CN110400313B - 一种核磁共振影像的软组织分离方法和分离*** - Google Patents

一种核磁共振影像的软组织分离方法和分离*** Download PDF

Info

Publication number
CN110400313B
CN110400313B CN201910708072.4A CN201910708072A CN110400313B CN 110400313 B CN110400313 B CN 110400313B CN 201910708072 A CN201910708072 A CN 201910708072A CN 110400313 B CN110400313 B CN 110400313B
Authority
CN
China
Prior art keywords
tissue
pixels
contour
gray
pixel
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
Application number
CN201910708072.4A
Other languages
English (en)
Other versions
CN110400313A (zh
Inventor
林海晓
武正强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Linkmed Technology Co ltd
Original Assignee
Beijing Linkmed Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Linkmed Technology Co ltd filed Critical Beijing Linkmed Technology Co ltd
Priority to CN201910708072.4A priority Critical patent/CN110400313B/zh
Publication of CN110400313A publication Critical patent/CN110400313A/zh
Application granted granted Critical
Publication of CN110400313B publication Critical patent/CN110400313B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06T2207/10—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (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)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种核磁共振影像的软组织分离方法和分离***，解决现有图像分离过程中体态较小的软组织分离精确度低的技术问题。方法包括：通过灰度图像的随机蕨分类模型确定所述灰度图像中像素的分类类别；根据所述像素的所述分类类别确定所述像素间相关性，形成组织轮廓；根据相邻所述灰度图像中的所述组织轮廓位置和所述组织轮廓变化趋势形成组织的立体轮廓。利用相关的图像和信息特征形成关联像素的自动化处理和分类，准确度提升。利用轮廓生成方法校验形成分类校验和矢量化轮廓描述，使得图像量化规则、像素内涵信息和建模构架有效融合，使得软组织可以在灰度图像中实现主体自动分割、轮廓准确定位和自动三维建模，有效提高了识别效率。

Description

一种核磁共振影像的软组织分离方法和分离***
技术领域
本发明涉及医学图像识别技术领域，具体涉及一种核磁共振影像的软组织分离方法和分离***。
背景技术
针对平滑肌、横纹肌、血管、韧带和***等具有多样性但体积有限的软组织受MRI(Magnetic Resonance Imaging，核磁共振成像)的成像灰度分辨率影响往往不清晰，各组织间的边缘灰度区域相结合，导致组织间图像分割存在困难。例如正常软组织与正常软组织间的早期良性肿瘤。
现有技术中，医学图像通常需要采用手工方式对各种组织图案进行选择性编辑、缺陷弥补处理、伪影和冗繁数据分离，然后用区域增长的方法来生成分割结果以建立完整的数字化模型。这样会耗去操作人员大量的时间，当需要处理的数据较多时专业资源无法满足时效性。现有技术中采用随机森林算法处理图像中的确定对象边界问题，但由于随机森林的处理特点在于反映局部灰度或纹理特征为主，无法有效针对图像中较大范围内像素间属性关联的信息识别，不利于随机边界的确定。
发明内容
鉴于上述问题，本发明实施例提供一种核磁共振影像的软组织分离方法和分离***，解决现有图像分离过程中体态较小的软组织分离精确度低的技术问题。
本发明实施例的核磁共振影像的软组织分离方法，包括：
通过灰度图像的随机蕨分类模型确定所述灰度图像中像素的分类类别；
根据所述像素的所述分类类别确定所述像素间相关性，形成组织轮廓；
根据相邻所述灰度图像中的所述组织轮廓位置和所述组织轮廓变化趋势形成组织的立体轮廓。
本发明一实施例中，所述通过灰度图像的随机蕨分类模型确定所述灰度图像中像素的分类类别包括随机蕨分类模型形成过程：
确定标准图像块区域中二值测试对作为训练集；
形成像素分类的随机蕨模型；
利用所述训练集对所述随机蕨模型进行分类获得蕨特征的分类概率。
本发明一实施例中，所述通过灰度图像的随机蕨分类模型确定所述灰度图像中像素的分类类别包括：
像素分类过程：
顺序计算所述灰度图像中各像素的二值特征；
对单一像素的二值特征进行组合形成二值序列；
与所述随机蕨模型中对应特征的后验概率比较确定所述单一像素分类类别。
本发明一实施例中，所述根据所述像素的所述分类类别确定所述像素间相关性，形成组织轮廓包括：
在所述灰度图像中确定每个像素相邻的其他像素，形成每个像素的相关像素集合；
随机选取一个初始像素，在初始像素的所述相关像素集合中确定类别一致的同类其他像素；
在所述同类其他像素的所述相关像素集合中确定类别一致的相似其他像素作为新的同类其他像素；
重复所述同类其他像素与所述相似其他像素的类别确定，形成像素回归识别过程；
在获得的所有同类别像素中通过位置比较获得初步组织轮廓；
排除所述初步组织轮廓包括的像素并通过形成轮廓回归识别过程，获得所有所述初步组织轮廓；
在形成的所有所述初步组织轮廓中排除干扰轮廓，确定所述灰度图像中有效的所述组织轮廓。
本发明一实施例中，所述轮廓回归识别过程包括：
随机选取一个初始像素，在初始像素的所述相关像素集合中确定类别一致的同类其他像素；
在所述同类其他像素的所述相关像素集合中确定类别一致的相似其他像素作为新的同类其他像素；
重复所述同类其他像素与所述相似其他像素的类别确定，形成像素回归识别过程；
在获得的所有同类别像素中通过位置比较获得初步组织轮廓；
排除所述初步组织轮廓包括的像素。
本发明一实施例中，所述干扰轮廓包括点轮廓、单线轮廓、单一交点的多线轮廓。
本发明一实施例中，所述根据相邻所述灰度图像中的所述组织轮廓位置和所述组织轮廓变化趋势形成组织的立体轮廓包括：
建立每张灰度图像中所述组织轮廓间的相对位置特征；
根据相邻灰度图像的各所述组织轮廓之间所述相对位置特征的变化趋势形成所述相邻灰度图像间的拟合系数；
结合灰度图像中的所述组织轮廓和所述拟合系数形成各组织的立体轮廓。
本发明实施例的核磁共振影像的软组织分离***，包括：
存储器，用于存储上述的核磁共振影像的软组织分离方法处理过程对应的程序代码；
处理器，用于执行所述程序代码。
本发明实施例的核磁共振影像的软组织分离***，包括：
像素分类装置，用于通过灰度图像的随机蕨分类模型确定所述灰度图像中像素的分类类别；
平面轮廓确定装置，用于根据所述像素的所述分类类别确定所述像素间相关性，形成组织轮廓；
立体轮廓确定装置，用于根据相邻所述灰度图像中的所述组织轮廓位置和所述组织轮廓变化趋势形成组织的立体轮廓。
本发明实施例的核磁共振影像的软组织分离方法和***利用相关的图像和信息特征形成关联像素的自动化处理和分类，准确度提升。利用轮廓生成方法校验形成分类校验和矢量化轮廓描述，使得图像量化规则、像素内涵信息和建模构架有效融合，使得软组织可以在灰度图像中实现主体自动分割、轮廓准确定位和自动三维建模，有效提高了专业人力识别资源的识别效率。
附图说明
图1所示为本发明一实施例核磁共振影像的软组织分离方法的流程示意图。
图2所示为本发明一实施例核磁共振影像的软组织分离方法中随机蕨分类模型的建立流程示意图。
图3所示为本发明一实施例核磁共振影像的软组织分离方法中确定组织轮廓的流程示意图。
图4所示为本发明一实施例核磁共振影像的软组织分离方法中形成立体轮廓的示意图。
图5所示为本发明一实施例核磁共振影像的软组织分离***的架构示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明白，以下结合附图及具体实施方式对本发明作进一步说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明一实施例的核磁共振影像的软组织分离方法如图1所示。在图1 中，本实施例包括：
步骤100：通过灰度图像的随机蕨分类模型确定灰度图像中像素的分类类别。
本领域技术人员可以理解，随机蕨分类算法中利用半朴素贝叶斯原则 (semi-naive Bayes)，形成更加扁平化的决策树结构。因此采用随机蕨分类算法有利于加强像素间的特征关联性，突出像素间纹理的变化差异。
步骤200：根据像素的分类类别确定像素间相关性，形成组织轮廓。
利用聚类和扩张算法对分类后的像素做准确轮廓形成和校验，排除分类误差。
步骤300：根据相邻灰度图像中的组织轮廓位置和组织轮廓变化趋势形成组织的立体轮廓。
本领域技术人员可以理解，在三维建模过程中可以根据平行断面数量和断面中对象的轮廓形成同一对象的三维轮廓，通过量化不同断面中关联对象的变化趋势可以提高三维轮廓的平滑度和精度。
本发明实施例核磁共振影像的软组织分离方法利用相关的图像和信息特征形成关联像素的自动化处理和分类，准确度提升。利用轮廓生成方法校验形成分类校验和矢量化轮廓描述，使得图像量化规则、像素内涵信息和建模构架有效融合，使得软组织可以在灰度图像中实现主体自动分割、轮廓准确定位和自动三维建模，有效提高了专业人力识别资源的识别效率。
本发明一实施例的核磁共振影像的软组织分离方法中随机蕨模型的形成如图2所示。在图2中，本实施例包括：
随机蕨分类模型形成过程：
步骤110：确定标准图像块区域中二值测试对作为训练集。
随机蕨所使用的蕨特征由相对较大的图像块区域中的一系列的二值测试对(二值特征)组成，这些简单的二值特征相互联系，可以很好的描述出这一图像区域的纹理、结构信息，尤其对于难以区分的目标物边界的确定。在一片图像区域中，由二值测试所定义的二值特征如下：
Figure BDA0002152805270000061
Ii1和Ii2为当前块(patch)中的任意两个像素点。由于二值特征十分简单，为了精确描述图像信息需要使用到大量这样的特征。这些特征之间的相关性也需要被用到。设一个patch总共有N个二值特征，平均分为M组，每组的大小即为S＝N/M。这些特征组就是蕨特征。
步骤120：形成像素分类的随机蕨模型。
像素v通过随机蕨来使用蕨特征对其进行分类的表达式可以写成：
Figure BDA0002152805270000062
其中，Fm＝{fσ(m,1),fσ(m,2),…,fσ(m,S),},m＝1,2,…,M为第m个蕨特性，σ(m,j)表示范围从1到N的随机序列。也就是说，Fm是无放回的从N个二值特征中抽取S个组成了蕨特征。蕨特征中的二值特征序列有固定的顺序，一旦确定不再改变。这样的特征设计是由半朴素贝叶斯原则(semi-naive Bayesian)所决定的，这也就意味着，这些二值特征中在蕨特征间的不再是相互独立，但每个蕨特征内仍然相互独立。为了提高存储效率和计算效率，蕨特征内的二值特征序列可以用十进制来表达。将标准和原图一同输入给随机蕨进行训练。训练过程需要估计每个蕨特征Fm在每一类Ck条件下的条件概率P(Fm|C＝Ci)。对于每个蕨特征Fm，在这里记它的条件概率：
Figure BDA0002152805270000071
式中的k由一个蕨特征中的二值序列决定，k为二值序列(二值序列实际上是一串二进制数字)的十进制表达，那么k总共有K＝2s种可能性。对于每一种可能性，都要计算它的概率
Figure BDA0002152805270000072
并且有如下约束：
Figure BDA0002152805270000073
步骤130：利用训练集对随机蕨模型进行分类获得蕨特征的分类概率。
类别概率
Figure BDA0002152805270000074
可以记为
Figure BDA0002152805270000075
Figure BDA0002152805270000076
训练样本中类别为ci,同时蕨特征值为k的样本数目，
Figure BDA0002152805270000077
则是类别为ci的样本总个数。所有的
Figure BDA0002152805270000078
都可以计算机运算获取。
本发明一实施例的核磁共振影像的软组织分离方法中利用随机蕨模型分类如图2所示。在图2中，本实施例包括：
像素分类过程：
步骤140：顺序计算灰度图像中各像素的二值特征。
步骤150：对像素的二值特征进行组合形成二值序列。
蕨特征内的二值特征序列可以用十进制来表达。
步骤160：与随机蕨模型中对应特征的后验概率比较确定像素分类类别。
将所得到的十进制码与随机蕨模型训练得到的后验概率比较可得待测像素的分类类别。
本发明实施例的核磁共振影像的软组织分离方法利用随机蕨模型的后验概率特性对像素分类进行处理将二值特征在不同蕨特征中形成相关性，提高了像素分类间的相关性。使得像素分类更适应于描述图像区域的纹理、结构信息，对于难以区分的目标物边界的确定有很大帮助。
本发明一实施例的核磁共振影像的软组织分离方法中确定组织轮廓如图3所示。在图3中，本实施例包括：
步骤210：在灰度图像中确定每个像素相邻的其他像素，形成每个像素的相关像素集合。
每个像素至少包括3个相邻的其他像素(边或角)，最多包括8个相邻的其他像素(中部)。
步骤220：随机选取一个初始像素，在初始像素的相关像素集合中确定类别一致的同类其他像素。
一个初始像素的选择可以保证轮廓识别过程具有必要的确认过滤顺序，满足轮廓回归识别的初始过程。同类其他像素作为初始像素相同类别的外延起到了扩大了和量化初始像素轮廓的作用。
步骤230：在同类其他像素的相关像素集合中确定类别一致的相似其他像素作为新的同类其他像素。
利用同类其他像素的相关像素集合中类别一致的相似其他像素等价于同类其他像素，使得不断外延的像素具有类别延续性。
步骤240：重复同类其他像素与相似其他像素的类别确定形成像素回归识别过程。
通过像素回归识别过程形成灰度图像某一局部中同类别像素的聚类。
步骤250：在获得的所有同类别像素中通过位置比较获得初步组织轮廓。
同类别像素的位置比较通过像素在坐标空间中与坐标原点形成的矢量信息识别，利用长度和方向的变化获得初步组织轮廓。
步骤260：排除初步组织轮廓包括的像素并形成轮廓回归识别过程，获得所有初步组织轮廓。轮廓回归识别过程通过顺序重复步骤220至步骤260 形成。
在灰度图像中，逐渐排除识别的初步组织轮廓包含的像素，直至所有像素属于某个初步组织轮廓。
步骤270：在形成的所有初步组织轮廓中排除干扰轮廓，确定灰度图像中有效的组织轮廓。
干扰轮廓包括点轮廓、单线轮廓、单一交点的多线轮廓等，根据对随机蕨分类模型采用真实数据验证，这些轮廓不会由真实组织形成。
本发明实施例的核磁共振影像的软组织分离方法可以自动化形成组织轮廓，避免组织轮廓干扰信息。同时，采用像素回归识别过程和轮廓回归识别过程可以在轮廓识别过程中提取轮廓的矢量描述信息，有利于确定对应轮廓的位置和形态。
本发明一实施例的核磁共振影像的软组织分离方法中形成立体轮廓如图4所示。在图4中，本实施例包括：
步骤310：建立每张灰度图像中组织轮廓间的相对位置特征。
灰度图像内的各组织轮廓间具有确定的相对位置关系，相对位置关系包括各组织确定形状、各组织轮廓间的最接近的位置和间距，利用矢量描述形成量化的相对位置特征。
步骤320：根据相邻灰度图像的各组织轮廓之间相对位置特征的变化趋势形成相邻灰度图像间的拟合系数。
相邻灰度图像间的相同组织的平面轮廓具有相似性，同一组织在相邻灰度图像间的变化有限，可以获得相邻灰度图像间相对位置特征发生相对变化的详细矢量参数，进而形成相邻灰度图像间各组织拟合系数。
步骤330：结合灰度图像中的组织轮廓和拟合系数形成各组织的立体轮廓。
利用各灰度图像中相对位置特征和各灰度图像间的拟合系数形成软组织的立体轮廓，完成软组织的分割。
核磁共振影像的软组织分离方法将软组织分离为二维轮廓和三维对象，实现了分割自动化和组织对象化，大大提高了专业人力资源利用效率和观察维度。
本发明一实施例的核磁共振影像的软组织分离***，包括：
存储器，用于存储上述核磁共振影像的软组织分离方法处理过程对应的程序代码；
处理器，用于执行上述核磁共振影像的软组织分离方法处理过程对应的程序代码。
处理器可以采用DSP(Digital Signal Processing)数字信号处理器、FPGA(Field-Programmable Gate Array)现场可编程门阵列、MCU(Microcontroller Unit)***板、SoC(system on a chip)***板或包括I/O的PLC(Programmable Logic Controller)最小***。
本发明一实施例的核磁共振影像的软组织分离***如图5所示。在图5 中，本实施例包括：
像素分类装置1100，用于通过灰度图像的随机蕨分类模型确定灰度图像中像素的分类类别；
平面轮廓确定装置1200，用于根据像素的分类类别确定像素间相关性，形成组织轮廓；
立体轮廓确定装置1300，用于根据相邻灰度图像中的组织轮廓位置和组织轮廓变化趋势形成组织的立体轮廓。
如图5所示，本发明一实施例中，像素分类装置1100包括：
训练集形成模块1110，用于确定标准图像块区域中二值测试对作为训练集；
模型形成模块1120，用于形成像素分类的随机蕨模型；
概率形成模块1130，用于利用训练集对随机蕨模型进行分类获得蕨特征的分类概率。
如图5所示，本发明一实施例中，像素分类装置1100包括：
二值形成模块1140，用于顺序计算灰度图像中各像素的二值特征；
序列形成模块1150，用于对所述像素的二值特征进行组合形成二值序列；
比较分类模块1160，用于与随机蕨模型中对应特征的后验概率比较确定分类类别。
如图5所示，本发明一实施例中，平面轮廓确定装置1200包括：
相关像素形成模块1210，用于在灰度图像中确定每个像素相邻的其他像素，形成每个像素的相关像素集合；
像素比较模块1220，用于随机选取一个初始像素，在初始像素的相关像素集合中确定类别一致的同类其他像素；
像素延伸模块1230，用于在同类其他像素的相关像素集合中确定类别一致的相似其他像素作为新的同类其他像素；
延伸比较模块1240，用于重复同类其他像素与相似其他像素的类别确定形成像素回归识别过程；
初步轮廓形成模块1250，用于在获得的所有同类别像素中通过位置比较获得初步组织轮廓；
初步轮廓过滤模块1260，用于排除初步组织轮廓包括的像素并通过顺序重复步骤220至步骤260形成轮廓回归识别过程，获得所有初步组织轮廓；
干扰过滤模块1270，用于在形成的所有初步组织轮廓中排除干扰轮廓，确定灰度图像中有效的组织轮廓。
如图5所示，本发明一实施例中，立体轮廓确定装置1300包括：
位置特征形成模块1310，用于建立每张灰度图像中组织轮廓间的相对位置特征；
拟合系数形成模块1320，用于根据相邻灰度图像的各组织轮廓之间相对位置特征的变化趋势形成相邻灰度图像间的拟合系数；
构造模块1330，用于结合灰度图像中的组织轮廓和拟合系数形成各组织的立体轮廓。
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该以权利要求书的保护范围为准。

Claims (8)

1.一种核磁共振影像的软组织分离方法，其特征在于，包括：
通过灰度图像的随机蕨分类模型确定所述灰度图像中像素的分类类别；
根据所述像素的所述分类类别确定所述像素间相关性，形成组织轮廓；
根据相邻所述灰度图像中的所述组织轮廓位置和所述组织轮廓变化趋势形成组织的立体轮廓，包括：
建立每张所述灰度图像中所述组织轮廓间的相对位置特征，包括：建立灰度图像内的各组织轮廓间的相对位置关系，相对位置关系包括各组织确定形状、各组织轮廓间的最接近的位置和间距，利用矢量描述相对位置关系形成量化的相对位置特征；
根据相邻所述灰度图像的各所述组织轮廓之间所述相对位置特征的变化趋势形成相邻所述灰度图像间的拟合系数，包括：获得相邻灰度图像间相对位置特征发生相对变化的详细矢量参数，形成相邻灰度图像间各组织拟合系数；
结合灰度图像中的所述组织轮廓和所述拟合系数形成各组织的立体轮廓，包括：利用各灰度图像中相对位置特征和各灰度图像间的拟合系数形成软组织的立体轮廓。
2.如权利要求1所述的核磁共振影像的软组织分离方法，其特征在于，所述通过灰度图像的随机蕨分类模型确定所述灰度图像中像素的分类类别包括随机蕨分类模型形成过程：
确定标准图像块区域中二值测试对作为训练集；
形成像素分类的随机蕨模型；
利用所述训练集对所述随机蕨模型进行分类获得蕨特征的分类概率。
3.如权利要求1所述的核磁共振影像的软组织分离方法，其特征在于，所述通过灰度图像的随机蕨分类模型确定所述灰度图像中像素的分类类别包括：
像素分类过程：
顺序计算所述灰度图像中各像素的二值特征；
对单一像素的二值特征进行组合形成二值序列；
与所述随机蕨模型中对应特征的后验概率比较确定所述单一像素分类类别。
4.如权利要求1所述的核磁共振影像的软组织分离方法，其特征在于，所述根据所述像素的所述分类类别确定所述像素间相关性，形成组织轮廓包括：
在所述灰度图像中确定每个像素相邻的其他像素，形成每个像素的相关像素集合；
随机选取一个初始像素，在初始像素的所述相关像素集合中确定类别一致的同类其他像素；
在所述同类其他像素的所述相关像素集合中确定类别一致的相似其他像素作为新的同类其他像素；
重复所述同类其他像素与所述相似其他像素的类别确定，形成像素回归识别过程；
在获得的所有同类别像素中通过位置比较获得初步组织轮廓；
排除所述初步组织轮廓包括的像素并通过形成轮廓回归识别过程，获得所有所述初步组织轮廓；
在形成的所有所述初步组织轮廓中排除干扰轮廓，确定所述灰度图像中有效的所述组织轮廓。
5.如权利要求4所述的核磁共振影像的软组织分离方法，其特征在于，所述轮廓回归识别过程包括：
随机选取一个初始像素，在初始像素的所述相关像素集合中确定类别一致的同类其他像素；
在所述同类其他像素的所述相关像素集合中确定类别一致的相似其他像素作为新的同类其他像素；
重复所述同类其他像素与所述相似其他像素的类别确定，形成像素回归识别过程；
在获得的所有同类别像素中通过位置比较获得初步组织轮廓；
排除所述初步组织轮廓包括的像素。
6.如权利要求4所述的核磁共振影像的软组织分离方法，其特征在于，所述干扰轮廓包括点轮廓、单线轮廓、单一交点的多线轮廓。
7.一种核磁共振影像的软组织分离***，包括：
存储器，用于存储如权利要求1至6任一所述的核磁共振影像的软组织分离方法处理过程对应的程序代码；
处理器，用于执行所述程序代码。
8.一种核磁共振影像的软组织分离***，其特征在于，包括：
像素分类装置，用于通过灰度图像的随机蕨分类模型确定所述灰度图像中像素的分类类别；
平面轮廓确定装置，用于根据所述像素的所述分类类别确定所述像素间相关性，形成组织轮廓；
立体轮廓确定装置，用于根据相邻所述灰度图像中的所述组织轮廓位置和所述组织轮廓变化趋势形成组织的立体轮廓；
所述立体轮廓确定装置包括：
位置特征形成模块，用于建立每张所述灰度图像中所述组织轮廓间的相对位置特征，包括：建立灰度图像内的各组织轮廓间的相对位置关系，相对位置关系包括各组织确定形状、各组织轮廓间的最接近的位置和间距，利用矢量描述相对位置关系形成量化的相对位置特征；
拟合系数形成模块，用于根据相邻所述灰度图像的各所述组织轮廓之间所述相对位置特征的变化趋势形成相邻所述灰度图像间的拟合系数，包括：获得相邻灰度图像间相对位置特征发生相对变化的详细矢量参数，形成相邻灰度图像间各组织拟合系数；
构造模块，用于结合灰度图像中的所述组织轮廓和所述拟合系数形成各组织的立体轮廓，包括：利用各灰度图像中相对位置特征和各灰度图像间的拟合系数形成软组织的立体轮廓。
CN201910708072.4A 2019-08-01 2019-08-01 一种核磁共振影像的软组织分离方法和分离*** Active CN110400313B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910708072.4A CN110400313B (zh) 2019-08-01 2019-08-01 一种核磁共振影像的软组织分离方法和分离***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910708072.4A CN110400313B (zh) 2019-08-01 2019-08-01 一种核磁共振影像的软组织分离方法和分离***

Publications (2)

Publication Number Publication Date
CN110400313A CN110400313A (zh) 2019-11-01
CN110400313B true CN110400313B (zh) 2021-01-01

Family

ID=68327170

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910708072.4A Active CN110400313B (zh) 2019-08-01 2019-08-01 一种核磁共振影像的软组织分离方法和分离***

Country Status (1)

Country Link
CN (1) CN110400313B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436638A (zh) * 2010-08-24 2012-05-02 奥林巴斯株式会社 图像处理装置以及图像处理方法
CN103729875A (zh) * 2013-12-09 2014-04-16 深圳先进技术研究院 心脏磁共振图像的左心室三维轮廓重建方法和***
CN105825233A (zh) * 2016-03-16 2016-08-03 中国地质大学（武汉） 一种基于在线学习随机蕨分类器的行人检测方法
CN107305634A (zh) * 2016-04-21 2017-10-31 杭州凌绝科技有限公司 一种基于集成随机蕨和形状回归的车牌定位方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ATE477557T1 (de) * 2006-03-24 2010-08-15 Exini Diagnostics Ab Automatische interpretation von medizinischen 3d- bildern des hirns und verfahren zum produzieren von zwischenergebnissen
CN109801360B (zh) * 2018-12-24 2021-04-27 北京理工大学 基于图像的胃肠三维重构和可视化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436638A (zh) * 2010-08-24 2012-05-02 奥林巴斯株式会社 图像处理装置以及图像处理方法
CN103729875A (zh) * 2013-12-09 2014-04-16 深圳先进技术研究院 心脏磁共振图像的左心室三维轮廓重建方法和***
CN105825233A (zh) * 2016-03-16 2016-08-03 中国地质大学（武汉） 一种基于在线学习随机蕨分类器的行人检测方法
CN107305634A (zh) * 2016-04-21 2017-10-31 杭州凌绝科技有限公司 一种基于集成随机蕨和形状回归的车牌定位方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于空间邻域信息的高光谱遥感影像半监督分类;***;《中国优秀硕士学位论文全文数据库 基础科学辑》;20190215;第2019年卷(第02期);参见第5.2节第3段、表5-1和图5-2 *

Also Published As

Publication number Publication date
CN110400313A (zh) 2019-11-01

Similar Documents

Publication Publication Date Title
Liu et al. Attribute-aware face aging with wavelet-based generative adversarial networks
CN104751178B (zh) 基于形状模板匹配结合分类器的肺结节检测装置及方法
CN107784288B (zh) 一种基于深度神经网络的迭代定位式人脸检测方法
CN110766051A (zh) 一种基于神经网络的肺结节形态学分类方法
CN111462120B (zh) 一种基于语义分割模型缺陷检测方法、装置、介质及设备
US9330336B2 (en) Systems, methods, and media for on-line boosting of a classifier
CN108062749B (zh) 肛提肌裂孔的识别方法、装置和电子设备
CN108122221A (zh) 弥散加权成像图像中脑缺血区域的分割方法及装置
CN111222548A (zh) 相似图像检测方法、装置、设备及存储介质
CN116664559A (zh) 基于机器视觉的内存条损伤快速检测方法
Limper et al. Mesh Saliency Analysis via Local Curvature Entropy.
CN112215842A (zh) 基于良性甲状腺模板的恶性结节边缘检测图像处理方法
CN112651955A (zh) 一种肠道图像的识别方法及终端设备
CN111488810A (zh) 人脸识别方法、装置、终端设备及计算机可读介质
CN117011274A (zh) 自动化玻璃瓶检测***及其方法
CN110992310A (zh) 一种确定纵隔***所在分区的方法及装置
CN104268550A (zh) 特征提取方法及装置
CN112258532B (zh) 一种超声图像中胼胝体的定位及分割方法
CN110400313B (zh) 一种核磁共振影像的软组织分离方法和分离***
CN116206302A (zh) 三维目标检测方法、装置、计算机设备和存储介质
Nguyen et al. Pavement crack detection and segmentation based on deep neural network
CN113723461B (zh) 超声设备及超声图像分析方法
CN115170548A (zh) 基于无监督学习的皮革缺陷自动检测方法及装置
CN111753723B (zh) 一种基于密度校准的指纹识别方法及装置
Shevlyakov et al. Recognition of the MNIST-dataset with skeletonized 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