CN109949307B - 一种基于主成分分析的图像分割的方法 - Google Patents
一种基于主成分分析的图像分割的方法 Download PDFInfo
- Publication number
- CN109949307B CN109949307B CN201910143931.XA CN201910143931A CN109949307B CN 109949307 B CN109949307 B CN 109949307B CN 201910143931 A CN201910143931 A CN 201910143931A CN 109949307 B CN109949307 B CN 109949307B
- Authority
- CN
- China
- Prior art keywords
- focus
- voxels
- matrix
- data
- 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.)
- Active
Links
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000003709 image segmentation Methods 0.000 title claims abstract description 10
- 230000003902 lesion Effects 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 78
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 2
- 230000007812 deficiency Effects 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract description 2
- 210000004556 brain Anatomy 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000000338 in vitro Methods 0.000 description 1
- 238000007917 intracranial administration Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明涉及一种基于主成分分析的图像分割的方法,属于生物医学技术领域。本发明避免了因医师主观性和经验不足等导致的勾画结果不一致。手动分割病灶不仅需要专业的解剖知识,而且还非常耗费精力,同时有人工参与的分割带有主观性,对分割结果有一定的影响。已经通过训练组完成“学习”的模型可以有效解放医师的双手,利用模型分割出来的病灶可以为医生提供直观的诊断参考,不再需要自己手动标记病灶,节省了很多精力和时间。
Description
技术领域
本发明涉及一种基于主成分分析的图像分割的方法,属于生物医学技术领域。
背景技术
图像分割就是根据某种均匀性(或一致性)的原则将图像分成若干个有意义的部分,使得每一部分都符合某种一致性的要求,而任意两个相邻部分的合并都会破坏这一致性。图像的分割在很多情况下都可归结为图像像素点的分类问题。
在磁共振成像图像中,颅内各组织的边界极其复杂且不规则,这对传统的分割算法提出严峻的挑战。手动分割病灶不仅需要专业的解剖知识,而且还非常耗费精力,同时有人工参与的分割带有主观性,对分割结果有一定的影响。
发明内容
本发明提供了一种基于主成分分析的图像分割的方法,以用于对磁共振成像中病灶体素和非病灶体素进行标记,获取只有病灶体素的分割图像。
本发明的技术方案是:一种基于主成分分析的图像分割的方法,所述方法步骤如下:
S1、下载磁共振成像序列数据集,选取磁共振成像序列数据集中含有病灶体素的一个三维图像进行断层,得到多个含有病灶体素的断层图像,将多个含有病灶体素的断层图像构成一个数据组,将含有病灶图像的数据组作为训练组;
S2、训练组中含有病灶体素的断层图像中的体素可分为病灶体素和非病灶体素,利用主成分分析来缩减体素的数据维度并利用距离测度作为分类依据,以此来对磁共振成像序列数据中的病灶和非病灶进行分类;
S3、从磁共振成像序列数据集中读取一组未知的数据作为测试组,用构建的分类模型来对含有病灶体素的测试组图像进行分类,依据距离阈值将图像中的体素划分为病灶和非病灶,并用1和0分别标记病灶体素和非病灶体素,得到一个二值化的图像,去掉值为0的体素即可得到只有病灶体素的分割图像;
S4、读入对应测试组数据对应的“真实数据”,即已分割出准确病灶体素的磁共振成像图像,依据分割性能评价参数来分析通过模型得到的分割图像,并将评价结果存入Excel表格以便分析。
所述步骤S2具体如下:
1)、数据矩阵提取:对于一个训练组数据集中的图像,提取出所有的病灶及非病灶体素的灰度值并组成对应的两个向量,记为x和x′;因为整个训练组数据集中含有N个图片,可以得到N*M维的非病灶体素数据矩阵Gx和病灶体素数据矩阵Lx;其中,M是病灶体素的个数,这里假设病灶体素个数和非病灶体素个数相同,都为M个;
2)、数据矩阵中心化:在进行主成分分析之前,需要对数据矩阵进行中心化处理,对于数据矩阵Gx和Lx,分别计算每一个矩阵的列均值和列方差,接着对每个数据矩阵减去对应的列均值然后除以对应的列方差,此时得到数据矩阵Gx和Lx的中心在原点位置;
3)、主成分分析维度缩减:假设A是一个M*N的矩阵,那么通过奇异值分解A=UΣVT就会得到U,Σ,VT三个矩阵;其中,U是一个M*M的方阵,是这个矩阵A的特征向量组成的矩阵;Σ是一个M*N的对角矩阵,其对角线上的元素叫做特征值;VT作为V的转置是一个N*N的矩阵,它的列是可以看作是一组基向量,代表主成分的向量方向;最大的特征值所对应的特征向量表示数据矩阵Gx、Lx在主成分方向有最大的协方差,即在低维坐标系的投影有最大的协方差,保留前I项大的特征值对应的特征向量来近似描述矩阵;
4)、数据矩阵基转换:为了转换数据矩阵Gx、Lx的基使得它们有更低的维度,可以利用得到的前99%的特征向量与数据矩阵Gx、Lx相乘;因为数据矩阵Gx,Lx的特征向量不一定相同,把数据矩阵Gx,Lx进行二次变换使得它们被投影到相同的基上;
5)、根据距离进行分类:在基相同的情况下得到病灶和非病灶数据矩阵之后,分别求新数据在这组基上的值到非病灶矩阵和病灶矩阵中所有值的距离,并对这两组距离取平均值,观察哪一组的距离平均值更小:如果新数据到非病灶矩阵这一组的距离平均值比较小,把它归类为非病灶;反之把它归类为病灶。
本发明的有益效果是:本发明避免了因医师主观性和经验不足等导致的勾画结果不一致。手动分割病灶不仅需要专业的解剖知识,而且还非常耗费精力,同时有人工参与的分割带有主观性,对分割结果有一定的影响。已经通过训练组完成“学习”的模型可以有效解放医师的双手,利用模型分割出来的病灶可以为医生提供直观的诊断参考,不再需要自己手动标记病灶,节省了很多精力和时间。
附图说明
图1是为本发明的总体流程图;
图2是选取测试组的磁共振成像图像中第97断层的PD加权图、T1加权图和T2加权图作为测试图像;
图3是通过模型得到的一组未知的含病灶体素的磁共振成像图像的二值化分割图像;
图4是测试组的病灶图像对应的“真实数据”图像,准确的病灶位置和大小已在图像上作出标记。
具体实施方式
实施例1:如图1-图4所示,一种基于主成分分析的图像分割的方法,所述方法步骤如下(流程图如图1所示):
S1、下载磁共振成像序列数据集,选取磁共振成像序列数据集中含有病灶体素的一个三维图像进行断层,得到多个含有病灶体素的断层图像,将多个含有病灶体素的断层图像构成一个数据组,将含有病灶图像的数据组作为训练组;
S2、训练组中含有病灶体素的断层图像中的体素可分为病灶体素和非病灶体素,利用主成分分析来缩减体素的数据维度并利用距离测度作为分类依据,以此来对磁共振成像序列数据中的病灶和非病灶进行分类;
要对核磁成像图像进行病灶与非病灶的分类,主要思想是用距离测度来衡量新的数据到病灶和非病灶两个类中哪一个类的距离更小。但是直接进行图像灰度值相减会考虑进高维数据的冗余信息,对分类效果起到消极影响。为了解决这一问题,可利用主成分分析来缩减数据的数据维度,从而减少数据的冗余信息。所述步骤S2具体如下:
1)、数据矩阵提取:对于一个训练组数据集中的图像,提取出所有的病灶及非病灶体素的灰度值并组成对应的两个向量,记为x和x′;因为整个训练组数据集中含有N个图片,可以得到N*M维的非病灶体素数据矩阵Gx和病灶体素数据矩阵Lx;其中,M是病灶体素的个数,这里假设病灶体素个数和非病灶体素个数相同,都为M个;
2)、数据矩阵中心化:在进行主成分分析之前,需要对数据矩阵进行中心化处理,对于数据矩阵Gx和Lx,分别计算每一个矩阵的列均值和列方差,接着对每个数据矩阵减去对应的列均值然后除以对应的列方差,此时得到数据矩阵Gx和Lx的中心在原点位置;
3)、主成分分析维度缩减:主成分分析算法的目的是将数据从高维转变到低维而且要使得转变后的数据与原数据尽量相符。这样做是因为考虑到体素数据点是高维数据,通常含有冗余信息。如果直接利用这些数据点到病灶或非病灶的距离进行分类,很可能得到比较差的结果。在主成分分析中一个常见的做法是,找到一个低维的坐标系使得原数据矩阵中的每一个数据点到这个坐标系的投影距离最短。这等同于原数据矩阵在低维坐标系的投影有最大的协方差。通常可以利用奇异值分解实现这个目的。假设A是一个M*N的矩阵,那么通过奇异值分解A=UΣVT就会得到U,Σ,VT三个矩阵;其中,U是一个M*M的方阵,是这个矩阵A的特征向量组成的矩阵;Σ是一个M*N的对角矩阵,其对角线上的元素叫做特征值;VT作为V的转置是一个N*N的矩阵,它的列是可以看作是一组基向量,代表主成分的向量方向;最大的特征值所对应的特征向量(主成分方向)表示数据矩阵Gx、Lx在这个方向有最大的协方差,即在低维坐标系的投影有最大的协方差,特征值在矩阵Σ中是从大到小排列,而且减少特别快,在很多情况下,前10%甚至1%的特征值的和就占了全部的特征值之和的99%以上了。所以可以保留前I项大的特征值对应的特征向量来近似描述矩阵。在本次实验中,保留了前99%的特征向量。
4)、数据矩阵基转换:为了转换数据矩阵Gx、Lx的基使得它们有更低的维度,可以利用得到的前99%的特征向量与数据矩阵Gx、Lx相乘(此为第一次变换);可是,因为数据矩阵Gx,Lx的特征向量不一定相同,如果对它们单独进行变换,它们可能会被投影到不同的新的基上。在投影的基不同的情况下,无法进行距离的比较;因此需要把数据矩阵Gx,Lx进行二次变换(即将第一次变换中特征向量的方差归一化为1,求出一个新的特征向量,用这个新的特征向量来乘上一次相乘所得)使得它们被投影到相同的基上;
5)、根据距离进行分类:在基相同的情况下得到病灶和非病灶数据矩阵之后,分别求新数据在这组基上的值到非病灶矩阵和病灶矩阵中所有值的距离,并对这两组距离取平均值,观察哪一组的距离平均值更小:如果新数据到非病灶矩阵这一组的距离平均值比较小,把它归类为非病灶;反之把它归类为病灶。
S3、从磁共振成像序列数据集中读取一组未知的数据作为测试组,用构建的分类模型来对含有病灶体素的测试组图像进行分类,依据距离阈值将图像中的体素划分为病灶和非病灶,并用1和0分别标记病灶体素和非病灶体素,得到一个二值化的图像,去掉值为0的体素即可得到只有病灶体素的分割图像;
S4、读入对应测试组数据对应的“真实数据”,即已分割出准确病灶体素的磁共振成像图像,依据分割性能评价参数Dice相似性系数(Dice similarity coefficient,DSC)、灵敏度(sensitivity,Sens)、特异性(specificity,Spec)和准确性(accuracy,Acc)来分析通过模型得到的分割图像,并将评价结果存入Excel表格以便分析。这四个参数的计算公式如下:
其中,TP为真阳性(true positive),TN为真阴性(true negative),FP为假阳性(false positive),FN为假阴性(false negative)。
Dice相似性系数是比较常用的相似性度量,经常与之配合使用的其他性能评价参数还有灵敏度、特异性和准确性。以97断层为例,计算出的性能参数如下:
DSC=0.7746,Sens=0.8221,Spec=0.9987,Acc=0.9980
其中,DSC是最常用来评价病灶分割方法的指标,它更多反映了分割结果和真实病灶在位置上的差异,其值可以从0至1。DSC等于0表明二者没有重叠,等于1则表明二者完全吻合,通常大于等于0.7即为较好的结果。Sens的值为0.8221,说明病灶分割结果能达到82%左右。从参数Spec和Acc的计算公式考虑,由于其中的TN(真阴性)涉及大小不定的广义区域,所以Spec和Acc的数值易偏于乐观,作为图像分割性能参数意义不大。虽然Spec和Acc的计算值都大于0.99,但是对性能评价并没有太大的参考价值。
根据实验结果可知,主成分分析应用于病灶分割有一定的可行性,虽然该方法应用于临床的医学图像的分割效果不如模拟图像,但可以预见的是,在增加训练数据以及改进算法的基础上,分割结果可以达到较为理想的状态。
本发明所构建模型的数据采用来自于BrainWeb(http://brainweb.bic.mni.mcgill.ca/brainweb/)的仿真人体颅脑磁共振成像(Magnetic Resonance Imaging,MRI)序列数据。BrainWeb数据库是由加拿大蒙特利尔大学神经科学研究所建立的模拟大脑数据库(Simulated brain database,SBD),其目的在于提供一个坚定体外获得的计算生物学产生的数据的解决方案平台。磁共振成像模式有质子密度(PD)加权、T1加权和T2加权。将磁共振成像序列数据集中含有病灶图像的数据作为训练组来让模型进行“学习”,旨在找到图像中的病灶与非病灶在特征向量方面的关联。用“学习”后的模型来对未知的磁共振成像序列数据集中的测试组数据进行图像分割。将测试组的分割结果与BrainWeb网站提供的对应“真实数据”(ground truth)(即金标准图像)进行比较,并计算出Dice相似性系数(Dicesimilarity coefficient,DSC)、灵敏度(sensitivity,Sens)、特异性(specificity,Spec)和准确性(accuracy,Acc)四个性能参数,从而对分割算法的性能进行评估。
上面结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (1)
1.一种基于主成分分析的图像分割的方法,其特征在于:所述方法步骤如下:
S1、下载磁共振成像序列数据集,选取磁共振成像序列数据集中含有病灶体素的一个三维图像进行断层,得到多个含有病灶体素的断层图像,将多个含有病灶体素的断层图像构成一个数据组,将含有病灶图像的数据组作为训练组;
S2、训练组中含有病灶体素的断层图像中的体素可分为病灶体素和非病灶体素,利用主成分分析来缩减体素的数据维度并利用距离测度作为分类依据,以此来对磁共振成像序列数据中的病灶和非病灶进行分类;
S3、从磁共振成像序列数据集中读取一组未知的数据作为测试组,用构建的分类模型来对含有病灶体素的测试组图像进行分类,依据距离阈值将图像中的体素划分为病灶和非病灶,并用1和0分别标记病灶体素和非病灶体素,得到一个二值化的图像,去掉值为0的体素即可得到只有病灶体素的分割图像;
S4、读入对应测试组数据对应的“真实数据”金标准图像,即已分割出准确病灶体素的磁共振成像图像,依据分割性能评价参数来分析通过模型得到的分割图像,并将评价结果存入Excel表格以便分析;
所述步骤S2具体如下:
1)、数据矩阵提取:对于一个训练组数据集中的图像,提取出所有的病灶及非病灶体素的灰度值并组成对应的两个向量,记为x和x′;因为整个训练组数据集中含有N个图片,可以得到N*M维的非病灶体素数据矩阵Gx和病灶体素数据矩阵Lx;其中,M是病灶体素的个数,这里假设病灶体素个数和非病灶体素个数相同,都为M个;
2)、数据矩阵中心化:在进行主成分分析之前,需要对数据矩阵进行中心化处理,对于数据矩阵Gx和Lx,分别计算每一个矩阵的列均值和列方差,接着对每个数据矩阵减去对应的列均值然后除以对应的列方差,此时得到数据矩阵Gx和Lx的中心在原点位置;
3)、主成分分析维度缩减:假设A是一个M*N的矩阵,那么通过奇异值分解A=UΣVT就会得到U,Σ,VT三个矩阵;其中,U是一个M*M的方阵,是这个矩阵A的特征向量组成的矩阵;Σ是一个M*N的对角矩阵,其对角线上的元素叫做特征值;VT作为V的转置是一个N*N的矩阵,它的列是可以看作是一组基向量,代表主成分的向量方向;最大的特征值所对应的特征向量表示数据矩阵Gx、Lx在主成分方向有最大的协方差,即在低维坐标系的投影有最大的协方差,保留前I项大的特征值对应的特征向量来近似描述矩阵;其中,I表示保留的用来近似描述矩阵的特征值对应的特征向量的总项数;
4)、数据矩阵基转换:为了转换数据矩阵Gx、Lx的基使得它们有更低的维度,可以利用得到的前99%的特征向量与数据矩阵Gx、Lx相乘;因为数据矩阵Gx,Lx的特征向量不一定相同,把数据矩阵Gx,Lx进行二次变换使得它们被投影到相同的基上;
5)、根据距离进行分类:在基相同的情况下得到病灶和非病灶数据矩阵之后,分别求新数据在这组基上的值到非病灶矩阵和病灶矩阵中所有值的距离,并对这两组距离取平均值,观察哪一组的距离平均值更小:如果新数据到非病灶矩阵这一组的距离平均值比较小,把它归类为非病灶;反之把它归类为病灶。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910143931.XA CN109949307B (zh) | 2019-02-27 | 2019-02-27 | 一种基于主成分分析的图像分割的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910143931.XA CN109949307B (zh) | 2019-02-27 | 2019-02-27 | 一种基于主成分分析的图像分割的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109949307A CN109949307A (zh) | 2019-06-28 |
CN109949307B true CN109949307B (zh) | 2024-01-12 |
Family
ID=67007747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910143931.XA Active CN109949307B (zh) | 2019-02-27 | 2019-02-27 | 一种基于主成分分析的图像分割的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109949307B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE69706684D1 (de) * | 1996-07-09 | 2001-10-18 | Secr Defence | Verfahren und gerät zur bildlichen artefaktreduktion |
EP2444934A1 (en) * | 2010-10-19 | 2012-04-25 | Koninklijke Philips Electronics N.V. | Medical imaging system, computer-implemented method, and computer program product for identifying a treated region in a medical image |
JPWO2012160970A1 (ja) * | 2011-05-20 | 2014-07-31 | 株式会社日立メディコ | 磁気共鳴イメージング装置、及びエコー信号計測方法 |
CN106204545A (zh) * | 2016-06-28 | 2016-12-07 | 南方医科大学 | 一种基于区域划分和Fisher向量的医学病灶图像特征表达方法 |
CN106887039A (zh) * | 2017-02-28 | 2017-06-23 | 成都金盘电子科大多媒体技术有限公司 | 一种基于医学影像的器官和病灶的三维成像方法及*** |
CN107292858A (zh) * | 2017-05-22 | 2017-10-24 | 昆明理工大学 | 一种基于低秩分解和稀疏表示的多模态医学图像融合方法 |
CN107644420A (zh) * | 2017-08-31 | 2018-01-30 | 西北大学 | 基于中心线提取的血管图像分割方法、核磁共振成像*** |
CN108257135A (zh) * | 2018-02-01 | 2018-07-06 | 浙江德尚韵兴图像科技有限公司 | 基于深度学习方法解读医学图像特征的辅助诊断*** |
CN108460771A (zh) * | 2018-01-17 | 2018-08-28 | 昆明理工大学 | 一种基于二维经验模态分解和遗传算法的图像阈值分割方法 |
CN108846838A (zh) * | 2018-06-04 | 2018-11-20 | 卢龙 | 一种三维mri半自动病灶图像分割方法及*** |
CN108921821A (zh) * | 2018-06-01 | 2018-11-30 | 中国人民解放军战略支援部队信息工程大学 | 基于lasso回归的乳腺癌腋窝***转移状态的判别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9721338B2 (en) * | 2011-01-11 | 2017-08-01 | Rutgers, The State University Of New Jersey | Method and apparatus for segmentation and registration of longitudinal images |
JP2012160970A (ja) * | 2011-02-01 | 2012-08-23 | Ntt Electornics Corp | 位相変調装置 |
-
2019
- 2019-02-27 CN CN201910143931.XA patent/CN109949307B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE69706684D1 (de) * | 1996-07-09 | 2001-10-18 | Secr Defence | Verfahren und gerät zur bildlichen artefaktreduktion |
EP2444934A1 (en) * | 2010-10-19 | 2012-04-25 | Koninklijke Philips Electronics N.V. | Medical imaging system, computer-implemented method, and computer program product for identifying a treated region in a medical image |
JPWO2012160970A1 (ja) * | 2011-05-20 | 2014-07-31 | 株式会社日立メディコ | 磁気共鳴イメージング装置、及びエコー信号計測方法 |
CN106204545A (zh) * | 2016-06-28 | 2016-12-07 | 南方医科大学 | 一种基于区域划分和Fisher向量的医学病灶图像特征表达方法 |
CN106887039A (zh) * | 2017-02-28 | 2017-06-23 | 成都金盘电子科大多媒体技术有限公司 | 一种基于医学影像的器官和病灶的三维成像方法及*** |
CN107292858A (zh) * | 2017-05-22 | 2017-10-24 | 昆明理工大学 | 一种基于低秩分解和稀疏表示的多模态医学图像融合方法 |
CN107644420A (zh) * | 2017-08-31 | 2018-01-30 | 西北大学 | 基于中心线提取的血管图像分割方法、核磁共振成像*** |
CN108460771A (zh) * | 2018-01-17 | 2018-08-28 | 昆明理工大学 | 一种基于二维经验模态分解和遗传算法的图像阈值分割方法 |
CN108257135A (zh) * | 2018-02-01 | 2018-07-06 | 浙江德尚韵兴图像科技有限公司 | 基于深度学习方法解读医学图像特征的辅助诊断*** |
CN108921821A (zh) * | 2018-06-01 | 2018-11-30 | 中国人民解放军战略支援部队信息工程大学 | 基于lasso回归的乳腺癌腋窝***转移状态的判别方法 |
CN108846838A (zh) * | 2018-06-04 | 2018-11-20 | 卢龙 | 一种三维mri半自动病灶图像分割方法及*** |
Non-Patent Citations (4)
Title |
---|
L. Gao.Focused ion beam milled CoPt magnetic force microscopy tips for high resolution domain images.《 IEEE Transactions on Magnetics》.2004,2194-2196. * |
Shaoping Sun.3D visualization system for medical image based on VTK and OK Series Image Board.《 2011 International Conference on Computer Science and Service System》.2011,951-954. * |
宗晓萍 等.采用K-means的脑肿瘤磁共振图像分割与特征提取.《计算机工程与应用》.2019,187-193. * |
相艳 等.利用多谱图像分割多发性硬化症病灶的新方法.《生物医学工程学杂志》.2015,330-335. * |
Also Published As
Publication number | Publication date |
---|---|
CN109949307A (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Song et al. | A modified probabilistic neural network for partial volume segmentation in brain MR image | |
Akhondi-Asl et al. | A logarithmic opinion pool based STAPLE algorithm for the fusion of segmentations with associated reliability weights | |
Akselrod-Ballin et al. | Automatic segmentation and classification of multiple sclerosis in multichannel MRI | |
Putra et al. | Enhanced skin condition prediction through machine learning using dynamic training and testing augmentation | |
Chavan et al. | Detection and classification of brain tumors | |
Zhang et al. | Intelligent scanning: Automated standard plane selection and biometric measurement of early gestational sac in routine ultrasound examination | |
CN109993230B (zh) | 一种面向脑功能磁共振图像分类的tsk模糊***建模方法 | |
Nitzken et al. | Improving full-cardiac cycle strain estimation from tagged CMR by accurate modeling of 3D image appearance characteristics | |
CN101739681B (zh) | 基于相关预测模型的磁共振图像中检测结构形变的方法 | |
Hasan et al. | Automated screening of MRI brain scanning using grey level statistics | |
CN103295031B (zh) | 一种基于正则风险最小化的图像目标计数方法 | |
Zhang et al. | A supervised texton based approach for automatic segmentation and measurement of the fetal head and femur in 2D ultrasound images | |
Onal et al. | MRI-based segmentation of pubic bone for evaluation of pelvic organ prolapse | |
CN106204545A (zh) | 一种基于区域划分和Fisher向量的医学病灶图像特征表达方法 | |
Pokrajac et al. | Applying spatial distribution analysis techniques to classification of 3D medical images | |
Taschler et al. | Spatial modeling of multiple sclerosis for disease subtype prediction | |
CN109949307B (zh) | 一种基于主成分分析的图像分割的方法 | |
Kasim et al. | Gaussian mixture model-expectation maximization algorithm for brain images | |
Cetindag et al. | Transfer Learning Methods for Using Textural Features in Histopathological Image Classification | |
Perez et al. | Diffusion weighted imaging of prostate cancer: prediction of cancer using texture features from parametric maps of the monoexponential and kurtosis functions | |
Rahim et al. | A diffeomorphic mapping based characterization of temporal sequences: application to the pelvic organ dynamics assessment | |
Mihaylova et al. | A brief survey of spleen segmentation in MRI and CT images | |
Lei et al. | Automatic grading of placental maturity based on LIOP and fisher vector | |
Zhang et al. | Graph-based whole body segmentation in fetal MR images | |
Chen et al. | A supervised hybrid classifier for brain tissues and white matter lesions on multispectral MRI |
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 |