CN106780453A - 一种基于深度信任网络实现对脑肿瘤分割的方法 - Google Patents
一种基于深度信任网络实现对脑肿瘤分割的方法 Download PDFInfo
- Publication number
- CN106780453A CN106780453A CN201611115044.4A CN201611115044A CN106780453A CN 106780453 A CN106780453 A CN 106780453A CN 201611115044 A CN201611115044 A CN 201611115044A CN 106780453 A CN106780453 A CN 106780453A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- brain tumor
- trust network
- oedema
- 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
- 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)
- 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
本发明通过基于深度信任网络的方法实现对脑肿瘤的分割,以利于对病人脑肿瘤疾病的辅助诊断。该方法首先利用自适应滤波器、直方图均衡化和亮度变换处理原始图像,减少原图像的噪音并增强图像的对比度。然后对处理过的图像提取图像块生成数据集。然后利用深度信任网络对完整脑肿瘤中水肿、坏死、肿瘤区域进行分类实现初分割,再利用模糊C均值聚类分割对图像进一步精确分割,得到的结果便是完整脑肿瘤的分割结果。
Description
技术领域
本发明属于计算机医学图像分类识别和分割的范畴,更为具体地讲,涉及一种基于深度信任网络实现对脑肿瘤的分割方法,用于辅助医疗对脑肿瘤实现自动化分割。
背景技术
当今社会,脑肿瘤愈发威胁人们的健康。统计资料显示脑肿瘤患者人数日益增多。由于脑部具有结构复杂和功能重要的特点,在临床上脑肿瘤及其肿瘤样变的形式多样,限制了脑肿瘤疾病的早期诊断和治疗。随着计算机辅助医疗诊断的技术的进步,已经成功的用于乳腺和肺部病变的辅助诊断上。如果能利用计算机实现医学图像的精确分割,将有利于医生及时的诊断和提出相应的治疗方案。MRI(磁共振图像)具有无放射性损害、无骨性伪影,能多方面多参数成像。特别适合于临床脑部病变检查,为医生及时的诊断和提出相应的治疗方案提供了条件。磁共振图像现已成为临床的主要诊断手段。但是目前临床的脑肿瘤分析大多还停留在定性的分析上,定量的分析脑肿瘤的方法目前还不多见。人工分割很费事且因人不同可能会产生不可预计的错误。实现脑肿瘤的准确有效的分割,是计算机医学处理领域非常重要的研究课题。
临床的脑肿瘤分割以人工分割为主,但是人工分割较为粗略,且过于费事,所以用计算机实现自动分割作为医疗辅助诊断的方式变得非常有意义。但是医学图像有着不同于其它图像的独特特征,单独使用任何一种传统的分割算法,都很难达到理想的效果。相关学科的发展及一些新理论和方法的提出为医学图像分割技术注入了新鲜血液,研究者们将这些新技术应用于实践中,得到了较好的分割效果。其中大多数分割运用图像基本处理、特征提取及特征选择、图像分类和分割的技术。目前较为常用的图像分割方法有关于模糊集理论的方法、基于统计学的方法等;分类识别方法则有线性判别、K近邻、神经网络等。同时这些方法都具有一定的局限性且多数用于单一的肿瘤分割,忽略了完整脑肿瘤中的坏死和水肿区域的分割。随着机器学习成为计算机领域的热门学科,它的模拟人类学习行为以获取新的知识和技能的特性被更多的用于处理高维数据,如医学图像分类识别。深度信任网络、卷积神经网络和自动堆叠编码都是机器学习中热门的研究方向。深度信任网络最早由Hinton在2006年提出,是在RBM(受限波尔兹曼机)的基础上,通过不断增加隐层数目,同时在网络的顶层使用RBM,而在其他层使用贝叶斯信念网络,从而得到DBN(深度信任网络)。DBN属于模式识别的范畴,通常用于数据的分类,它在输入数据的训练过程中,通过正向传播和反向传播的迭代不断的优化网络参数,然后根据真值图像不同的像素点或图像块类型给相应图像对应位置的像素点或图像块添加不同的标签实现分类,将分类模型映射为二值图像得到初分割结果。利用预训练得到的DBN输出结果优于传统神经网络算法的结果,在此基础上使用模糊C均值聚类(F C M)方法得到准确的脑肿瘤分割结果。
发明内容
本发明的目的在于设计一种基于深度信任网络实现对完整脑肿瘤进行分割的方法。在分割过程中,利用图像数据通过深度信任网络对于完整脑肿瘤进行多分类(包括水肿、坏死以及肿瘤)同时映射形成初分割的二值图像。
为较好的实现分割目的,需要对图像进行预处理等操作,主要包括以下内容:首先根据MRI的成像原理,去除MRI中的噪声,利用亮度变换增强图像的对比度以及细节,再利用直方图均衡化降低因设备参数不同而造成的图像亮度、对比度的差异,得到大致灰度分布均匀的图像。然后对预处理后的图像提取图像块和完整脑肿瘤的真值图像生成输入数据集,再通过深度信任网络对肿瘤、水肿、坏死区域进行多分类,最后利用模糊C均值聚类进行精确分割。
技术原理如图1所示,具体技术流程如下:
步骤一:首先利用自适应滤波器对图像进行处理,以消除图像中存在影响分类的噪音,并且通过直方图均衡化和亮度变换增强脑图像中肿瘤、水肿和坏死区域的对比度。
步骤二:利用步骤一处理的图像进行图像块的提取,并且生成相应的输入数据(训练和测试数据集)。
步骤三:利用无监督的深度信任网络对步骤二中数据的潜在特征进行提取,根据特征的训练对相应数据块添加标签对完整脑肿瘤实现多分类(1-水肿、2-坏死、3-肿瘤),得到多分类模型。
步骤四:利用步骤三分类模型映射生成初分割结果,根据F C M对初分割后的图像进行分割,分割的结果为具有水肿、坏死和肿瘤区域的完整脑肿瘤。
附图说明
图1是本发明基于深度信任网络实现对脑肿瘤的分割方法的技术方案图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,可能淡化和忽略与本发明有关的已知功能和设计的内容介绍。
在本实施方案中,本发明对脑肿瘤分割方法主要包括以下环节:
1.图像预处理、2.图像块提取和数据集的生成、3.完整脑肿瘤的多分类、4.模糊C均值聚类分割
图像预处理采用滤波、直方图均衡化和亮度变换,图像提取图像块生成输入数据集,创新的采用深度信任网络对完整脑肿瘤按照水肿、坏死以及肿瘤区域进行分类,将分类模型映射生成二值图像得到初分割结果,其步骤如下:1根据真值对图像中所提取的图像块设定类型。以图像块中心点的类型为该块的类型,对完整脑肿瘤中水肿、坏死以及肿瘤区域设定类型,分别记为1-水肿、2-坏死、3-肿瘤。2深度信任网络训练过程中,利用真值对应图像块的类型对MRI的相对应图像块设定类型。3利用正向传播和反向传播的多次迭代,优化网络参数,然后根据真值图像不同的像素点或图像块类型给相应图像对应位置的像素点或图像块添加不同的标签实现分类,生成完整脑肿瘤的分类模型。4将3中的分类模型映射生成二值图像,得到初分割结果。最后的模糊C均值聚类分割过程中,将图像划分为相应的簇,对已有的簇,随机选择数据像素的隶属度矩M,M=[Mij],M(0)。通过M(k)计算中心向量R(k)=[Rj],其中k为迭代次数;计算更新后的隶属度矩阵M(k+1)=[Mij (k+1)]。当||M(k+1)-M(k)||,其中||*||计算中心点和像素点之间的距离,满足FCM相应的错误率要求则终止,否则令M(k)=[Mij (k+1)],继续迭代。利用脑肿瘤和周围的正常组织像素隶属度的差异,得到具有水肿、坏死和肿瘤的完整脑肿瘤的分割结果。
本发明是一种基于深度信任网络实现对脑肿瘤的分割方法具有以下特点:
本发明提出一种对完整脑肿瘤进行分割方法,可以准确的对完整脑肿瘤的分割。创新的使用深度信任网络可以有效的对具有水肿、坏死及肿瘤的完整脑肿瘤进行分割。脑肿瘤的分割结果可以辅助医生对病人病情的诊断和提出治疗方案。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (2)
1.本发明是一种基于深度信任网络实现对脑肿瘤分割的方法,主要包括以下内容:首先对图像进行预处理,然后利用深度信任网络对于完整脑肿瘤进行多分类(包括水肿、坏死以及肿瘤)同时映射形成初分割的二值图像,继而用模糊C均值聚类(FCM)方法实现精确分割。
技术方案如下:
步骤一:首先利用自适应滤波器对图像进行处理,以消除图像中存在影响分类的噪音,并且通过直方图均衡化、亮度变换增强脑图像中肿瘤、水肿和坏死区域的对比度,将有利于提高分类和分割的准确度。
步骤二:利用步骤一处理的图像进行图像块的提取,并且生成相应的输入数据(训练和测试数据集)。
步骤三:利用无监督的深度信任网络对步骤二中数据的潜在特征进行提取,根据特征的训练对相应数据块设定类型,实现对完整脑肿瘤的多分类(1-水肿、2-坏死、3-肿瘤),得到多分类模型。
步骤四:利用步骤三分类模型映射生成初分割结果,根据FCM对初分割后的图像进行分割,分割的结果为水肿、坏死和肿瘤区域。
2.根据权利要求1所述的一种基于深度信任网络实现脑肿瘤分割的方法。其特征在于使用深度信任网络的过程中,按照图像块的灰度特征,实现了对完整脑肿瘤的多分类(水肿、坏死以及肿瘤区域)和分割,而不是单一的只对其中的肿瘤区域进行分类和分割。
本发明的主要特点在于对完整脑肿瘤进行分割的过程进行一些改进,以提高分割的准确性。主要包括:(1)利用自适应滤波、直方图均衡化和亮度变换对图像进行预处理,(2)对预处理的图像提取图像块生成输入数据集,(3)利用深度信任网络对完整脑肿瘤按照水肿、坏死以及肿瘤区域进行分类,将分类模型映射生成二值图像得到初分割结果。(4)利用模糊C均值聚类分割方法对初分割结果进一步进行分割,得到准确的分割结果。
利用深度信任网络对完整脑肿瘤分类,其步骤如下:
1.根据真值对图像中所提取的图像块设定类型。以图像块中心点的类型为该块的类型,对完整脑肿瘤中水肿、坏死以及肿瘤区域设定类型,分别记为1-水肿、2-坏死、3-肿瘤。
2.深度信任网络训练过程中,利用真值对应图像块的类型对图像的相对应图像块设定类型。
3.利用正向传播和反向传播的多次迭代,优化网络参数,然后根据真值图像不同的像素点或图像块类型给相应图像对应位置的像素点或图像块添加不同的标签实现分类生成完整脑肿瘤的分类模型。
4.将3中的分类模型映射生成二值图像,得到初分割结果。
在最后的模糊C均值聚类分割过程中,将图像划分为相应的簇,对已有的簇,随机选择数据像素的隶属度矩M。
M=[Mij],M(0)。
通过M(k)计算中心向量R(k)=[Rj],其中k为迭代次数;计算更新后的隶属度矩阵M(k+1)=[Mij (k+1)]。当||M(k+1)-M(k)||,其中||*||计算中心点和像素点之间的距离,满足FCM相应的错误率要求则终止,否则令M(k)=[Mij (k+1)],继续迭代。利用脑肿瘤和周围的正常组织像素隶属度的差异,得到最后的分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611115044.4A CN106780453A (zh) | 2016-12-07 | 2016-12-07 | 一种基于深度信任网络实现对脑肿瘤分割的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611115044.4A CN106780453A (zh) | 2016-12-07 | 2016-12-07 | 一种基于深度信任网络实现对脑肿瘤分割的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106780453A true CN106780453A (zh) | 2017-05-31 |
Family
ID=58874780
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611115044.4A Pending CN106780453A (zh) | 2016-12-07 | 2016-12-07 | 一种基于深度信任网络实现对脑肿瘤分割的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106780453A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292884A (zh) * | 2017-08-07 | 2017-10-24 | 北京深睿博联科技有限责任公司 | 一种识别mri图像中水肿和血肿的方法及装置 |
CN107845098A (zh) * | 2017-11-14 | 2018-03-27 | 南京理工大学 | 基于随机森林和模糊聚类的肝癌图像全自动分割方法 |
CN108629772A (zh) * | 2018-05-08 | 2018-10-09 | 上海商汤智能科技有限公司 | 图像处理方法及装置、计算机设备和计算机存储介质 |
CN109102512A (zh) * | 2018-08-06 | 2018-12-28 | 西安电子科技大学 | 一种基于dbn神经网络的mri脑肿瘤图像分割方法 |
CN110706225A (zh) * | 2019-10-14 | 2020-01-17 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 基于人工智能的肿瘤识别*** |
CN111445456A (zh) * | 2020-03-26 | 2020-07-24 | 北京推想科技有限公司 | 分类模型、网络模型的训练方法及装置、识别方法及装置 |
CN112567474A (zh) * | 2018-08-07 | 2021-03-26 | 第一百欧有限公司 | 利用多重颜色模型和神经网络的疾病诊断***和方法 |
CN112686845A (zh) * | 2020-12-23 | 2021-04-20 | 合肥联宝信息技术有限公司 | 一种图像处理的方法、装置及计算机可读介质 |
CN113240964A (zh) * | 2021-05-13 | 2021-08-10 | 广西英腾教育科技股份有限公司 | 一种心肺复苏教学机器 |
US11227387B2 (en) | 2020-05-18 | 2022-01-18 | Prince Mohammad Bin Fahd University | Multi-stage brain tumor image processing method and system |
Citations (1)
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 |
-
2016
- 2016-12-07 CN CN201611115044.4A patent/CN106780453A/zh active Pending
Patent Citations (1)
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 |
Non-Patent Citations (2)
Title |
---|
PARMIDA MORADI BIRGANI 等: "MRI Segmentation Using Fuzzy C-means Clustering Algorithm Basis Neural Network", 《2008 3RD INTERNATIONAL CONFERENCE ON INFORMATION AND COMMUNICATION TECHNOLOGIES:FROM THEORY TO APPLICATIONS》 * |
杨佳玲 等: "基于深度信念网络的肺结节良恶性分类", 《科学技术与工程》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292884A (zh) * | 2017-08-07 | 2017-10-24 | 北京深睿博联科技有限责任公司 | 一种识别mri图像中水肿和血肿的方法及装置 |
CN107292884B (zh) * | 2017-08-07 | 2020-09-29 | 杭州深睿博联科技有限公司 | 一种识别mri图像中水肿和血肿的方法及装置 |
CN107845098A (zh) * | 2017-11-14 | 2018-03-27 | 南京理工大学 | 基于随机森林和模糊聚类的肝癌图像全自动分割方法 |
CN108629772A (zh) * | 2018-05-08 | 2018-10-09 | 上海商汤智能科技有限公司 | 图像处理方法及装置、计算机设备和计算机存储介质 |
CN108629772B (zh) * | 2018-05-08 | 2023-10-03 | 上海商汤智能科技有限公司 | 图像处理方法及装置、计算机设备和计算机存储介质 |
CN109102512B (zh) * | 2018-08-06 | 2021-03-09 | 西安电子科技大学 | 一种基于dbn神经网络的mri脑肿瘤图像分割方法 |
CN109102512A (zh) * | 2018-08-06 | 2018-12-28 | 西安电子科技大学 | 一种基于dbn神经网络的mri脑肿瘤图像分割方法 |
CN112567474A (zh) * | 2018-08-07 | 2021-03-26 | 第一百欧有限公司 | 利用多重颜色模型和神经网络的疾病诊断***和方法 |
CN110706225A (zh) * | 2019-10-14 | 2020-01-17 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 基于人工智能的肿瘤识别*** |
CN110706225B (zh) * | 2019-10-14 | 2020-09-04 | 山东省肿瘤防治研究院(山东省肿瘤医院) | 基于人工智能的肿瘤识别*** |
CN111445456A (zh) * | 2020-03-26 | 2020-07-24 | 北京推想科技有限公司 | 分类模型、网络模型的训练方法及装置、识别方法及装置 |
US11227387B2 (en) | 2020-05-18 | 2022-01-18 | Prince Mohammad Bin Fahd University | Multi-stage brain tumor image processing method and system |
CN112686845A (zh) * | 2020-12-23 | 2021-04-20 | 合肥联宝信息技术有限公司 | 一种图像处理的方法、装置及计算机可读介质 |
CN112686845B (zh) * | 2020-12-23 | 2022-04-15 | 合肥联宝信息技术有限公司 | 一种图像处理的方法、装置及计算机可读介质 |
CN113240964A (zh) * | 2021-05-13 | 2021-08-10 | 广西英腾教育科技股份有限公司 | 一种心肺复苏教学机器 |
CN113240964B (zh) * | 2021-05-13 | 2023-03-31 | 广西英腾教育科技股份有限公司 | 一种心肺复苏教学机器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106780453A (zh) | 一种基于深度信任网络实现对脑肿瘤分割的方法 | |
CN111476292B (zh) | 医学图像分类处理人工智能的小样本元学习训练方法 | |
CN108492297B (zh) | 基于深度级联卷积网络的mri脑肿瘤定位与瘤内分割方法 | |
CN108364006B (zh) | 基于多模式深度学习的医学图像分类装置及其构建方法 | |
Tian et al. | Multi-path convolutional neural network in fundus segmentation of blood vessels | |
CN112101451B (zh) | 一种基于生成对抗网络筛选图像块的乳腺癌组织病理类型分类方法 | |
Dong et al. | Multi-view secondary input collaborative deep learning for lung nodule 3D segmentation | |
Zhong et al. | Boosting‐based cascaded convolutional neural networks for the segmentation of CT organs‐at‐risk in nasopharyngeal carcinoma | |
CN107977952A (zh) | 医学图像分割方法及装置 | |
CN111767952B (zh) | 一种可解释的肺结节良恶性分类方法 | |
CN110097921B (zh) | 基于影像组学的胶质瘤内基因异质性可视化定量方法和*** | |
CN108549912A (zh) | 一种基于机器学习的医学图像肺结节检测方法 | |
CN107330883A (zh) | 一种医学图像病变区域定位和分类方法 | |
CN113344864A (zh) | 一种基于深度学习的超声甲状腺结节良恶性预测方法 | |
Ye et al. | Medical image diagnosis of prostate tumor based on PSP-Net+ VGG16 deep learning network | |
Tang et al. | Detection of pulmonary nodules based on a multiscale feature 3D U-Net convolutional neural network of transfer learning | |
CN112990344A (zh) | 一种肺结节多视图分类方法 | |
Wang et al. | Malignancy characterization of hepatocellular carcinoma using hybrid texture and deep features | |
CN117036288A (zh) | 一种面向全切片病理图像的肿瘤亚型诊断方法 | |
Anter et al. | Deep federated machine learning-based optimization methods for liver tumor diagnosis: A review | |
CN109919216B (zh) | 一种用于计算机辅助诊断***癌的对抗学习方法 | |
Liu et al. | Automated classification of cervical Lymph-Node-Level from ultrasound using depthwise separable convolutional swin transformer | |
Lv et al. | An improved residual U-Net with morphological-based loss function for automatic liver segmentation in computed tomography | |
Huang et al. | Breast cancer diagnosis based on hybrid SqueezeNet and improved chef-based optimizer | |
Tang et al. | NSCGCN: A novel deep GCN model to diagnosis COVID-19 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |
|
RJ01 | Rejection of invention patent application after publication |