CN106651875B - 基于多模态mri纵向数据的脑瘤时空协同分割方法 - Google Patents
基于多模态mri纵向数据的脑瘤时空协同分割方法 Download PDFInfo
- Publication number
- CN106651875B CN106651875B CN201611123608.9A CN201611123608A CN106651875B CN 106651875 B CN106651875 B CN 106651875B CN 201611123608 A CN201611123608 A CN 201611123608A CN 106651875 B CN106651875 B CN 106651875B
- Authority
- CN
- China
- Prior art keywords
- domain
- segmentation result
- segmentation
- tumor
- brain tumor
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- 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
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于多模态MRI纵向数据的脑瘤时空协同分割方法,包括手术前分割处理和手术后分割处理,手术后分割处理包括:(1)获得脑瘤术后MRI数据,(2)将纵向数据分别映射到时间域和空间域上进行分割处理,而时间域分割包括:获得术前的分割结果和纵向待分割数据,进行术前和术后的图像配准,构建术后肿瘤生长模型;空间域分割包括:构建正常人脑不同组织对称性模板,提取Haar结构特征,将结构随机森林方法结合AdaBoost框架获得初步概率结果,利用相似性区域增长算法增长标签,获得空间域分割结果;(3)结合时间域和空间域分割结果构建四维图模型并优化获得参数形成自动分割结果,提高了脑瘤区域分割的精准度。
Description
技术领域
本发明属于图像处理与生物医学结合的技术领域,尤其是一种基于多模态MRI纵向数据的脑瘤时空协同分割方法。
背景技术
脑肿瘤(脑瘤)严重威胁人类健康。磁共振图像(MRI,即Magnetic ResonanceImaging)分割是脑瘤手术放射治疗计划制定、长期纵向研究的一个重要前提。本方法基于多模态MRI纵向数据的脑肿瘤分割,具有重要意义。脑肿瘤是指生长在颅腔内的癌性物质,包括脑实质发生病变引起的原发性肿瘤,也有由身体其他部位转移侵入颅内的继发性肿瘤。在人群中发病率很高,已经成为危害人民生命健康的重要肿瘤之一。而且不论其性质是良性还是恶性,一旦在颅内占据一定空间,势必压迫脑组织,造成颅内压升高、中枢神经损害,危及患者的生命。全球每年发生原发性脑瘤的人数约为250,000人,2013年最新的肿瘤流行病学调查研究结果表明,脑肿瘤发病率占全身肿瘤发病率的1.4%,而死亡比例超过2.4%。2011年中国肿瘤登记地区脑瘤新发病例数为87 220例,发病率为6.47/10万,年因脑瘤死亡病例数为50777例。
世界卫生组织根据脑肿瘤的恶性程度将其分成四级:I级为良性,II级为低度恶性,II和IV为高度恶性。I级和II级的脑瘤有着比较好的预后,手术的紧迫性没有高度恶性的肿瘤高,有时仅作观察随访即可。具有高度恶性的胶质母细胞瘤,可以发生时即为胶质母细胞瘤,也可从良性的星形细胞瘤恶变而来。目前在临床工作中,手术加术后放疗已成为脑瘤的常规治疗模式,已被公认是一种有效治疗手段。
基于磁共振成像(MRI)进行脑肿瘤区域分割是脑瘤手术放射治疗计划制定、长期纵向研究的一个重要前提。在各种医学影像学技术中,磁共振成像(MRI)对软组织有着很强的分辨力,所以据此界定肿瘤边界更为准确。MRI图像脑肿瘤分割在诊断、病理分析、治疗以及科学研究等方面具有重要意义。临床上一般由有经验的医生根据解剖知识,利用计算机辅助软件手工勾画分割肿瘤区域。但是,人工分割的主观性很强,不同的医生对同一病人的磁共振图像会有不同的判断结果,同一个医生在不同的时期对同一病人的图像判断结果也存在差异,而且医学图像成像过程中很容易因为噪声、场偏移效应、组织运动和局部体积效应的影响,造成图像本身存在模糊、灰度不均匀等现象。因此人工分割速度慢、实时性差、可重复性差,难以胜任大量图像数据的分割处理工作。为了减轻医生们的工作强度,同时提高分割的正确率,特别是降低病变部位的漏过率,在脑瘤图像的分割中一般利用计算机软件辅助操作。
发展脑肿瘤的自动分割技术是一个非常大的挑战,为了面对这个挑战,已经提出了很多方法。对脑肿瘤的分割配准的研究最早可以追溯到20余年前,近些年各种方法大量地被提出。世界上顶级的医学图像会议Medical Image Computing and ComputerAssisted Interventions(MICCAI)2012年、2013、2014、2015连续四年进行脑肿瘤分割的挑战比赛。使用FLAIR(T2-weighted MRI with fluid-attenuated inversion recovery)、T1(T1-weighting)、T2(T2-weighted)、T1c(T1-weighting with contrast-enhanced)、PD(Proton Density)等模态的方法占了大多数。对于分割脑肿瘤中不同子类(坏死Necrosis、水肿Edema、增强肿瘤Enhancing tumor、非增强肿瘤Non-enhancing tumor)来说,单一模态的MRI是不够的。MRI的不同模态图像能提供不同的纹理边界信息,由于个体差异,不同病人同一模态所表现的信息也大不相同。不同模态的MRI提供了不同肿瘤区域的信息:T1用来查看健康组织的结构信息,T1c用来查看坏死(necrosis)和活跃的肿瘤(enhancing tumor)部分,T2用来查看水肿(edema)的部分,FLAIR是一种特殊的模态用来帮助分离水肿和脑脊液(CSF)。
基于像素的MRI脑肿瘤分割方法一直以来是研究的一大热点。研究内容主要基于特征提取、特征选择和分类器设计,好的特征提取能使得分类器的工作变得简单。特征提取按方法主要分为统计方法、模型方法和信号处理方法,其各有优势和不足。统计方法简单,易于实现,对小图像具有一定的优势,但其对全局信息的利用不足,与人类视觉模型脱节;模型方法能够兼顾纹理局部的随机性和整体上的规律性,具有很大的灵活性,不足是模型系数难以求解,参数调节不方便;信号处理方法善于捕捉纹理的细节信息,能同时在空间和频域上表现纹理特征,然而小波往往忽视高频信息,不善于提取非规则纹理特征。Haar小波变换作为一种简单有效的信号处理方法,是基于像素的脑肿瘤分割中的首选特征提取方法,此外利用对称性模板(将正常人群的四个模态MRI做成图谱经高斯平滑后,弹性变形分别配准到脑肿瘤病人相应的四个模态上形成不对称特征。将病人的图像和不对称特征做差值,形成脑肿瘤病人的不对称特征图像。)也是一种很好的全局上下文敏感的特征提取方法。由上可见,没有一种特征提取方法适合所有脑肿瘤的MRI图像分割。
基于图论的图像分割方法已被广泛用于图像分割。主要的思想是将分割问题作为一个离散能量最小化问题来解决。图像特性包含了为能量项设计合理的成本函数。2004年59卷第2期《国际计算机视觉杂志》上提出了一种基于最小生成树(MST)算法做图像分割的成对区域比较方法。2011年在纽约召开的第22届国际顶级医学图像信息处理会议上有研究者提出了一种使用最短路径计算三维多曲面分割的新方法。美国爱荷华大学的巫晓东开发了一种基于最大流的最优表面检测方法。2006年第28卷第1期美国电气和电子工程师协会会刊《模式分析与机器智能》上,有学者对多个相互作用的表面分割做了扩展研究,广义版本的框架被称为LOGISMOS,它允许多个对象和表面同时分割。2013年第32卷第2期美国电气和电子工程师协会会刊《医学图像》上,有方法采用了形状和上下文相关的先验知识的多表面分割。基于图论框架,巫晓东等人的工作受多个表面检测方法和多区域分割方法的影响,在图像中单独的外观模型用于各空间不同区域的划分,几何的相互作用被整合到区域边界间;他们扩展了不同模态的多幅图像的协同分割对象,并用于在PET和CT上定义的肿瘤体积被视为两个互相交互的区域,这两个区域被同时分割,自适应上下文项是用来促进PET和CT一致的分割。
然而,现有技术大都基于手术前肿瘤进行分割,很少有对手术后、肿瘤复发的图像进行分割,且缺乏利用纵向数据的考虑,未充分利用时间序列图像的对照信息;缺乏对多个来源的分割结果进行相互参考的研究;此外,对基于非纵向数据的肿瘤分割方法来说,缺乏对样本点结构信息的合理利用。很多方法虽然能根据术前训练图像数据将缺血部分与增强部分区别开来且不需要实现配准,但实际上基于术后残留的肿瘤部分与手术前相同的假设,没有考虑实际空洞的形成对边上组织的影响,没有考虑时间变化造成空洞变化的因素。
发明内容
为了克服现有技术的不足,本发明提供了一种基于多模态MRI纵向数据的脑瘤时空协同分割方法,该分割方法在时间域和空间域分别进行分割,将两者结果进行相互参考对照,并基于两者的分割结果构建四维图模型进行优化,提高了脑瘤区域分割的精准度,解决了现有技术中缺少对术后肿瘤复发图像进行分割的缺陷。
为了实现上述目的,本发明采用的技术方案是:一种基于多模态MRI纵向数据的脑瘤时空协同分割方法,其特征在于,包括手术前分割处理和手术后分割处理,手术前分割处理包括以下内容:获得脑瘤手术前的MRI数据,对数据预处理后经过空间域分割算法得到手术前分割结果。手术后分割处理包括以下步骤:(1)获得脑瘤手术后的MRI数据,对数据进行预处理,(2)将步骤(1)的纵向数据分别映射到时间域和空间域上进行分割处理,(3)将时间域分割结果和空间域分割结果相互对照参考构建四维图模型。所述时间域分割处理包括以下步骤:获得手术前的分割结果和纵向待分割数据,进行手术前和手术后的图像配准,构建手术后肿瘤生长模型式中φ=(c,u,v,m)是模型变量,其中m=(D,λ,μ)是脑部组织的材料属性,A是线性微分算子,而F(φ)是一个能量项;然后分别构建白质(WM)、灰质(GM)、脑脊液(CSF)、空洞(Cavity)、坏死(Necrosis)、水肿(Edema)、增强肿瘤(Enhancing tumor)、非增强肿瘤(Non-enhancing tumor)、背景(Background)的高斯混合模型,通过最大期望算法(EM)迭代计算各自的概率,获得时间域分割结果。所述空间域分割处理包括以下步骤:构建正常人脑不同组织对称性模板,提取Haar结构特征,将结构随机森林方法结合AdaBoost框架获得初步的概率结果,利用相似性区域增长算法增长标签,获得空间域分割结果。
所述步骤(3)中利用时间域和空间域上的分割结果,构造了一个四维图模型,该四维图模型包括源点、终端点、时间域分割结果的结点和空间域分割结果的结点,结点间有三种类型的边,分别是区域的代价,边界的代价,和上下文的惩罚值,所述时间域分割结果包括分割前景和背景,分割前景根据公式lv=1(lv′=1)获得,背景根据公式lv=0(lv′=0)获得,
边界的代价如下所示,
其中,Buv是相邻两个体素被分配不同标签的一个惩罚值,上下文的代价如下所示,
Cvv′是一个用来代表体素对相互之间标签值不同的惩罚值,Cvv′=θ(1-|Nv-Nv′|)+K,是一个尺度常数,K是一个对两个分割结果不统一的最小惩罚值,Nv和Nv′是Dv(lv=1)、Dv′(lv′=1)分别在[0,1]之间的值;前景和背景区域之间部分的代价函数,如下所示,
Dv(lv=0)=-λ2log(1-Pr(iv|lv=1))
所述Buv,则如下所示:
λ1、λ2、λ3是被给定的尺度常数,是一个梯度算子,σg是一个给定的高斯参数。
进一步的,所述相似性区域增长算法如下所示,同时其中,g是体素的相似性度量值,l是标签,t为迭代点,x是体素的特征(如亮度),两个体素间的不同如下所示,
其中,β是一个调整参数;ρ(xi,xj)表示xi,xj两点之间特征的欧式距离;
mean(ρ(xi,Ni))是xi和其每一个邻接结点特征的欧式距离的平均,μ是经验值,可以通过训练得到。
采用上述方案,本发明基于脑瘤图像分割中存在的肿瘤边缘不清、采样不完全造成分割结果偏小的情形,提出基于AdaBoost重采样的结构随机森林算法提高了采样的效率;建立人脑不同组织的对称性模板,并利用四维Haar特征更能保证图像的全局和局部特征,利用优化的相似性准则进行区域增长,从而提高局部区域的准确性;在时间域分割算法中,提出肿瘤各子类和术后的空洞同时进行生长建模,利用高斯混合模型求出基于时间域上的分割结果,从而更能反映出空洞的变化,提高分割精度;提出四维的优化协同分割图切算法用于时间域与空间域上的分割结果相互参考,综合利用空间域和时间域上获得的分割结果,更能表达出时间空间各自和共同的信息。
下面结合附图对本发明作进一步描述。
附图说明
附图1为本发明具体实施例技术路线图;
附图2为本发明具体实施例空间域和时间域分割结果共同构件的四维图模型。
具体实施方式
本发明的具体实施例如图1-2所示是基于多模态MRI纵向数据的脑瘤时空协同分割方法,包括手术前分割处理和手术后分割处理,手术前分割处理包括以下内容:获得脑瘤手术前的MRI数据,对数据预处理后经过空间域分割算法得到手术前分割结果,手术后分割处理包括以下步骤:(1)获得脑瘤手术后的MRI数据,对数据进行预处理,(2)将步骤(1)的纵向数据分别映射到时间域和空间域上进行分割处理,(3)将时间域分割结果和空间域分割结果相互对照参考构建四维图模型。
分割时按照以下步骤进行操作:首先分割出整个肿瘤区域,分割时按照步骤(1)-(3)操作;然后从整个肿瘤区域中再分割出坏死(Necrosis)、增强肿瘤(Enhancing tumor)、非增强肿瘤(Non-enhancing tumor)的合成区域,将水肿(Edema)区排除,分割时按照步骤(1)-(3)操作;再从合成区域中分割增强肿瘤(Enhancing tumor)区,分割时按照步骤(1)-(3)操作;合成区域分割出增强肿瘤(Enhancing tumor)区后,再继续分割出坏死(Necrosis)区,剩下区域获得非增强肿瘤(Non-enhancing tumor)区,分割时按照步骤(1)-(3)操作。
1.基于空间域的分割算法。
我们把分割问题看作是一个分类问题:在训练集上获得一个有关体素类别的推断h,然后对测试集上的每一个体素进行分类,即有h(x(i)):x(i)→y(i)。
作为最终的决策分类器AdaBoost算法在医学图像方面的应用不多,尤其是脑部MRI肿瘤分割方面。因为AdaBoost较难处理数据不均衡问题,另一个重要的原因在于AdaBoost算法训练所需样本量大,训练时间长。但是AdaBoost算法的优势在于可以用各种方法构建子分类器,AdaBoost算法提供的是框架,而且提高精度的同时,无过拟合现象。基于以上的优缺点,我们将结构随机森林方法应用到AdaBoost框架中去。由于我们是将分割问题看作是分类问题,以图像中的像素点作为样本,这样的话所需样本量和不均衡数据的问题就得到了解决。结构随机森林输入时以块为单位来输入标签,这块标签在一定程度上就带有了这块内的上下文信息,随机森林的结点分离函数也考虑了结构信息,与传统的随机森林相比,对图像的结构把握得更好。
在利用结构随机森林获得初步的概率结果后,由于某些数据点并没有被计算概率,将利用如下公式对所获得的空间进行元胞自动机增长,其中的参数由已做好标签的数据训练获得。
同时
这里g是体素的相似性度量值,l是标签,t为迭代点,x是体素的特征(如亮度)。考虑到我们是以结构随机森林对肿瘤整体的分割结果自动作为种子,为了增长算法不至于在necrosis部分和enhancing tumor交界处发生阻滞,我们用如下准则来进行表示两个体素间的不同。
这里,β是一个调整参数,由训练获得;ρ(xi,xj)表示xi,xj两点之间特征的欧式距离,由于我们采用了对称性模板,所以这里的两点的特征已经是原始四个模态的MRI与对称性模板共同产生。这里mean(ρ(xi,Ni))是xi和其每一个邻接结点特征的欧式距离的平均,μ是经验值,可以通过训练得到。
2.基于时间域的分割算法。
这里,肿瘤手术后生长模型的构建和参数的确定最为关键。脑肿瘤手术去除的是enhancing部分,我们以手术前的enhancing部分作为种子点,利用正常组织的手术前后的相似性,以肿瘤生长模型进行手术前和手术后的图像配准,这里φ=(c,u,v,m)是模型变量,其中m=(D,λ,μ)是脑部组织的材料属性。A是线性微分算子,而F(φ)是一个能量项。我们分别构建白质(WM)、灰质(GM)、脑脊液(CSF)、空洞(Cavity)、坏死(Necrosis)、水肿(Edema)、增强肿瘤(Enhancing tumor)、非增强肿瘤(Non-enhancingtumor)、背景(Background)的高斯混合模型,基于已经分割好的术前术后图像进行训练,通过最大期望算法(EM)迭代计算各自的概率,将会克服原有一些方法基于术前术后残留肿瘤部分位置相同假设的缺点。对于复发部分的各子类,由于符合肿瘤的模型,将能正确分割出来。结合使用半监督的方法,在训练时,嵌入该生长模型,建立有标签的术前术后分割结果之间的转化模型,应用到术前有标签而术后无标签的数据中获得分割结果。
3.对分别来自空间域、时间域的分割结果协同分割算法构建四维图模型并优化。
在这里,时间域与空间域的结果将被映射到一个共同的空间中看作一个能量最小化的问题。考虑时间域和空间域图像上的一对一一对应的体素对(I,I′),这里I属于时间域上的分割结果,I′属于空间域上的分割结果。对于每个体素v∈I都有v′∈I′跟它对应。lv=1(lv′=1)代表着分割前景,lv=0(lv′=0)代表着背景,对每一个体素来说Dv(lv)意味着基于被给定的分割结果(我们这里是概率值)这个体素对相应的标签来说有多适合,那么边界的代价就是
这里Buv是相邻两个体素被分配不同标签的一个惩罚值,这样能量可以表示为
E(l)=Espatio(l)+Etemporal(l)+Econtext(l)
其中,上下文的能量项是Econtext(l)=∑(v,v′)Wvv′(lv,lv′),而被定义为上下文的代价。这里Cvv′是一个用来代表体素对相互之间标签值不同的惩罚值。
如图2所示,结合时间域和空间域上的分割结果,构造了一个四维图模型。为了编码区域项,我们设置了一种t-link弧,如果弧的方向是从源S到每一个结点nv的,权重为Dv(lv=0);如果弧的方向是从结点nv到终端点T的,弧的权重为Dv(lv=1)。边界项随后被强制加入n-link,每一对相邻的体素,两条n-link弧被引入。一条从nv到nu,另一条是相反的,每一条弧的权重值为Buv。为了执行上下文项,在时间域和空间域的结果结点间还增加了新的弧d-link。每一对相应的体素,都有两条方向相反的弧与之对应。,结点间有三种类型的边,图中A1是t-link编码区域的代价,A4是n-link编码边界的代价,A5是上下文的惩罚值,A2结点是时间域上的分割结果,A3是空间域上的分割结果,S和T分别是构造出来的源点和终端点。这样新构建出来的图就是一个四维的图像,原来的问题就转变为四维空间上的优化问题。对于时间域上的分割结果,假设有两个球形区域,一个小的区域里包含的都是前景,一个大的区域之外都是背景,那么对于两个区域之间部分的代价函数,就有如下的形式,
Dv(lv=1)=-λ1logPr(iv|lv=1)
Dv(lv=0)=-λ2log(1-Pr(iv|lv=1))
对于上面提到的Buv,就可以转换为新的形式:
这里λ1、λ2、λ3是被给定的两个尺度常数,是一个梯度算子,σg是一个给定的高斯参数。这里的两个球形区域可在原分割结果的基础分别收缩和膨胀获得。对于空间域上的代价函数,将是类似的,但参数需要通过训练获得。
对于上下文的代价函数Cvv′=θ(1-|Nv-Nv′|)+K,是一个尺度常数,K是一个对两个分割结果不统一的最小惩罚值,Nv和Nv′是Dv(lv=1)、Dv′(lv′=1)分别规范化到[0,1]的值。
本发明不局限于上述具体实施方式,本领域一般技术人员根据本发明公开的内容,可以采用其他多种具体实施方式实施本发明的,或者凡是采用本发明的设计结构和思路,做简单变化或更改的,都落入本发明的保护范围。
Claims (2)
1.一种基于多模态MRI纵向数据的脑瘤时空协同分割方法,其特征在于,包括手术前分割处理和手术后分割处理,
所述手术前分割处理包括以下内容:获得脑瘤手术前的MRI数据,对数据预处理后经过空间域分割算法得到手术前分割结果;
所述手术后分割处理包括以下步骤:(1)获得脑瘤手术后的MRI数据,对数据进行预处理;(2)将步骤(1)的纵向数据分别映射到时间域和空间域上进行分割处理;(3)将时间域分割结果和空间域分割结果相互对照参考构建四维图模型;
所述映射到时间域分割处理包括以下步骤:获得手术前分割结果和纵向待分割数据,进行手术前和手术后的图像配准,构建手术后肿瘤生长模型式中是模型变量,其中m=(D,λ,μ)是脑部组织的材料属性,A是线性微分算子,而是一个能量项;然后分别构建白质(WM)、灰质(GM)、脑脊液(CSF)、空洞(Cavity)、坏死(Necrosis)、水肿(Edema)、增强肿瘤(Enhancing tumor)、非增强肿瘤(Non-enhancingtumor)、背景(Background)的高斯混合模型,通过最大期望算法(EM)迭代计算各自的概率,获得时间域分割结果;
所述映射到空间域分割处理包括以下步骤:构建正常人脑不同组织对称性模板,提取Haar结构特征,将结构随机森林方法结合AdaBoost框架获得初步的概率结果,利用相似性区域增长算法增长标签,获得空间域分割结果;
所述步骤(3)中利用时间域和空间域上的分割结果,构造了一个四维图模型,该四维图模型包括源点、终端点、时间域分割结果的结点和空间域分割结果的结点,结点间有三种类型的边,分别是区域的代价,边界的代价,和上下文的惩罚值;
所述时间域分割结果包括分割前景和背景,分割前景根据公式lv=1(lv′=1)获得,背景根据公式lv=0(lv′=0)获得,
边界的代价如下所示,
其中,Buv是相邻两个体素被分配不同标签的一个惩罚值,上下文的代价如下所示,
Cvv′是一个用来代表体素对相互之间标签值不同的惩罚值,Cvv′=θ(1-|Nv-Nv′|+K,θ是一个尺度常数,K是一个对两个分割结果不统一的最小惩罚值,Nv和Nv′是Dv(lv=1)、Dv′(lv′=1)分别在[0,1]之间的值;
前景和背景区域之间部分的代价函数,如下所示,
Dv(lv=1)=-λ1log Pr(iv|lv=1)
Dv(lv=0)=-λ2log(1-Pr(iv|lv=1))
所述Buv,则如下所示:
λ1、λ2、λ3是给定的尺度常数,是一个梯度算子,σg是一个给定的高斯参数。
2.根据权利要求1所述的基于多模态MRI纵向数据的脑瘤时空协同分割方法,其特征在于:所述相似性区域增长算法如下所示,同时
其中,g是体素的相似性度量值,l是标签,t为迭代点,x是体素的亮度特征,
两个体素间的不同如下所示,
其中,β是一个调整参数;ρ(xi,xj)表示xi,xj两点之间特征的欧式距离;mean(ρ(xi,Ni))是xi和其每一个邻接结点特征的欧式距离的平均值,μ是经验值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611123608.9A CN106651875B (zh) | 2016-12-08 | 2016-12-08 | 基于多模态mri纵向数据的脑瘤时空协同分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611123608.9A CN106651875B (zh) | 2016-12-08 | 2016-12-08 | 基于多模态mri纵向数据的脑瘤时空协同分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106651875A CN106651875A (zh) | 2017-05-10 |
CN106651875B true CN106651875B (zh) | 2018-07-17 |
Family
ID=58818870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611123608.9A Active CN106651875B (zh) | 2016-12-08 | 2016-12-08 | 基于多模态mri纵向数据的脑瘤时空协同分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106651875B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107464250B (zh) * | 2017-07-03 | 2020-12-04 | 深圳市第二人民医院 | 基于三维mri图像的乳腺肿瘤自动分割方法 |
CN109741346B (zh) * | 2018-12-30 | 2020-12-08 | 上海联影智能医疗科技有限公司 | 感兴趣区域提取方法、装置、设备及存储介质 |
CN110674872B (zh) * | 2019-09-24 | 2022-03-01 | 广州大学 | 一种高维磁共振影像的分类方法及装置 |
CN112862761B (zh) * | 2021-01-20 | 2023-01-17 | 清华大学深圳国际研究生院 | 一种基于深度神经网络的脑瘤mri图像分割方法及*** |
CN116071401B (zh) * | 2023-01-28 | 2023-08-01 | 中日友好医院(中日友好临床医学研究所) | 基于深度学习的虚拟ct图像的生成方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101421745A (zh) * | 2004-04-15 | 2009-04-29 | 美国医软科技公司 | 空间-时间肿瘤检测,分割和诊断信息提取***及方法 |
CN105139410A (zh) * | 2015-09-11 | 2015-12-09 | 浙江工商大学 | 使用空间截面投影的脑肿瘤mri图像分割算法 |
CN106127734A (zh) * | 2016-06-13 | 2016-11-16 | 西安电子科技大学 | 基于模糊思想和水平集框架的mri图像分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10169685B2 (en) * | 2014-07-07 | 2019-01-01 | The Regents Of The University Of California | Automatic segmentation and quantitative parameterization of brain tumors in MRI |
-
2016
- 2016-12-08 CN CN201611123608.9A patent/CN106651875B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101421745A (zh) * | 2004-04-15 | 2009-04-29 | 美国医软科技公司 | 空间-时间肿瘤检测,分割和诊断信息提取***及方法 |
CN105139410A (zh) * | 2015-09-11 | 2015-12-09 | 浙江工商大学 | 使用空间截面投影的脑肿瘤mri图像分割算法 |
CN106127734A (zh) * | 2016-06-13 | 2016-11-16 | 西安电子科技大学 | 基于模糊思想和水平集框架的mri图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106651875A (zh) | 2017-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fu et al. | A review of deep learning based methods for medical image multi-organ segmentation | |
Tan et al. | LGAN: Lung segmentation in CT scans using generative adversarial network | |
Al-Masni et al. | Simultaneous detection and classification of breast masses in digital mammograms via a deep learning YOLO-based CAD system | |
Gong et al. | Automatic detection of pulmonary nodules in CT images by incorporating 3D tensor filtering with local image feature analysis | |
CN106651875B (zh) | 基于多模态mri纵向数据的脑瘤时空协同分割方法 | |
Wu et al. | Automatic liver segmentation on volumetric CT images using supervoxel‐based graph cuts | |
Kumar et al. | Texture Pattern Based Lung Nodule Detection (TPLND) Technique in CT Images | |
CN106846317B (zh) | 一种基于特征提取和相似匹配的医学影像检索方法 | |
CN106651874B (zh) | 基于多模态mri数据的脑瘤术后空间域分割方法 | |
RU2654199C1 (ru) | Сегментация тканей человека на компьютерном изображении | |
Memon et al. | Segmentation of lungs from CT scan images for early diagnosis of lung cancer | |
Chen et al. | Pathological lung segmentation in chest CT images based on improved random walker | |
CN106600621A (zh) | 基于婴幼儿脑瘤多模态mri图的时空协同分割方法 | |
Tan et al. | An approach for pulmonary vascular extraction from chest CT images | |
Liu et al. | Automatic segmentation algorithm of ultrasound heart image based on convolutional neural network and image saliency | |
Jiang et al. | Level set based hippocampus segmentation in MR images with improved initialization using region growing | |
Luo et al. | An optimized two-stage cascaded deep neural network for adrenal segmentation on CT images | |
Tummala et al. | Liver tumor segmentation from computed tomography images using multiscale residual dilated encoder‐decoder network | |
Banerjee et al. | A CADe system for gliomas in brain MRI using convolutional neural networks | |
Lei et al. | Deep learning architecture design for multi-organ segmentation | |
Kabir | Early stage brain tumor detection on MRI image using a hybrid technique | |
Kumar et al. | Development of an enhanced U-Net model for brain tumor segmentation with optimized architecture | |
Jalab et al. | Fractional Renyi entropy image enhancement for deep segmentation of kidney MRI | |
Srilatha et al. | Automated ultrasound ovarian tumour segmentation and classification based on deep learning techniques | |
Song et al. | Liver segmentation based on SKFCM and improved GrowCut for CT images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |