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 PDF

Info

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
Application number
CN202010425083.4A
Other languages
English (en)
Other versions
CN111724391B (zh
Inventor
胡海根
杜超
苏一平
管秋
周乾伟
肖杰
陈胜勇
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202010425083.4A priority Critical patent/CN111724391B/zh
Publication of CN111724391A publication Critical patent/CN111724391A/zh
Application granted granted Critical
Publication of CN111724391B publication Critical patent/CN111724391B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种基于动态阈值的淋巴癌图像精细分割方法
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；
2.5)训练过程中重复2.1)～2.4)直到C1为
Figure BDA0002498400750000021
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；
2.5)训练过程中重复2.1)～2.4)直到C1为
Figure BDA0002498400750000031
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；
2.5)训练过程中重复2.1)～2.4)直到C1为
Figure FDA0002498400740000011
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。
CN202010425083.4A 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 Active CN111724391B (zh)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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