CN106504253A - 一种医疗影像照片的处理方法及*** - Google Patents
一种医疗影像照片的处理方法及*** Download PDFInfo
- Publication number
- CN106504253A CN106504253A CN201610899910.7A CN201610899910A CN106504253A CN 106504253 A CN106504253 A CN 106504253A CN 201610899910 A CN201610899910 A CN 201610899910A CN 106504253 A CN106504253 A CN 106504253A
- Authority
- CN
- China
- Prior art keywords
- image
- module
- denoising
- mri
- mri image
- 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
- 238000002059 diagnostic imaging Methods 0.000 title claims abstract description 20
- 238000003672 processing method Methods 0.000 title claims description 6
- 238000000034 method Methods 0.000 claims abstract description 57
- 238000003709 image segmentation Methods 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000009877 rendering Methods 0.000 claims abstract description 17
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 239000000284 extract Substances 0.000 claims abstract description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 238000003325 tomography Methods 0.000 description 4
- 230000002596 correlated effect Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007971 neurological deficit Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 208000024827 Alzheimer disease Diseases 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004195 computer-aided diagnosis Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000002595 magnetic resonance imaging Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000005311 nuclear magnetism Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010003805 Autism Diseases 0.000 description 1
- 208000020706 Autistic disease Diseases 0.000 description 1
- 208000014644 Brain disease Diseases 0.000 description 1
- 240000007711 Peperomia pellucida Species 0.000 description 1
- 235000012364 Peperomia pellucida Nutrition 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000011157 brain segmentation Effects 0.000 description 1
- 230000002490 cerebral effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 208000018389 neoplasm of cerebral hemisphere Diseases 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 231100000915 pathological change Toxicity 0.000 description 1
- 230000036285 pathological change Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/32—Indexing scheme for image data processing or generation, in general involving image mosaicing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提出了一种医疗影像照片的处理***,所述医疗影像照片的处理***包括如下模块,图像分割模块、图像去噪模块、图像学习模块、三维重建模块。图像分割模块,用于MRI图像进行分割,根据图像的灰度、颜色或者几何性质将图像中不同的区域分割出来,这些区域是互不相交的,每一个区域都满足其各自的特征,并提取其中感兴趣的目标区域;图像去噪模块,采用全变差TV正则化的方式,通过稀疏变换,并对MRI图像数据拟合,实现去噪处理;图像学习模块:采用贝叶斯学习模型,对去噪处理后的MRI图像进行建模;三维重建模块,采用表面重现方法或整体重现方法对MRI图像进行建模。
Description
技术领域
本发明涉及图像处理领域,特别涉及一种医疗影像照片的处理方法及***。
背景技术
近年来,计算机技术、通信技术、网络技术的飞速发展给计算机辅助诊断(ComputerAidedDiagnosis,CAD)带来了新的生机,CAD利用了计算机对医学图像分析处理的高效性,节省了大量的人力、物力,并且能够不受人主观意识的影响做出客观实际的诊断结果,从而配合医生对病情做出精确的判断。在医学图像处理中,医学图像分割是解决医学图像在临床上应用的前提条件,它是一个复杂并具有挑战性的任务,特别是人类对脑图像的分割,脑分割对于早期诊断脑肿瘤,阿尔茨海默症等疾病具有极为重要的意义。
磁共振成像(MagneticResonanceImaging,MRI)是一个非常重要的医学图像成像技术,由于它能够提供活体组织的细节图像,成像参数多,对人体无放射性损伤,现将MRI应用于人脑疾病的辅助诊断研究已受到了广泛的重视。因MRI图像内部组织间边界的模糊性和内在的不确定性,使得模糊聚类技术比起其它技术被更加广泛地应用于MRI图像分割。目前应用最广泛的是模糊C-均值聚类(FuzzyC-Means,FCM)算法,它是通过迭代优化含模糊参数的目标函数来获取像素点属于各类的隶属度进行图像分割的,但是该算法对初值和噪声干扰非常敏感,在很大程度上依赖初始聚类中心的选择,当初始聚类中心严重偏离全局最优聚类中心时,极易陷入局部最优解,使分割速度和性能都受到影响。
近年来,一些学者提出采用粒子群算法(ParticleSwarmOptimization,PSO)进行初始聚类中心的优化求解,受混沌理论的启发而提出的混沌粒子群算法(ChaosParticleSwarmOptimization,CPSO)已应用于图像分割,但这些文献未能提出对粒子群早熟现象的判定,并且利用的混沌模型大都是Logistic映射,然而Logistic映射所产生的序列极不均匀,稳定性较差。也有学者采用逻辑自映射函数混沌初始化均匀分布的粒子群,并集成早熟判断机制,以提高图像分割速度和精度。
多尺度分析是正确认识事物和现象的重要方法之一,目前广泛地用于医学图像分析中。但是目前已有的方法普遍存在计算方法太简单化,在一定条件下容易受到图像对比度与亮度变化的影响,如果使用人员要求得最佳阈值,往往需要进行较大规模的遍历计算并计算出方差,当计算量大时效率会很低。同时,在实际图像中,由于图像本身灰度分布以及噪声干扰等因素的影响,目前以后的方法并不能使图像分割得到满意的结果,虽在一定程度上可以消除噪声的影响,但该方法计算量相当大,难以应用到实时***。
由于磁共振成像(Magnetic Resonance Imaging,简称MRI)设备获取的人脑核磁图像受噪声、射频场不均匀性、脑不同组织之间的差异性以及部分容积效应等因素影响,造成人脑核磁图像的均匀性变差,因此仅依靠图像的灰度密度信息给精确的脑图像分类带来了很大困难,如果要得到正确的脑组织分类,首先必须对灰度进行校正。
近年来,一些基于模糊聚类的多尺度空间的图像数据处理技术被陆续提出,该类方法的过程通常是在尺度空间图像序列的每一个尺度层次上直接进行模糊聚类方法,上一尺度层次的分割结果经常作为下一尺度层次的初始状态,由于没有引进有效的不同的尺度层次之间的约束来优化当前尺度层次内的分割,所以分割结果只在最后分割的尺度层次得到优化,因此,这些方法对于退化图像的鲁棒性不是很好。
发明内容
本发明的目的是通过以下技术方案实现的。
本发明提出了一种医疗影像照片的处理***,所述医疗影像照片的处理***包括如下模块,图像分割模块、图像去噪模块、图像学习模块、三维重建模块,其中,
图像分割模块,用于对MRI图像进行分割,根据图像的灰度、颜色或者几何性质将图像中不同的区域分割出来,这些区域是互不相交的,每一个区域都满足其各自的特征,并提取其中感兴趣的目标区域;
图像去噪模块,采用全变差TV正则化的方式,通过稀疏变换,并对MRI图像数据拟合,实现去噪处理;
图像学习模块:采用贝叶斯学习模型,对去噪处理后的MRI图像进行建模;
三维重建模块,采用表面重现方法或整体重现法对MRI图像进行建模;
所述的表面重现方法是通过几何单元的拼接来拟合物体表面以达到重建效果;
所述整体重现法是通过读取体数据将体素投影到显示平面来进行显示。
本发明还提出了一种医疗影像照片的处理方法,包括如下步骤:
步骤一、对MRI图像进行分割,根据图像的灰度、颜色或者几何性质将图像中不同的区域分割出来,这些区域是互不相交的,每一个区域都满足其各自的特征,并提取其中感兴趣的目标区域;
步骤二、采用全变差TV正则化的方式,通过稀疏变换,并对MRI图像数据拟合,实现去噪处理;
步骤三、采用贝叶斯学习模型,对去噪处理后的MRI图像进行建模;
步骤四:采用表面重现方法或整体重现法对MRI图像进行建模。
本申请的医疗影像照片的处理***和方法,通过图像分割、去噪、深度学习和三维重建,大大提高了医疗图像的辨识精度,可以为后续做出准确的诊断提供可靠的支持。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
附图1示出了根据本发明实施方式的医疗影像照片的处理***示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
根据本发明的实施方式,本发明提出了一种医疗影像照片的处理***,所述医疗影像照片的处理***包括如下模块,图像分割模块、图像去噪模块、图像学习模块、三维重建模块,如图1所示。
图像分割模块,用于MRI图像进行分割,根据图像的灰度、颜色或者几何性质将图像中不同的区域分割出来,这些区域是互不相交的,每一个区域都满足其各自的特征,并提取其中感兴趣的目标区域;
图像去噪模块,采用全变差TV正则化的方式,通过稀疏变换,并对MRI图像数据拟合,实现去噪处理;
图像学习模块:采用贝叶斯学习模型,对去噪处理后的MRI图像进行建模;
三维重建模块,采用表面重现方法或整体重现法对MRI图像进行建模。
根据本发明的实施方式,还提出了一种医疗影像照片的处理方法,包括如下步骤:
步骤一、对MRI图像进行分割,根据图像的灰度、颜色或者几何性质将图像中不同的区域分割出来,这些区域是互不相交的,每一个区域都满足其各自的特征,并提取其中感兴趣的目标区域;
步骤二、采用全变差TV正则化的方式,通过稀疏变换,并对MRI图像数据拟合,实现去噪处理;
步骤三、采用贝叶斯学习模型,对去噪处理后的MRI图像进行建模;
步骤四:采用表面重现方法或整体重现法对MRI图像进行建模。
下面对上述医疗影像照片的处理过程进行详细说明:
为了更好的对MRI图像进行处理,首先要对MRI图像进行分割,并在分割的位置打标签,以便进行详细的比对。图像分割是指按照一定的规则把图像分成各具特色的部分,并能提取其中感兴趣的目标区域的方法和过程。它是根据图像的灰度、颜色或者几何性质将图像中不同的区域分割出来,这些区域是互不相交的,每一个区域都满足其各自的特征,分割出来的区域应该同时满足三个条件:1、分割出来的区域具有均匀性和连通性;2、相邻分割区域之间有着某种明显的差异;3、分割区域的边界应该规整并同时保证边界的定位精度。
根据数学集合的概念,对图像分割给出如下的数学定义:用R表示整个图像区域,那么图像分割就可以看做是把R分成n个子区域,即为R1、R2,R3,…,Rn,满足如下条件:1、R1到Rn合起来是R;2、Ri是一个连续区域,i=1,2,3,…,n;3、Ri与Rj的交集是空集,i不等于j。满足以上条件的区域分割才能真正做到把感兴趣的目标区域分割出来。
图像分割的精确程度直接影响甚至决定了后续处理的精确程度。本申请的图像分割具体包括:边缘切割和范围切割,所述边缘切割利用图像灰度级的不连续性,通过检测不同区域之间的边缘来分割图像;所述范围切割根据目标区域和背景区域的性质不同,直接提取出目标区域,而不是优先检测边缘点。
在完成了对MRI图像进行分割,并在分割的位置打标签后,需要对MRI图像进行去噪处理。
MRI成像与其它医学成像方法相比,具有对人体无害,可以采用多参数成像和能够反映器官或组织的生化特征特点,成为医学临场诊断的重要手段之一。在MRI图像中,噪声主要来自硬件电路和被成像对象两个方面,主要是热噪声,另外还有生理噪声。快速共振成像会导致低的信噪比和对比度,因此,在提高图像的时间分辨率的时候,图像噪声会大大降低磁共振图像的质量,使得一些组织的边界变得模糊,细微结构难以辨别,增加了对图像细节识别与分析的难度,影响医学诊断。尽可能地降低图像噪声成了准确诊断的途径之一,因此,对图像的后处理去噪以提高图像质量。
压缩感知理论指出:当信号在某个变换域是稀疏的或可压缩的,可以利用与变换矩阵非相干的测量矩阵将变换系数线性投影为低维观测向量,同时这种投影保持了重建信号所需的信息,通过进一步求解稀疏最优化问题就能够从低维观测向量精确地或高概率精确地重建原始高维信号。因此,我们可以采用压缩感知的方式实现MRI图像的去噪处理。
在压缩感知(CompressedSensing,CS)中,一个很重要的研究问题正是如何将信号进行稀疏的表示。在CS的主题下稀疏图像可以使用非常少的扫描量得到重建。这些方法利用MRI图像中的内在稀疏性;一些稀疏变换可以将图像变换到某些域下使得其数值非零的系数非常少。非常有名的例子是全变差TV正则化,它隐含的假定大部分图像是具有非常稀疏的梯度。如果存在一个这样的稀疏变换,定义为ψ,我们可以理想的选择一个在ψ下最稀疏的估计使得其扫描数据拟合相一致。因此,采用全变差TV正则化的方式,通过稀疏变换,并对MRI图像数据拟合,从而实现去噪处理。
完成去噪处理后,就可以对MRI图像进行深度学习。
MRI数据通常是用三维体数据样本的形式进行存储,每一个样本体数据都对应着一个种类,如病人或是正常人,于是有监督的机器学习方法便能够引入到MRI数据分析中。但MRI数据分析常常遇到的一个问题是可用样本数量远远小于提取的特征数量,从而产生过拟合问题,大大降低了机器学习模型的预测精度。于是,我们通常需要在建立学习机前对特征进行降维,以减轻过拟合问题。传统的方法通过将特征映射到一个低维空间,来降低原始特征的维度,但该方法的缺点在于映射后的特征丧失了原始特征的物理特性。
我们建立了一个贝叶斯学习模型,用于对所获得的数据进行建模。与传统贝叶斯模型相比,本发明提出的贝叶斯模型引入了一个类高斯先验(ARD),使得模型的解具有稀疏性。本发明所述模型的求解问题实际上是一个四分类问题,每一个类对应一个四分之一棋盘格实验刺激。传统的多分类方法,如多分类SVM,其本质是对所有类两两之间建立一个模型并结合某种策略,如投票策略,实现多分类。本发明中,我们对每一个类都建立一个线性模型,在估计出所有的模型参数后,对于任意一个未知所属类别的测试样本,可以直接通过类的后验概率进行预测。具体来说,我们计算测试样本对于每一个类的后验概率p(C1|x),p(C2|x),p(C3|x)及p(C4|x),则需要注意的是,由于所建立的分类器对每一个类都单独地进行了建模,因此在参数估计后每一个类都对应着一组稀疏的模型参数,于是我们可以根据这些被挑选出来的参数确定每一个类最相关的特征。
在得到类的后验概率后,我们可以计算在此后验概率下的似然函数。对于一个二分类问题,我们考虑这样一个问题,如果任意给定的一个样本属于第一个类的概率为p,则它属于第二个类的概率为1-p。此时类标签的概率分布服从伯努利分布。
利用基于ARD先验的稀疏贝叶斯学***均得到分类精度为91.6%,总共挑选出了9个相关特征,我们将其所对应的体素映射回原始脑空间,我们发现,挑选出的相关特征在原始脑空间中的位置符合视网膜映射特性,即挑选出来的相关体素与其对应的四分之一棋盘格视觉刺激在空间上成倒立对置关系。这说明,我们所建立的模型能够有效地挑选与任务最相关的特征。在对比实验中,使用所有体素作为特征的支持向量机4折的平均分类精度为85.4%,低于贝叶斯模型的分类精度。贝叶斯模型剔除了与分类任务无关的特征,只保留下最相关特征,因而相对支持向量机精度有所提高。
对于同一种MRI图像特征,在很多情况下可以得到多种目标响应。例如临床医生在对与行为学相关的疾病进行诊断时,除了给出最终的诊断结果,还会有一系列的行为学评分,典型的如阿兹海默症,自闭症等。对于诊断结果,通常是有病或者没病,可以用类标签来表示;对于行为学评分,则可以看做是连续变量的抽样。理论上讲,我们可以建立MRI图像特征与每一种观测响应的特征学习模型,如图像特征与类标签的特征学习模型,或者图像特征与行为学评分之间的特征学习模型。对于每一种模型而言,他们既是独立地,又是相关联的,因为诊断结果可以在一定程度上反映在行为学评分中。单独地分析每一个学习模型,虽然我们都可以进行特征选择,但却忽略了观测响应之间的互补信息对于模型性能可能带来的提升。还有一个例子是,当前的MRI解码模型,通常都是对每一个被试单独地选择特征,单独地建立解码模型,得到统计结果后再进行组分析。但可以想象,被试与被试之间的MRI特征虽然存在着差异,但也存在着共性,即相关性。
在完成了对MRI图像的深度学习后,就对MRI图像进行三维重建。三维重建的任务就是要由一系列二维图像中恢复出包含在三维体数据中物体结构信息,构造出真实感较强的三维图形。
医学图像的三维重建一般是指是从成像设备上采集的截片集合,经计算机合成后形成三维图形数据,再经过计算机可视化处理,方便地显示出人体组织内在的物理形态和空间关系。医学图像的三维重建结果可以准确的确定人体病变部位的大小、几何形状以及周围组织的空间信息。这对CT、MRI这种断层图像数据而言尤其关键,因为相对于断层切片图像,重建后形成的三维图形可以更直观、准确的显示出人体内在组织。
医学图像的三维重建主要包括对输入图像的预处理与绘制等主要研究内容,其主要任务就是实现三维可视化显示,以及通过后续分析为诊断和治疗提供可靠的数据,从而可以辅助医生对病变体周围组织进行分析,极大的提高医疗诊断的准确性和科学性,使得医学诊断和治疗的能力得到极大增强。本申请的三维重建采用两种方式:表面重现方法和整体重现方法。表面重现方法是通过几何单元的拼接来拟合物体表面以达到重建效果的;而整体重现方法是通过读取体数据将体素投影到显示平面来进行显示。表面重现方法的基本流程是首先提取感兴趣物体的表面信息,由体数据构造出中间几何单元,再通过几何单元插值形成物体表面,最后用传统的计算机图形学技术,例如光照、纹理渲染等进行表面重现。
所述表面重现方法具体包括:提取轮廓,是对每个断层图像进行处理,提取出物体在该断层面处的轮廓信息,通常使用图像分割的方法来获得。
轮廓对应,当一个断层上存在着不止一个轮廓时,需要对各层上的轮廓进行适当的组合来构成有意义的物体。实际上可以将轮廓对应问题归结为一个带有约束条件的优化问题,但轮廓对应问题约束不强,所以其对应结果有着很大的随意性。
轮廓拼接,是用多边形构造相邻层上对应轮廓表面。在确定对应轮廓上点之间的对应关系之后,只需要用三角形拼接表面。
分叉处理,是为了解决这样一种问题:当三维物体自身形状出现分叉时用一组平行平面去切这个形体,在不同的平面上会得到数目不等的平面轮廓。具体的方法是构造若干中间临界状态上的轮廓,就是在原来两个断层之间构造出多个断层,使得两个断层之间只存在一个一对二的问题,其余均为一对一的对应关系。
最后,当所有对应关系确定了之后,可以使用一系列参数曲面片进行拟合,形成最终的物体表面。
与表面重现方法不同,整体重现方法是直接研究和应用光线通过物体时与体素之间的原理,通过体数据重新采样来合成产生三维图像,即不产生中间几何单元,直接由体数据重建。所以这种方法能保留更多的体素细节,在医学图像应用上,则更能反映真实的人体结构。
所述整体重现方法具体包括:
1.光线投射对图像中的每个像素,都用一束光线投射经过体数据。
2.采样在光线穿过体数据场的部分,需要选择一些采样点来进行计算光线的投射属性。一般而言,体数据都不会是与光线对齐的,所以采样点的位置一般都会落在体素之间。这就需要我们进行插值来计算采样点的值。通常可以使用三次线性插值等方法。
3.颜色渲染接下来,需要对对每个采样点计算梯度。这些梯度值表示了物体内部局部表面的方向。然后对采样点进行颜色渲染,例如增强颜色或降低色彩,试他们的局部表面方向和光源的光线之间的关系而定。
4.合成在渲染之后,沿着视线对所有采样点的颜色值进行组合,以此决定发出该视线的位置的像素值。计算从后到前,即从物体最远离观察者的采样点到最近的采样点。这个顺序保证了被遮挡的物体部分不会影响到最终的像素值。
基于三维重建的可视化MRI图像,即可做出准确的诊断。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种医疗影像照片的处理***,所述医疗影像照片的处理***包括如下模块,图像分割模块、图像去噪模块、图像学习模块、三维重建模块,其中:
图像分割模块,用于对MRI图像进行分割,根据图像的灰度、颜色或者几何性质将图像中不同的区域分割出来,这些区域是互不相交的,每一个区域都满足其各自的特征,并提取其中感兴趣的目标区域;
图像去噪模块,采用全变差正则化的方式,通过稀疏变换,并对MRI图像数据拟合,实现去噪处理;
图像学习模块:采用贝叶斯学习模型,对去噪处理后的MRI图像进行建模;
三维重建模块,采用表面重现方法或整体重现方法对MRI图像进行建模;
所述的表面重现方法是通过几何单元的拼接来拟合物体表面以达到重建效果;
所述整体重现方法是通过读取体数据将体素投影到显示平面来进行显示。
2.如权利要求1所述的医疗影像照片的处理***,其特征在于:
所述图像分割模块对MRI图像进行分割具体包括:边缘切割和范围切割,所述边缘切割利用图像灰度级的不连续性,通过检测不同区域之间的边缘来分割图像;所述范围切割根据目标区域和背景区域的性质不同,直接提取出目标区域,而不是优先检测边缘点。
3.如权利要求1所述的医疗影像照片的处理***,其特征在于:
图像去噪模块采用压缩感知的方式实现MRI图像的去噪处理。
4.采用如权利要求1所述的医疗影像照片的处理***进行医疗影像照片的处理方法,其特征在于,包括如下步骤:
步骤一、对MRI图像进行分割,根据图像的灰度、颜色或者几何性质将图像中不同的区域分割出来,这些区域是互不相交的,每一个区域都满足其各自的特征,并提取其中感兴趣的目标区域;
步骤二、采用全变差正则化的方式,通过稀疏变换,并对MRI图像数据拟合,实现去噪处理;
步骤三、采用贝叶斯学习模型,对去噪处理后的MRI图像进行建模;
步骤四:采用表面重现方法或整体重现方法对MRI图像进行建模。
5.如权利要求4所述的视频识别的方法,其特征在于:
所述对MRI图像进行分割具体包括:边缘切割和范围切割,所述边缘切割利用图像灰度级的不连续性,通过检测不同区域之间的边缘来分割图像;所述范围切割根据目标区域和背景区域的性质不同,直接提取出目标区域,而不是优先检测边缘点。
6.如权利要求5所述的视频识别***,其特征在于:
所述步骤二中,采用压缩感知的方式实现MRI图像的去噪处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610899910.7A CN106504253A (zh) | 2016-10-14 | 2016-10-14 | 一种医疗影像照片的处理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610899910.7A CN106504253A (zh) | 2016-10-14 | 2016-10-14 | 一种医疗影像照片的处理方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106504253A true CN106504253A (zh) | 2017-03-15 |
Family
ID=58294223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610899910.7A Pending CN106504253A (zh) | 2016-10-14 | 2016-10-14 | 一种医疗影像照片的处理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106504253A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190699A (zh) * | 2018-08-29 | 2019-01-11 | 西安电子科技大学 | 一种基于多任务学习的多疾病联合测定方法 |
CN110582159A (zh) * | 2019-08-30 | 2019-12-17 | 武汉科技大学 | 一种fpc焊盘表面缺陷处理***和方法 |
CN113349809A (zh) * | 2020-03-05 | 2021-09-07 | 高健 | 一种多模态成像***图像重建方法 |
CN113554742A (zh) * | 2020-04-26 | 2021-10-26 | 上海联影医疗科技股份有限公司 | 一种三维图像的重建方法、装置、设备及存储介质 |
US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US11790664B2 (en) | 2019-02-19 | 2023-10-17 | Tesla, Inc. | Estimating object properties using visual image data |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11841434B2 (en) | 2018-07-20 | 2023-12-12 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
US11893774B2 (en) | 2018-10-11 | 2024-02-06 | Tesla, Inc. | Systems and methods for training machine models with augmented data |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US12014553B2 (en) | 2019-02-01 | 2024-06-18 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834943A (zh) * | 2015-05-25 | 2015-08-12 | 电子科技大学 | 一种基于深度学习的脑肿瘤分类方法 |
CN105957066A (zh) * | 2016-04-22 | 2016-09-21 | 北京理工大学 | 基于自动上下文模型的ct图像肝脏分割方法及*** |
-
2016
- 2016-10-14 CN CN201610899910.7A patent/CN106504253A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834943A (zh) * | 2015-05-25 | 2015-08-12 | 电子科技大学 | 一种基于深度学习的脑肿瘤分类方法 |
CN105957066A (zh) * | 2016-04-22 | 2016-09-21 | 北京理工大学 | 基于自动上下文模型的ct图像肝脏分割方法及*** |
Non-Patent Citations (2)
Title |
---|
王犁野: "MRI 图像分析中的稀疏特征学习方法研究", 《中国博士学位论文全文数据库-信息科技辑》 * |
章新友主编: "《医学图形图像处理》", 30 April 2015 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
US12020476B2 (en) | 2017-03-23 | 2024-06-25 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11797304B2 (en) | 2018-02-01 | 2023-10-24 | Tesla, Inc. | Instruction set architecture for a vector computational unit |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11841434B2 (en) | 2018-07-20 | 2023-12-12 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
CN109190699B (zh) * | 2018-08-29 | 2022-12-30 | 西安电子科技大学 | 一种基于多任务学习的多疾病联合测定方法 |
CN109190699A (zh) * | 2018-08-29 | 2019-01-11 | 西安电子科技大学 | 一种基于多任务学习的多疾病联合测定方法 |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
US11983630B2 (en) | 2018-09-03 | 2024-05-14 | Tesla, Inc. | Neural networks for embedded devices |
US11893774B2 (en) | 2018-10-11 | 2024-02-06 | Tesla, Inc. | Systems and methods for training machine models with augmented data |
US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11908171B2 (en) | 2018-12-04 | 2024-02-20 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US12014553B2 (en) | 2019-02-01 | 2024-06-18 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US11790664B2 (en) | 2019-02-19 | 2023-10-17 | Tesla, Inc. | Estimating object properties using visual image data |
CN110582159A (zh) * | 2019-08-30 | 2019-12-17 | 武汉科技大学 | 一种fpc焊盘表面缺陷处理***和方法 |
CN113349809A (zh) * | 2020-03-05 | 2021-09-07 | 高健 | 一种多模态成像***图像重建方法 |
CN113554742B (zh) * | 2020-04-26 | 2024-02-02 | 上海联影医疗科技股份有限公司 | 一种三维图像的重建方法、装置、设备及存储介质 |
CN113554742A (zh) * | 2020-04-26 | 2021-10-26 | 上海联影医疗科技股份有限公司 | 一种三维图像的重建方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106504253A (zh) | 一种医疗影像照片的处理方法及*** | |
CN110120033A (zh) | 基于改进的U-Net神经网络三维脑肿瘤图像分割方法 | |
Despotović et al. | MRI segmentation of the human brain: challenges, methods, and applications | |
Gooya et al. | GLISTR: glioma image segmentation and registration | |
Quellec et al. | Three-dimensional analysis of retinal layer texture: identification of fluid-filled regions in SD-OCT of the macula | |
US4945478A (en) | Noninvasive medical imaging system and method for the identification and 3-D display of atherosclerosis and the like | |
Mahapatra et al. | Automatic detection and segmentation of Crohn's disease tissues from abdominal MRI | |
NL1027538C2 (nl) | Werkwijzen en apparaten voor verwerken van beelddata om te helpen bij detecteren van ziekte. | |
Acosta et al. | Automated voxel-based 3D cortical thickness measurement in a combined Lagrangian–Eulerian PDE approach using partial volume maps | |
Arata et al. | Three-dimensional anatomical model-based segmentation of MR brain images through principal axes registration | |
EP1780651A1 (en) | Method and system for automatic processing and evaluation of images, particularly diagnostic images | |
CN109166133A (zh) | 基于关键点检测和深度学习的软组织器官图像分割方法 | |
US8634614B2 (en) | System and method for volumetric analysis of medical images | |
EP1315125A2 (en) | Method and system for lung disease detection | |
CN107230206A (zh) | 一种基于多模态数据的超体素序列肺部图像的3d肺结节分割方法 | |
CN110415234A (zh) | 基于多参数磁共振成像的脑部肿瘤分割方法 | |
Huang et al. | VP-Nets: Efficient automatic localization of key brain structures in 3D fetal neurosonography | |
CN113610808B (zh) | 基于个体脑连接图的群体脑图谱个体化方法、***和设备 | |
Park et al. | Segmentation of perivascular spaces in 7 T MR image using auto-context model with orientation-normalized features | |
Hu et al. | Segmentation of brain from computed tomography head images | |
Colliot et al. | Segmentation of focal cortical dysplasia lesions on MRI using level set evolution | |
Wu et al. | AAR-RT–a system for auto-contouring organs at risk on CT images for radiation therapy planning: principles, design, and large-scale evaluation on head-and-neck and thoracic cancer cases | |
Govyadinov et al. | Robust tracing and visualization of heterogeneous microvascular networks | |
Hess et al. | Deep learning for multi-tissue segmentation and fully automatic personalized biomechanical models from BACPAC clinical lumbar spine MRI | |
Li et al. | A hybrid approach to detection of brain hemorrhage candidates from clinical head ct scans |
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 |
Application publication date: 20170315 |
|
RJ01 | Rejection of invention patent application after publication |