B (zh) | 基于多尺度加权相似性测度的ct图像肝脏分割方法及*** | |
CN107644420B (zh) | 基于中心线提取的血管图像分割方法、核磁共振成像*** | |
CN106683104B (zh) | 基于集成深度卷积神经网络的***磁共振图像分割方法 | |
CN107240102A (zh) | 基于深度学习算法的恶性肿瘤计算机辅助早期诊断方法 | |
Lei et al. | Brain tumor segmentation in MR images using a sparse constrained level set algorithm | |
CN107590809A (zh) | 肺分割方法及医学成像*** | |
Jeyavathana et al. | A survey: analysis on pre-processing and segmentation techniques for medical images | |
CN103473767B (zh) | 一种腹部软组织核磁图像分割的方法和*** | |
CN104599270A (zh) | 一种基于改进水平集算法的乳腺肿瘤超声图像分割方法 | |
CN110148145B (zh) | 一种融合边界信息的图像目标区提取方法及应用 | |
CN110910405A (zh) | 基于多尺度空洞卷积神经网络的脑肿瘤分割方法及*** | |
CN109447998A (zh) | 基于PCANet深度学习模型下的自动分割方法 | |
CN105279759A (zh) | 结合上下信息窄带约束的腹腔主动脉瘤外轮廓分割方法 | |
CN104268873A (zh) | 基于核磁共振图像的乳腺肿瘤分割方法 | |
CN108053398A (zh) | 一种半监督特征学习的黑色素瘤自动检测方法 | |
CN109300113A (zh) | 一种基于改进凸包方法的肺结节辅助检测***及方法 | |
CN112263217B (zh) | 一种基于改进卷积神经网络的非黑素瘤皮肤癌病理图像病变区域检测方法 | |
Deng et al. | Graph cut based automatic aorta segmentation with an adaptive smoothness constraint in 3D abdominal CT images | |
Wei et al. | Learning-based 3D surface optimization from medical image reconstruction | |
Ye et al. | Medical image diagnosis of prostate tumor based on PSP-Net+ VGG16 deep learning network | |
Barman et al. | MRI image segmentation using level set method and implement an medical diagnosis system |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170208 Termination date: 20180622 |