CN111724391A - 一种基于动态阈值的淋巴癌图像精细分割方法 - Google Patents
一种基于动态阈值的淋巴癌图像精细分割方法 Download PDFInfo
- Publication number
- CN111724391A CN111724391A CN202010425083.4A CN202010425083A CN111724391A CN 111724391 A CN111724391 A CN 111724391A CN 202010425083 A CN202010425083 A CN 202010425083A CN 111724391 A CN111724391 A CN 111724391A
- Authority
- CN
- China
- Prior art keywords
- cluster
- lymph cancer
- threshold
- focus
- lymph
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical 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)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于动态阈值的淋巴癌图像精细分割方法,首先使用双预测精度的方法来保证ROI选取的准确性,以及确保选择区域包含整个淋巴癌;其次,对于在优化过程中新出现的单个淋巴癌病灶,视为一个新的ROI区域,并以独立的阈值标准继续优化边缘,以此调整密集区域单个淋巴癌的边缘精细分割。本发明通过采用动态ROI阈值方法对密集区域单个病灶图像的初分割结果进行优化,利用双预测精度信息获取更为准确的淋巴癌图像。
Description
技术领域
本发明涉及一种基于动态阈值的淋巴癌图像精细分割方法。
技术背景
18-fluorine fluorodeoxyglucose(18F-FDG)的PET成像是医学分析淋巴癌的主要手段和工具,在PET图像中,standardized uptake value(SUV)被广泛用于定位和分割淋巴癌。淋巴癌的PET图分辨率极低,就算是经验丰富的专家,对同一个淋巴癌手动识别都会存在微小的差异,因此在很多情况下,约定俗成使用局部最大值的41%作为衡量标准。但是,使用局部的阈值作为分割标准一般需要额外提供感兴趣区域,在全身的PET数据中无法使用阈值法。直接使用阈值法明显无法满足淋巴癌的多样性。由于受限于单一的最大值,周围的淋巴癌块图像容易被忽略,并且一些正常的组织图像被误认为淋巴癌图像。
发明内容
为了克服现有技术的不足,针对一些粗分割结果的局部病灶图像边缘存在欠分割的问题,本发明提供一种基于动态阈值在淋巴癌图像精细分割的方法,通过采用动态ROI阈值方法对密集区域单个病灶图像的初分割结果进行优化。
为了解决上述技术问题,本发明能够提供如下的技术方案:
一种基于动态阈值淋巴癌图像精细分割的方法,所述方法包括以下步骤:
步骤1.获取大致位置准备阶段,probs是指网络输出概率,T1是低阈值,T2是高阈值,过程如下:
1.1)获取probs中病灶概率大于T1的坐标簇C1;
1.2)获取probs中病灶概率大于T2的坐标C2。
1.3)对于每一个C1,使其与C2相与,即C1∩C2,若不为空集保留C1,否则舍弃。
步骤2.局部优化阶段,即优化C1中每一个簇,所述簇为单个病灶集合,过程如下:
2.1)对于簇的总像素点多余N1,若SUV最低值<SUV最大值*0.41:删除这个最低值坐标;否则保存这个簇并进行下一个簇(这个簇优化完毕);
2.2)对于簇的总像素点少于余N1,保存这次簇并进行下一个簇(这个簇优化完毕);
2.3)检测是否分类成两个簇,***则删除原先的簇并将***后的两个簇添加到C1中;未***:下次迭代继续优化这个簇;
2.4)更新ROI;
进一步,所述步骤1中,获取淋巴癌大致位置,在低阈值T1中表示淋巴癌低精度确保包含完整的,在高阈值T2中表示高精度确保病灶的准确性,如此能最大程度在欠分割的边缘区域得到了很好的分割效果;将SUV值低的点排除,直到最低亮度值大于最高亮度值的41%;但是在排除过程中每隔固定间隔对剩余的区域进行监测,如果此区域***成两度独立的区域,则这两个区域彼此之间就不存在联系,每个区域单独按照自己内部的阈值继续优化,直到41%的停止标准。
本发明的技术构思为:首先使用双预测精度的方法来保证ROI选取的准确性,以及确保选择区域包含整个淋巴癌;其次,对于在优化过程中新出现的单个淋巴癌病灶,视为一个新的ROI区域,并以独立的阈值标准继续优化边缘,以此调整密集区域单个淋巴癌的边缘精细分割。
本发明的有益效果主要表现在:利用双预测精度信息获取更为准确的淋巴癌图像。
附图说明
图1是本发明方法的流程图。
具体实施方式
下面结合附图对本发明进一步描述。
参照图1,一种基于动态阈值淋巴癌图像精细分割的方法,通过网络的预测,已经能获取大致的淋巴癌区域,在此基础上对局部的病灶区域进行预测是一种有潜力的方法。使用高置信度的区域作为候选区域的主要标准,而低置信度的区域主要用于将潜在的病灶区域也包括进来。但是,如果在一个位置仅仅存在低置信度的预测值,那么这部分区域也将被排除在外。通过高低置信度的重合,就能在预测结果中筛选出病灶位置,并且减少遗漏。
具体步骤参照图1,基于动态阈值淋巴癌图像精细分割的方法,包括以下步骤:
步骤1.获取大致位置准备阶段,probs是指网络输出概率,T1是低阈值,T2是高阈值,过程如下:
1.1)获取probs中病灶概率大于T1的坐标簇C1;
1.2)获取probs中病灶概率大于T2的坐标C2。
1.3)对于每一个C1,使其与C2相与,即C1∩C2,若不为空集保留C1,否则舍弃。
步骤2.局部优化阶段,即优化C1中每一个簇,所述簇为单个病灶集合,过程如下:
2.1)对于簇的总像素点多余N1,若SUV最低值<SUV最大值*0.41:删除这个最低值坐标;否则保存这个簇并进行下一个簇(这个簇优化完毕);
2.2)对于簇的总像素点少于余N1,保存这次簇并进行下一个簇(这个簇优化完毕);
2.3)检测是否分类成两个簇,***则删除原先的簇并将***后的两个簇添加到C1中;未***:下次迭代继续优化这个簇;
2.4)更新ROI;
进一步,所述步骤1中,获取淋巴癌大致位置,在低阈值T1中表示淋巴癌低精度确保包含完整的,在高阈值T2中表示高精度确保病灶的准确性,如此能最大程度在欠分割的边缘区域得到了很好的分割效果;将SUV值低的点排除,直到最低亮度值大于最高亮度值的41%;但是在排除过程中每隔固定间隔对剩余的区域进行监测,如果此区域***成两度独立的区域,则这两个区域彼此之间就不存在联系,每个区域单独按照自己内部的阈值继续优化,直到41%的停止标准。
本实施例的方案,所述步骤1中,通过两种置信度确定一个候选区域;所述步骤2中,通过不停的迭代更新ROI,借此找到不同的局部阈值更加适应淋巴癌复杂的病例特征。这样能最大程度在淋巴癌欠分割的边缘区域得到了很好的分割效果。
Claims (2)
1.一种基于动态阈值的淋巴癌图像精细分割方法,其特征在于,所述方法包括以下步骤:
步骤1.获取大致位置准备阶段,probs是指网络输出概率,T1是低阈值,T2是高阈值,过程如下:
1.1)获取probs中病灶概率大于T1的坐标簇C1;
1.2)获取probs中病灶概率大于T2的坐标C2;
1.3)对于每一个C1,使其与C2相与,即C1∩C2,若不为空集保留C1,否则舍弃;
步骤2.局部优化阶段,即优化C1中每一个簇,所述簇为单个病灶集合,过程如下:
2.1)对于簇的总像素点多余N1,若SUV最低值<SUV最大值*0.41:删除这个最低值坐标;否则保存这个簇并进行下一个簇;
2.2)对于簇的总像素点少于余N1,保存这次簇并进行下一个簇;
2.3)检测是否分类成两个簇,***则删除原先的簇并将***后的两个簇添加到C1中;未***:下次迭代继续优化这个簇;
2.4)更新ROI;
2.如权利要求1所述的一种基于动态阈值的淋巴癌图像精细分割方法,其特征在于,所述步骤1中,获取淋巴癌大致位置,在低阈值T1中表示淋巴癌低精度确保包含完整的,在高阈值T2中表示高精度确保病灶的准确性,如此能最大程度在欠分割的边缘区域得到了很好的分割效果;将SUV值低的点排除,直到最低亮度值大于最高亮度值的41%;但是在排除过程中每隔固定间隔对剩余的区域进行监测,如果此区域***成两度独立的区域,则这两个区域彼此之间就不存在联系,每个区域单独按照自己内部的阈值继续优化,直到41%的停止标准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010425083.4A CN111724391B (zh) | 2020-05-19 | 2020-05-19 | 一种基于动态阈值的淋巴癌图像精细分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010425083.4A CN111724391B (zh) | 2020-05-19 | 2020-05-19 | 一种基于动态阈值的淋巴癌图像精细分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111724391A true CN111724391A (zh) | 2020-09-29 |
CN111724391B CN111724391B (zh) | 2023-04-07 |
Family
ID=72564622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010425083.4A Active CN111724391B (zh) | 2020-05-19 | 2020-05-19 | 一种基于动态阈值的淋巴癌图像精细分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111724391B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110243417A1 (en) * | 2008-09-03 | 2011-10-06 | Rutgers, The State University Of New Jersey | System and method for accurate and rapid identification of diseased regions on biological images with applications to disease diagnosis and prognosis |
CN104463862A (zh) * | 2014-11-28 | 2015-03-25 | 哈尔滨工业大学 | 肾脏ct序列图像快速分割方法 |
CN106997596A (zh) * | 2017-04-01 | 2017-08-01 | 太原理工大学 | 一种基于信息熵和联合向量的lbf活动轮廓模型的肺结节分割方法 |
CN107610145A (zh) * | 2017-07-26 | 2018-01-19 | 同济大学 | 一种基于自适应阈值和模板匹配的自动胰腺分割方法 |
CN110197474A (zh) * | 2018-03-27 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 图像处理方法和装置及神经网络模型的训练方法 |
-
2020
- 2020-05-19 CN CN202010425083.4A patent/CN111724391B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110243417A1 (en) * | 2008-09-03 | 2011-10-06 | Rutgers, The State University Of New Jersey | System and method for accurate and rapid identification of diseased regions on biological images with applications to disease diagnosis and prognosis |
CN104463862A (zh) * | 2014-11-28 | 2015-03-25 | 哈尔滨工业大学 | 肾脏ct序列图像快速分割方法 |
CN106997596A (zh) * | 2017-04-01 | 2017-08-01 | 太原理工大学 | 一种基于信息熵和联合向量的lbf活动轮廓模型的肺结节分割方法 |
CN107610145A (zh) * | 2017-07-26 | 2018-01-19 | 同济大学 | 一种基于自适应阈值和模板匹配的自动胰腺分割方法 |
CN110197474A (zh) * | 2018-03-27 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 图像处理方法和装置及神经网络模型的训练方法 |
Non-Patent Citations (5)
Title |
---|
HAIGEN HU: "《A Background-based Data Enhancement Method for Lymphoma》", 《2019 IEEE INTERNATIONAL CONFERENCE ON BIOINFORMATICS AND BIOMEDICINE (BIBM)》 * |
HAIGEN HU: "《A Prior Knowledge Intergrated Scheme for Detection and Segmentation of Lymphomas in 3D PET Images based on DBSCAN and GAs》", 《2019 IEEE INTERNATIONAL CONFERENCE ON BIOINFORMATICS AND BIOMEDICINE (BIBM)》 * |
刘琪等: "PET-CT用于评价食管鳞癌放疗中~(18)F-FDG高摄取区域的空间动态变化的前瞻性研究", 《中国癌症杂志》 * |
张佳佳: "《基于图像分割的淋巴癌细胞提取方法研究》", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
杨建菊: "《基于自适应滤波的淋巴细胞图像分割算法研究》", 《计算机仿真》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111724391B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111696094B (zh) | 免疫组化pd-l1膜染色病理切片图像处理方法、装置和设备 | |
CN111709420B (zh) | 文本检测方法、电子设备及计算机可读介质 | |
CN111445478B (zh) | 一种用于cta图像的颅内动脉瘤区域自动检测***和检测方法 | |
CN110853005A (zh) | 一种免疫组化膜染色切片诊断方法及装置 | |
CN106780522B (zh) | 一种基于深度学习的骨髓液细胞分割方法 | |
KR20070097053A (ko) | 개선된 이미지 분할 방법 | |
CN112215790A (zh) | 基于深度学习的ki67指数分析方法 | |
CN110796661B (zh) | 基于卷积神经网络的真菌显微图像分割检测方法及*** | |
CN109416749B (zh) | 一种图像的灰阶分类方法、装置以及可读存储介质 | |
CA3172827A1 (en) | Determining tissue characteristics using multiplexed immunofluorescence imaging | |
CN104657980A (zh) | 一种改进的基于Meanshift的多通道图像分割算法 | |
CN112037221B (zh) | ***tct切片阳性细胞检测模型多域共适应训练方法 | |
CN112561849A (zh) | 晶圆缺陷检测方法 | |
CN112132827A (zh) | 病理图像的处理方法、装置、电子设备及可读存储介质 | |
CN115170518A (zh) | 基于深度学习和机器视觉的细胞检测方法及*** | |
CN109147932B (zh) | 癌细胞her2基因扩增分析方法及*** | |
CN117853722A (zh) | 一种融合超像素信息的钢材金相组织分割方法 | |
CN113253269B (zh) | 一种基于图像分类的sar自聚焦方法 | |
CN110211200B (zh) | 一种基于神经网络技术的牙弓线生成方法及其*** | |
US20210312630A1 (en) | Histogram-based method for auto segmentation of integrated circuit structures from sem images | |
CN111724391B (zh) | 一种基于动态阈值的淋巴癌图像精细分割方法 | |
CN115880293B (zh) | 膀胱癌***转移的病理图像识别方法、装置、介质 | |
Triyani et al. | Performance analysis of image segmentation for breast ultrasound images | |
CN115511815A (zh) | 一种基于分水岭的宫颈液基细胞分割方法和*** | |
CN113488146B (zh) | 一种头颈部鼻咽癌引流区和转移***的自动勾画方法 |
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 |