CN105184799A - 一种改进的无监督脑部肿瘤mri图像分割方法 - Google Patents
一种改进的无监督脑部肿瘤mri图像分割方法 Download PDFInfo
- Publication number
- CN105184799A CN105184799A CN201510597550.0A CN201510597550A CN105184799A CN 105184799 A CN105184799 A CN 105184799A CN 201510597550 A CN201510597550 A CN 201510597550A CN 105184799 A CN105184799 A CN 105184799A
- Authority
- CN
- China
- Prior art keywords
- image
- brain
- split
- edge
- segmentation
- 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.)
- Pending
Links
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及图像处理技术领域,尤其涉及一种改进的无监督脑部肿瘤MRI图像分割方法。它主要是增加了一个非线性偏向共振图像优化模型,将已经分割好的图像经过非线性偏向共振图像优化模型优化,采用这种方法得到的分割图像准确度较高,进而使得脑部肿瘤的识别准确度更高。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种改进的无监督脑部肿瘤MRI图像分割方法。
背景技术
医学图像分割是提取影像图像中特殊组织的定量信息所不可缺少的手段,同时也是图像三维重建和可视化的前提。分割后的图像被广泛地应用于各种场合,如病变组织的定位及诊断,解剖结构的学习,计算机指导手术和三维可视化等。
MRI(核磁共振成像)图像是医用图像的重要组成部分之一,但是由于MRI图像存在一定程度的噪声,所以我们需要对原始MRI图像进行预处理,以便获得更好的像质,提高处理的精度,得到理想的分割效果。
现有技术主要采用基于支持向量机(SupportVectorMachines,SVMs)的边缘定位法来解决边缘检测时的伪边缘问题,同时利用自适应的自动选取种子点的区域膨胀法对图像进行分割,提高图像分割的准确度。但是采用这种方法得到的分割图像的准确度还是不够高。
发明内容
本发明所要解决的技术问题是:提供一种改进的无监督脑部肿瘤MRI图像分割方法,采用这种方法得到的分割图像准确度较高,进而使得脑部肿瘤的识别准确度更高。
本发明所采用的技术方案是:一种改进的无监督脑部肿瘤MRI图像分割方法,它包括以下步骤:
(1)、建立已知脑部MRI图像的标准信噪比数据合集;
(2)、获取待分割的脑部MRI图像,并且将其转换为灰度图像;
(3)、利用SVM的边缘定位法对步骤(2)得到的灰度图像进行边缘检测;
(4)、对步骤(3)检测出的各条边缘进行特征提取,然后构建SVM分类器对提取的特征参数进行边缘定位,分类出脑部不同组织边缘;
(5)、从步骤(4)获得的脑部不同组织边缘的3*3邻域,随机选取多个像素值在230-250范围内的点作为生长点,并设定一个预设阈值T;
(6)、采用步骤(5)得到的生长点为核心,判断其3*3的邻域内的非生长点是否满足相似性原则,若满足则将该非生长点加入到生长点合集中,若不满足则舍去该非生长点,直到所有的非生长点都判断完毕后,将生长区域分割出来得到脑部MRI分割图像;
(7)、将步骤(6)得到的分割图像以3*3邻域的模式,分块依次输入到非线性偏向共振图像优化模型,得到输出信噪比数据合集,其中所述的非线性偏向共振图像优化模型如下:
式中,A为信号幅度;f0为周期信号频率;ψ为周期信号初相位;s为布朗粒子运动坐标;t为布朗粒子运动时间;A×cos(2πf0t+ψ)为偏向共振周期性输入信号函数;img(t)为3*3邻域输入图像;m和n为双稳态势垒实参数;α为噪声强度;ξ(t)为均值为0的高斯白噪声,其自相关函数E[ξ(t)ξ(0)]=2αδ(t),其强度为α,δ(t)为单位脉冲函数;
(8)、将步骤(7)得到的输出信噪比数据合集与步骤(1)得到的标准信噪比数据合集相比,若相似度≥90%,在判断优化成功;若相似度<90%,则判断优化不成功,返回步骤(2)继续进行分割与优化。
步骤(1)中建立已知脑部MRI图像的标准信噪比数据合集包括以下具体步骤:
A、通过传统方法分割多个脑部MRI图像;
B、通过医生肉眼观察判断步骤A分割后的图像是否准确,若准确则归入到正确图像集中;
C、计算步骤B中正确图像集中的所有分割图像的信噪比数据合集,然后取平均值得到标准信噪比数据合集。
采用以上方法与现有技术相比,本发明具有以下优点:采用基于支持向量机的边缘定位法来解决边缘检测时的伪边缘问题,同时利用自适应的自动选取种子点的区域膨胀法对图像进行分割,最后再采用非线性偏向共振图像优化模型修剪过度膨胀的区域,增补欠膨胀区域,并且还与现有技术得到的标准脑部MRI分割图像做对比,最后得到优化后的脑部MRI分割图像,得到分割图像准确度较高,且采用这种分割图像对脑部肿瘤的识别准确度较高。
附图说明
图1为原始灰度图像。
图2为采用本发明方法得到的分割图像。
图3为本发明一种改进的无监督脑部肿瘤MRI图像分割方法中噪声强度与信噪比的关系图。
具体实施方式
以下结合附图与具体实施方式对本发明做进一步描述,但是本发明不仅限于以下具体实施方式。
一种改进的无监督脑部肿瘤MRI图像分割方法,它包括以下步骤:
(1)、建立已知脑部MRI图像的标准信噪比数据合集;
A、通过传统方法分割多个脑部MRI图像;所述传统方法为标记分水岭法,也可以是其他常规的图像分割方法;
B、通过医生肉眼观察判断步骤A分割后的图像是否准确,若准确则归入到正确图像集中;
所述判断步骤A分割后的图像是否准确是指医生通过经验来判断是否将脑部的各个组织分离开来了,若是完全分割开来了,则判断是正确的,若有些组织分割时被破坏了或者没有将两个组织分割开来,则判断是不正确的;
C、计算步骤B中正确图像集中的所有分割图像的信噪比数据合集,然后取平均值得到标准信噪比数据合集。
信噪比是通过计算分割图像中有用像素点的灰度值与无用像素点的灰度值作对比得到的。
(2)、获取待分割的脑部MRI图像,并且将其转换为灰度图像;
(3)、利用SVM的边缘定位法对步骤(2)得到的灰度图像进行边缘检测;
肿瘤组织是具有一定轮廓的,而这个轮廓的灰度值基本是一致的,因此我们就把这个灰度值的轮廓作为灰度图像的边缘,等同于感兴趣区域初始轮廓。
计算每幅图像序列的梯度幅值和梯度直方图,根据Gonzalez和Woods提出的迭代步骤确定出高梯度区域和低梯度区域的最佳分割阈值t=45,然后计算高、低梯度区域的均值和方差μ1(t)=2.7、μ0(t)=0.6、σ1 2=8.4和σ0 2=14.4,从而计算高阈值τh=194和低阈值τl=166。最后运用Canny算子检测每幅图像边缘。
(4)、对步骤(3)检测出的各条边缘进行特征提取,然后构建SVM分类器对提取的特征参数进行边缘定位,分类出脑部不同组织边缘;
脑部组织主要包括大脑、脑干、小脑、脑桥和延髓;
本实施例中首先另取某位患者的脑部MRI序列图像,进行边缘检测后的边缘进行标记,将延髓边缘标记为1,非延髓边缘标记为0。该患者一共取得512个样本边缘作为训练集。测试集选用另外20张该患者的MRI图像,每张5个样本,共100个样本作为测试集。接着对训练样本与测试样本的边缘特征进行归一化处理,SVM的核函数选择径向基核函数K(xi,xj)=exp(-γ||xi-xj||2),并使用粒子群算法对SVM的惩罚参数C和核参数γ进行优化,然后用训练样本构建二分类SVM分类器。
最后用测试集样本进行分类,得出延髓边缘和非延髓边缘,并只选择显示延髓边缘。
(5)、从步骤(4)获得的脑部不同组织边缘的3*3邻域,随机选取多个像素值在230-250范围内的点作为生长点,并设定一个预设阈值T;
所述预设阈值T的取值范围为200-280;
(6)、采用步骤(5)得到的生长点为核心,判断其3*3的邻域内的非生长点是否满足相似性原则,若满足则将该非生长点加入到生长点合集中,若不满足则舍去该非生长点,直到所有的非生长点都判断完毕后,将生长区域分割出来得到脑部MRI分割图像;
相似性原则的判断公式为max|fxy-m|(x,y∈R)<T,其中fxy表示坐标位置为(x,y)的非种子点的像素值,x为点的x坐标值,y为点的y坐标值,m表示所有种子点的像素均值,R表示生长区域种子点3*3邻域内各个点的坐标集合;
(7)、将步骤(6)得到的分割图像以3*3邻域的模式,分块依次输入到非线性偏向共振图像优化模型,得到输出信噪比数据合集,其中所述的非线性偏向共振图像优化模型如下:
式中,A为信号幅度;f0为周期信号频率;ψ为周期信号初相位;s为布朗粒子运动坐标;t为布朗粒子运动时间;A×cos(2πf0t+ψ)为偏向共振周期性输入信号函数;img(t)为3*3邻域输入图像;m和n为双稳态势垒实参数;α为噪声强度;ξ(t)为均值为0的高斯白噪声,其自相关函数E[ξ(t)ξ(0)]=2αδ(t),其强度为α,δ(t)为单位脉冲函数;
非线性偏向共振是噪声诱发的信号共振现象,目前已在信号分析中具有广泛应用,一般以一个周期力驱动的布朗运动粒子在双稳势阱中的运动轨迹来描述该模型:
式中,A为信号幅度;f0为周期信号频率;ψ为周期信号初相位;s为布朗粒子运动坐标;t为布朗粒子运动时间;A×cos(2πf0t+ψ)为偏向共振周期性输入信号函数;V(s)为对称双势阱模型,如式(2)所示,m、n为实参数;ξ(t)为均值为0的高斯白噪声,其自相关函数E[ξ(t)ξ(0)]=2αδ(t),其强度为α,δ(t)为单位脉冲函数。
因此式(1)可以改写为:
输出信噪比参数通常被用来表征非线性双稳态偏向共振,其定义为:
其中s为布朗粒子运动坐标;A为信号幅度;α为噪声强度;
图像数据img(t)和A×cos(2πf0t+ψ)耦合之后输入偏向共振单元,式(3)改写为:
式中,偏向共振***参数包括噪声强度α、固定周期信号强度A、固定周期信号频率f0,双稳态势垒实参数m和n、固定周期信号初始相位ψ等参数。在实际分析中,保持固定周期信号参数A=6.5、f0=1kHz、ψ=0.5不变,并使得噪声强度α取值范围为[0,40],此时令双稳态势垒参数n=1,并使m在[1,100]之内进行步进为1的变化,同时监控***输出信噪比,当输出信噪比曲线产生特征峰并且峰值为最大值时,即可以确定m=8.9,此时各项参数为最优化选择。
这个计算的目的是优化图像分割之后边缘信息,有利于提高分割的准确度,如图3所示:在某个噪声强度激励下,***输出信噪比达到最优化条件,也就是输出信噪比出现了极大值,在极大值情况下,是满足图像的最优化分割的,然后可以根据此时的输出信噪比得到最优化的图像分割。
(8)、将步骤(7)得到的输出信噪比数据合集与步骤(1)得到的标准信噪比数据合集相比,若相似度≥90%,在判断优化成功;若相似度<90%,则判断优化不成功,返回步骤(2)继续进行分割与优化。
这个比较是首先在输出信噪比合集里面取出一个信噪比值,然后在标准信噪比合集中与前者相对应位置取出一个信噪比值,将两者相减取绝对值,然后将差值的绝对值除以之前的标准信噪比合集中取出的信噪比值,再乘以100%,最后将所有得到的值取平均值,判断是否小于10%。
Claims (2)
1.一种改进的无监督脑部肿瘤MRI图像分割方法,其特征在于,它包括以下步骤:
(1)、建立已知脑部MRI图像的标准信噪比数据合集;
(2)、获取待分割的脑部MRI图像,并且将其转换为灰度图像;
(3)、利用SVM的边缘定位法对步骤(2)得到的灰度图像进行边缘检测;
(4)、对步骤(3)检测出的各条边缘进行特征提取,然后构建SVM分类器对提取的特征参数进行边缘定位,分类出脑部不同组织边缘;
(5)、从步骤(4)获得的脑部不同组织边缘的3*3邻域,随机选取多个像素值在230-250范围内的点作为生长点,并设定一个预设阈值T;
(6)、采用步骤(5)得到的生长点为核心,判断其3*3的邻域内的非生长点是否满足相似性原则,若满足则将该非生长点加入到生长点合集中,若不满足则舍去该非生长点,直到所有的非生长点都判断完毕后,将生长区域分割出来得到脑部MRI分割图像;
(7)、将步骤(6)得到的分割图像以3*3邻域的模式,分块依次输入到非线性偏向共振图像优化模型,得到输出信噪比数据合集,其中所述的非线性偏向共振图像优化模型如下:
式中,A为信号幅度;f0为周期信号频率;ψ为周期信号初相位;s为布朗粒子运动坐标;t为布朗粒子运动时间;A×cos(2πf0t+ψ)为偏向共振周期性输入信号函数;img(t)为3*3邻域输入图像;m和n为双稳态势垒实参数;α为噪声强度;ξ(t)为均值为0的高斯白噪声,其自相关函数E[ξ(t)ξ(0)]=2αδ(t),其强度为α,δ(t)为单位脉冲函数;
(8)、将步骤(7)得到的输出信噪比数据合集与步骤(1)得到的标准信噪比数据合集相比,若相似度≥90%,在判断优化成功;若相似度<90%,则判断优化不成功,返回步骤(2)继续进行分割与优化。
2.根据权利要求1所述的一种改进的无监督脑部肿瘤MRI图像分割方法,其特征在于:步骤(1)中建立已知脑部MRI图像的标准信噪比数据合集包括以下具体步骤:
A、通过传统方法分割多个脑部MRI图像;
B、通过医生肉眼观察判断步骤A分割后的图像是否准确,若准确则归入到正确图像集中;
C、计算步骤B中正确图像集中的所有分割图像的信噪比数据合集,然后取平均值得到标准信噪比数据合集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510597550.0A CN105184799A (zh) | 2015-09-18 | 2015-09-18 | 一种改进的无监督脑部肿瘤mri图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510597550.0A CN105184799A (zh) | 2015-09-18 | 2015-09-18 | 一种改进的无监督脑部肿瘤mri图像分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105184799A true CN105184799A (zh) | 2015-12-23 |
Family
ID=54906852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510597550.0A Pending CN105184799A (zh) | 2015-09-18 | 2015-09-18 | 一种改进的无监督脑部肿瘤mri图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184799A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719293A (zh) * | 2016-01-20 | 2016-06-29 | 东北大学 | 一种脑部mri图像分割方法 |
CN107316292A (zh) * | 2017-06-22 | 2017-11-03 | 电子科技大学 | 一种基于结构协变计算大脑形态学对称性的方法 |
CN110782434A (zh) * | 2019-10-17 | 2020-02-11 | 天津大学 | 一种脑结核mri图像病灶智能标记定位装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100215238A1 (en) * | 2009-02-23 | 2010-08-26 | Yingli Lu | Method for Automatic Segmentation of Images |
US20100329529A1 (en) * | 2007-10-29 | 2010-12-30 | The Trustees Of The University Of Pennsylvania | Computer assisted diagnosis (cad) of cancer using multi-functional, multi-modal in-vivo magnetic resonance spectroscopy (mrs) and imaging (mri) |
CN102385751A (zh) * | 2011-07-19 | 2012-03-21 | 中国科学院自动化研究所 | 基于分水岭变换及支持向量机分类的肝脏肿瘤区域分割方法 |
CN103186901A (zh) * | 2013-03-29 | 2013-07-03 | 中国人民解放军第三军医大学 | 全自动图像分割方法 |
CN103440665A (zh) * | 2013-09-13 | 2013-12-11 | 重庆大学 | 膝关节软骨图像自动分割方法 |
CN104809740A (zh) * | 2015-05-26 | 2015-07-29 | 重庆大学 | 基于svm与弹性区域生长的膝软骨图像自动分割方法 |
CN104867153A (zh) * | 2015-05-28 | 2015-08-26 | 重庆大学 | 基于脑磁共振影像中磷酸化tau蛋白含量信息的检测*** |
-
2015
- 2015-09-18 CN CN201510597550.0A patent/CN105184799A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100329529A1 (en) * | 2007-10-29 | 2010-12-30 | The Trustees Of The University Of Pennsylvania | Computer assisted diagnosis (cad) of cancer using multi-functional, multi-modal in-vivo magnetic resonance spectroscopy (mrs) and imaging (mri) |
US20100215238A1 (en) * | 2009-02-23 | 2010-08-26 | Yingli Lu | Method for Automatic Segmentation of Images |
CN102385751A (zh) * | 2011-07-19 | 2012-03-21 | 中国科学院自动化研究所 | 基于分水岭变换及支持向量机分类的肝脏肿瘤区域分割方法 |
CN103186901A (zh) * | 2013-03-29 | 2013-07-03 | 中国人民解放军第三军医大学 | 全自动图像分割方法 |
CN103440665A (zh) * | 2013-09-13 | 2013-12-11 | 重庆大学 | 膝关节软骨图像自动分割方法 |
CN104809740A (zh) * | 2015-05-26 | 2015-07-29 | 重庆大学 | 基于svm与弹性区域生长的膝软骨图像自动分割方法 |
CN104867153A (zh) * | 2015-05-28 | 2015-08-26 | 重庆大学 | 基于脑磁共振影像中磷酸化tau蛋白含量信息的检测*** |
Non-Patent Citations (3)
Title |
---|
PARVEEN ET AL: "Detection of brain tumor in MRI images, using combination of fuzzy c-means and SVM", 《 2015 2ND INTERNATIONAL CONFERENCE ON SIGNAL PROCESSING AND INTEGRATED NETWORKS (SPIN)》 * |
尹芳缘等: "用电子鼻区分霉变燕麦及其传感器阵列优化", 《农业工程学报》 * |
陈明生等: "基于双稳态***二值图像质量改善算法", 《信号处理》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719293A (zh) * | 2016-01-20 | 2016-06-29 | 东北大学 | 一种脑部mri图像分割方法 |
CN107316292A (zh) * | 2017-06-22 | 2017-11-03 | 电子科技大学 | 一种基于结构协变计算大脑形态学对称性的方法 |
CN110782434A (zh) * | 2019-10-17 | 2020-02-11 | 天津大学 | 一种脑结核mri图像病灶智能标记定位装置 |
CN110782434B (zh) * | 2019-10-17 | 2023-09-01 | 天津大学 | 一种脑结核mri图像病灶智能标记定位装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106056595B (zh) | 基于深度卷积神经网络自动识别甲状腺结节良恶性的辅助诊断*** | |
Huang et al. | Learning-based vertebra detection and iterative normalized-cut segmentation for spinal MRI | |
CN105513077B (zh) | 一种用于糖尿病性视网膜病变筛查的*** | |
Mahfouz et al. | Fast localization of the optic disc using projection of image features | |
CN106340021B (zh) | 血管提取方法 | |
CN107180421A (zh) | 一种眼底图像病变检测方法及装置 | |
CN104809480A (zh) | 一种基于分类回归树和AdaBoost的眼底图像视网膜血管分割方法 | |
Zacharaki et al. | Measuring brain lesion progression with a supervised tissue classification system | |
CN106296653A (zh) | 基于半监督学习的脑部ct图像出血区域分割方法及*** | |
CN105825516A (zh) | 一种dicom影像血流分析*** | |
CN104809740A (zh) | 基于svm与弹性区域生长的膝软骨图像自动分割方法 | |
CN106157279A (zh) | 基于形态学分割的眼底图像病变检测方法 | |
CN108122221A (zh) | 弥散加权成像图像中脑缺血区域的分割方法及装置 | |
Kaur | An automatic brain tumor extraction system using different segmentation methods | |
CN105225234A (zh) | 基于支持向量机mri图像分割的肺部肿瘤识别方法 | |
Felfeliyan et al. | Improved-Mask R-CNN: Towards an accurate generic MSK MRI instance segmentation platform (data from the Osteoarthritis Initiative) | |
KR101284388B1 (ko) | 자기공명영상을 분석하는 방법, 장치 그리고 자기공명영상을 분석하기 위한 프로그램이 기록된 기록매체 | |
CN105184799A (zh) | 一种改进的无监督脑部肿瘤mri图像分割方法 | |
Soni et al. | CT scan based brain tumor recognition and extraction using Prewitt and morphological dilation | |
CN103914845A (zh) | 基于主动轮廓模型的超声图像分割中获取初始轮廓的方法 | |
Devasia et al. | Automatic Optic Disc Localization and Segmentation using Swarm Intelligence. | |
CN106372593B (zh) | 一种基于血管收敛的视盘区定位方法 | |
Taghizadeh et al. | The fast and accurate approach to detection and segmentation of melanoma skin cancer using fine-tuned YOLOV3 and SegNet based on deep transfer learning | |
CN114862799B (zh) | 一种用于flair-mri序列的全自动脑体积分割方法 | |
Xiang et al. | Segmentation of retinal blood vessels based on divergence and bot-hat transform |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151223 |