CN112150477B - 脑影像动脉全自动分割方法及装置 - Google Patents
脑影像动脉全自动分割方法及装置 Download PDFInfo
- Publication number
- CN112150477B CN112150477B CN201911118499.5A CN201911118499A CN112150477B CN 112150477 B CN112150477 B CN 112150477B CN 201911118499 A CN201911118499 A CN 201911118499A CN 112150477 B CN112150477 B CN 112150477B
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- training
- threshold
- subclass
- 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
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
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06T7/136—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
- G06T2207/10—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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30016—Brain
-
- 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
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Bioinformatics & Computational Biology (AREA)
Abstract
本发明提供一种脑影像动脉全自动分割方法及装置,能够对二维或是三维的待测脑影像进行自动的脑血管分割,其特征在于,包括:步骤S1,对待测脑影像进行图像增强;步骤S2,采用预先训练的机器学习分类器以及构建的子类‑参数对照表进行参数自适应选取;步骤S3,根据参数进行阈值分割;步骤S4,自适应颅骨种子点提取;步骤S5,根据参数进行颅骨去除;步骤S6,分析所有连通域的体积并根据参数进行连通域筛选;步骤S7,自适应阈值统计得出上下限阈值;步骤S8,根据上下限阈值区域增长;步骤S9,均匀扩展得到最后的图像分割结果。
Description
技术领域
本发明属于医学图像处理领域,具体涉及一种脑影像动脉全自动分割方法及装置。
背景技术
由于MRA具有安全性与无创性而被广泛应用于临床,它利用血液流动时所产生的MR信号与周围组织不同,从而显示血管和血流的信号特征,能够提供详细直观的血管影像,用来对脑动脉瘤的诊断和手术计划。比较常用的MRA方法有时间飞跃法(TOF)、相位对比法(PCA)以及对比增强磁共振血管造影法(CE-MRA)。时间飞跃法和相位对比法属于流动血液的MR信号与周围静止组织的MR信号差异而建立图像对比度的技术,是不需使用造影剂进行相关成像的技术。而对比增强MRA是利用顺磁性物质缩短血液T1的磁共振血管成像技术,属于造影剂增强MRA。由于时间飞跃法较为快速并且血管对比度较强,被广泛使用于临床。
CT血管成像(CTA)指静脉注射含碘造影剂后,经计算机对图像进行处理后,可以三维显示颅内血管***。CTA可清楚显示Willis动脉环,以及大脑前、中、后动脉及其主要分支,对闭塞性血管病变可提供重要的诊断依据。可以将缺血性脑血管病的诊断提早到发病后2小时。
脑血管分割一直是医学图像处理领域中研究的热点与难点,准确的脑血管分割可以为脑动脉瘤影像的分析提供重要依据,同时又可以用于脑血管的匹配、三维重建等,从而更好地用来观察脑动脉瘤的形态特征。常用的脑血管分割方法有基于阈值的分割方法、基于区域生长的分割方法、基于脑血管中心线的分割方法和基于形变模型的分割方法等,这些算法应用较为广泛且算法成熟。许多学者对以上分割方法提出改进或多种分割方法进行有效结合,同时也不断研究出新的脑血管分割方法,如:基于卷积神经网络的分割方法,使得最终分割效果达到优势互补的目的。
然而,上述的脑血管分割方法仍然需要具有一定相关知识的人员进行人工辅助,才能较为稳定且准确地完成脑血管的分割处理。因此在实际对脑影像进行处理时,这些需要人员辅助的方法很容易造成时间或是人员的浪费,从而影响相关医护人员的工作效率。另外,在实际使用时,对于不同设备所采集的不同类型的脑影像,各种方法也难以针对性的适应,从而导致分割的结果出现误差。
发明内容
为解决上述问题,提供一种能够自动对脑影像进行脑血管分割的脑影像动脉全自动分割方法及装置,本发明采用了如下技术方案:
本发明提供了一种脑影像动脉全自动分割方法,用于对二维或是三维的待测脑影像进行脑血管分割,其特征在于,包括:步骤S1,采用局部增强算法对待测脑影像中的血管区域进行增强,提高血管区域与背景之间的对比度从而形成增强图像;步骤S2,根据待测脑影像经直方图均衡化后的灰度直方图提取该灰度直方图的集合特征向量,将该集合特征向量输入预先训练好的机器学习分类器从而得到子类标签,进一步根据子类标签查找预先建立的子类-参数对照表从而提取所属子类中分布占比最高的参数,参数包含分割阈值、颅骨阈值、连通域阈值以及增长阈值;步骤S3,利用参数对增强图像进行阈值分割从而得到阈值分割图像;步骤S4,提取待测脑影像中的关键层切片,并采用二维包围盒提取颅骨上的点作为第一种子点;步骤S5,基于参数以及第一种子点采用区域增长的方法得到颅骨分割结果,然后将阈值分割图像减去颅骨分割结果从而得到颅骨去除图像;步骤S6,分析颅骨去除图像中的所有连通域的体积,将连通域根据体积从大到小进行排列形成连通域列表,并使用参数对连通域列表进行筛选从而得到提取连通域,进一步去除颅骨去除图像中未被选取的连通域;步骤S7,对提取连通域内对应的增强图像的相同范围内的体素灰度进行统计得到灰度分布数值,同时通过分布模型根据该灰度分布数值计算区域增长的上下限阈值;步骤S8,将提取连通域作为第二种子点,并根据该第二种子点以及上下限阈值在增强图像中进行区域增长;步骤S9,对区域增长得到的区域增长部分进行二值化,并利用膨胀算法根据二值化的结果进行均匀膨胀,从而以膨胀后的区域提取待测脑影像中的对应区域从而得到分割结果,其中,机器学习分类器以及子类-参数对照表通过如下步骤预训练得到:步骤T1,依次对多个训练用的训练图像进行直方图均衡化得到相应的训练用灰度分布直方图;步骤T2,提取每个训练用灰度分布直方图的至少包含包络线梯度曲线、包络线拐点特征、最大极值点坐标、熵以及最大熵的训练集合特征向量;步骤T3,对每个训练图像进行手动分割,并在分割过程中设定包含分割阈值、颅骨阈值、连通域阈值以及增长阈值的训练参数;步骤T4,分别每个训练图像所对应的训练集合特征向量以及训练参数作为数据集,并根据不同数据集的训练参数间的距离进行数据集的分类从而将距离最小的数据集聚集为一类从而得到多个不同的子类;步骤T5,提取每个子类的特征向量,并将同一标签赋予同属于一个子类的特征向量,进一步采用机器学习分类方法根据所有带有标签的特征向量进行训练从而得到机器学习分类器,同时根据各个子类以及对应的训练参数建立相应的子类-参数对照表。
根据本发明所提供的脑影像动脉全自动分割方法,还可以具有这样的技术特征:其中,分布模型为由高斯分布、泊松分布、均匀分布中的单个分布构成或由高斯分布、泊松分布、均匀分布中的多个同类或不同类的分布叠加而成。
根据本发明所提供的脑影像动脉全自动分割方法,还可以具有这样的技术特征:其中,在对连通域列表进行筛选时,参数的连通域阈值代表允许的最小连通域的体积,连通域阈值还保证提取连通域位于连通域列表的排序的前10位以内。
根据本发明所提供的脑影像动脉全自动分割方法,还可以具有这样的技术特征:其中,增长阈值为计算分布模型中能够覆盖分布指定百分比范围以上时对应的阈值。
本发明还提供了一种脑影像动脉全自动分割装置,用于对二维或是三维的待测脑影像进行脑血管分割,其特征在于,包括:图像增强部,用于采用局部增强算法对待测脑影像中的血管区域进行增强,提高血管区域与背景之间的对比度从而形成增强图像;参数自适应选取部,存储有预先训练好的机器学习分类器以及子类-参数对照表,用于根据待测脑影像经直方图均衡化后的灰度直方图提取该灰度直方图的集合特征向量,并将该集合特征向量输入机器学习分类器从而得到子类标签,进一步根据子类标签查找子类-参数对照表从而提取所属子类中分布占比最高的参数;阈值分割部,用于利用参数对增强图像进行阈值分割从而得到阈值分割图像;自适应颅骨种子点提取部,用于提取待测脑影像中的关键层切片,并采用二维包围盒提取颅骨上的点作为第一种子点;颅骨去除部,用于基于参数以及第一种子点采用区域增长的方法得到颅骨分割结果,然后将阈值分割图像减去颅骨分割结果从而得到颅骨去除图像;自动连通域筛选部,用于分析颅骨去除图像中的所有连通域的体积,将连通域根据体积从大到小进行排列形成连通域列表,并使用参数对连通域列表进行筛选从而得到提取连通域,进一步去除颅骨去除图像中未被选取的连通域;自适应阈值统计部,用于对提取连通域内对应的增强图像的相同范围内的体素灰度进行统计得到灰度分布数值,同时通过分布模型根据该灰度分布数值计算区域增长的上下限阈值;区域增长部,用于将提取连通域作为第二种子点,并根据该第二种子点以及上下限阈值在增强图像中进行区域增长;均匀扩展部,对区域增长得到的区域增长部分进行二值化,并利用膨胀算法根据二值化的结果进行均匀膨胀,从而以膨胀后的区域提取待测脑影像中的对应区域从而得到分割结果,其中,机器学习分类器以及子类-参数对照表通过如下步骤预训练得到:步骤T1,依次对多个训练用的训练图像进行直方图均衡化得到相应的训练用灰度分布直方图;步骤T2,提取每个训练用灰度分布直方图的至少包含包络线梯度曲线、包络线拐点特征、最大极值点坐标、熵以及最大熵的训练集合特征向量;步骤T3,对每个训练图像进行手动分割,并在分割过程中设定包含分割阈值、颅骨阈值、连通域阈值以及增长阈值的训练参数;步骤T4,分别每个训练图像所对应的训练集合特征向量以及训练参数作为数据集,并根据不同数据集的训练参数间的距离进行数据集的分类从而将距离最小的数据集聚集为一类从而得到多个不同的子类;步骤T5,提取每个子类的特征向量,并将同一标签赋予同属于一个子类的特征向量,进一步采用机器学习分类方法根据所有带有标签的特征向量进行训练从而得到机器学习分类器,同时根据各个子类以及对应的训练参数建立相应的子类-参数对照表。
发明作用与效果
根据本发明的脑影像动脉全自动分割方法,由于通过事先训练机器学习分类器并建立了子类-参数对照表,根据这两者对增强后的待测脑影像进行子类识别以及参数的提取,进一步根据该参数自动对图像进行阈值分割、颅骨去除、区域增长以及膨胀等处理,从而实现了一种无需手动介入、能够对脑影像进行全自动分割的方法。同时,本方法使用的机器学习分类器以及子类-参数对照表还可以通过学习从而不断优化分割参数,进一步提高本方法对脑血管的分割效果。另外,本发明中的脑影像动脉全自动分割方法可以适用于各种脑影像的采集设备,对于每种采集设备,只需通过对少量数据的学习,即可得到能够用于进行脑MRA影像血管分割的全自动参数,进一步自动完成分割过程,适合于批量操作。
附图说明
图1是本发明实施例中脑影像动脉全自动分割方法的流程图;
图2是本发明实施例中预处理过程的流程图;
图3是本发明实施例中待测脑影像的示意图;
图4是本发明实施例中阈值分割图像的示意图;
图5是本发明实施例中颅骨去除图像的示意图;
图6是本发明实施例中区域增长图像的示意图;以及
图7是本发明实施例中分割结果图像的示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下结合实施例及附图对本发明的脑影像动脉全自动分割方法及装置作具体阐述。
<实施例>
图1是本发明实施例中脑影像动脉全自动分割方法的流程图。
如图1所示,脑影像动脉全自动分割方法包括如下步骤:
步骤S1,采用局部增强算法对待测脑影像中的血管区域进行增强,提高血管区域与背景之间的对比度。
步骤S2,根据待测脑影像经直方图均衡化后的灰度直方图提取该灰度直方图的集合特征向量,将该集合特征向量输入预先训练好的机器学习分类器M从而得到子类标签,进一步根据子类标签查找预先建立的子类-参数对照表从而提取所属子类中分布占比最高的参数。
本实施例中,机器学习分类器M为监督学习方法下的分类方法与分类器,如SVM及其各种变种、逻辑回归、AdaBoost等方法。采用监督学习方法时所输入的训练集需要人为的进行标注,随后分类方法可根据标注的类别进行自动的分类函数或隐函数的求取,从而得到用于将各类区分的分类函数或函数组合,通过这些函数就能够构成机器学习分类器M。
本实施例中,参数包含分割阈值(a、b)、颅骨阈值(c、d)、连通域阈值(e)以及增长阈值(f、g)。子类-参数对照表为具有多个子类标签以及相应的参数的数据表,该子类-参数对照表的一个示例如下;
表1子类-参数对照表的示例
本实施例中,步骤S2进行参数自适应选取所需要用到的机器学习分类器M以及子类-参数对照表为事先通过预训练过程训练得到。
图2是本发明实施例中预训练过程的流程图。
如图2所示,预训练过程包括如下步骤:
步骤T1,依次对多个训练用的训练图像进行直方图均衡化得到相应的训练用灰度分布直方图。
本实施例中,训练图像采用了脑MRA影像数据Data,在对Data进行直方图均衡化时,Data的灰度值分布归一化至0~1024范围内。
步骤T2,提取每个训练用灰度分布直方图的训练集合特征向量T。该训练集合特征向量T包含包络线梯度曲线、包络线拐点特征、最大极值点坐标、熵、最大熵等特征。
本实施例的步骤T2中,在提取训练图像的灰度分布直方图的各个特征后,将多个特征转换为向量后,按固定顺序进行多个特征向量的连接组合从而形成训练集合特征向量T。例如,提取直方图的包络线梯度曲线(点t1、t2、t3、t4、t5)、包络线拐点特征(点t3)、最大极值点坐标(点t3)、熵(s1、s2、s3、s4、s5)、最大熵(s3)后,形成了集合特征向量T[t1、t2、t3、t4、t5、t3、t3、s1、s2、s3、s4、s5、s3]。
步骤T3,对每个训练图像进行手动分割,并在分割过程中设定包含分割阈值、颅骨阈值、连通域阈值以及增长阈值的训练参数。
本实施例中,手动分割的过程具体为:
a)使用sigmoid滤波器对血管所在的100-500范围进行图像增强;
b)选取分割阈值(a=200、b=300);
c)阈值分割;
d)颅骨阈值选取(c=280、d=300);
e)颅骨种子点选取;
f)基于种子点进行区域增长进行颅骨去除;
g)连通域分析,计算各连通域的体积,并对体积从大到小进行排序;
h)连通域阈值选取,根据排序结果,在前10个连通域内,选取体积大于e=5000的连通域l1、l2、l3三个作为种子;
i)连通域统计,统计l1、l2、l3内所有像素点的像素值,计算像素值的平均值μ与标准差σ;
j)增长阈值选取,根据高斯分布模型,选取μ-σ,μ+σ两个值作为区域增长的阈值;
k)以l1、l2、l3为种子,以μ-σ,μ+σ为阈值进行区域增长,得到血管的分割结果,该分割结果能够覆盖70%的脑动脉区域。
本实施例中,由于采用的分布模型为高斯分布模型,因此增长阈值f、g为μ-σ、μ+σ两个值。在其他实施例中,增长阈值f、g的选取,是根据所选取的分布模型,计算该模型中能够覆盖分布指定百分比范围以上时对应的阈值。
步骤T4,分别每个训练图像所对应的训练集合特征向量以及训练参数作为数据集,并根据不同数据集的训练参数间的距离进行数据集的分类从而将距离最小的数据集聚集为一类从而得到多个不同的子类。
本实施例的步骤T4为参数关联统计步骤,即采用多例上述手动分割的参数(a、b、c、d、e),以及对应的集合特征向量T,根据不同例参数间的欧式距离(如下公式)进行层次聚类,将距离最小的案例聚集为一类(每个案例即为每张训练图像在经过上述步骤所得到的相应训练集合特征向量以及训练参数所构成数据集),从而得到多个不同的子类;
式中,d(x,y)为x与y欧式距离,x、y为不同案例的特征向量,n为特征向量的秩数。
在其他实施例中,也可以采用其他距离计算方法完成上述子类的聚集。
步骤T5,提取每个子类的特征向量,并将同一标签赋予同属于一个子类的特征向量,进一步采用机器学习分类方法根据所有带有标签的特征向量进行训练从而得到机器学习分类器,同时根据各个子类以及对应的训练参数建立相应的子类-参数对照表。
本实施例中,采用了SVM(支持向量机)分类器进行训练,得到SVM分类器M(即机器学习分类器M)。
通过上述步骤,即得到了机器学习分类器M以及子类-参数对照表,并可应用于进行步骤S2的参数自适应选取操作。
本实施例中,采用了图3所示的图像作为示例,在将该图像进行上述步骤S1以及步骤S2的处理后,其在步骤S2得到子类标签为类别3、根据子类标签所提取的在所属子类中分布占比最高的参数为[a5、b5、c5、d5、e5、f5、g5]。接下来通过步骤S3进行后续处理。
步骤S3,利用参数对增强图像进行阈值分割从而得到阈值分割图像。
本实施例的步骤S3中,使用了分割阈值对待测图像进行阈值分割,分割后得到的阈值分割图像如图4所示。
步骤S4,提取待测脑影像中的关键层切片,并采用二维包围盒提取颅骨上的点作为第一种子点。
本实施例中,待测脑影像为MRA或CTA等数据,其一般是由多个切片层叠加在一起形成的三维数据。从中提取出的关键层切片为具有有效信息的切片,例如扫描头颅CTA时,会有一部分是头顶以上的空白区域不具有有效信息,而包含有头颅的层即为关键层。
另外,包围盒是指,对于某一目标,用面积大于这一目标的多边形包裹该目标,并将多边形收缩,直到该多边形的边与该目标相接时停止。本实施例采用了二维方形包围盒提取颅骨上的点p1、p2、p3、p4,这些点分别位于该层颅骨的前后左右四个接触点上。
步骤S5,基于参数以及第一种子点采用区域增长的方法得到颅骨分割结果,然后将阈值分割图像减去颅骨分割结果从而得到颅骨去除图像。
本实施例的步骤S5中,生成颅骨分割结果时使用了参数中的颅骨阈值,最终得到的颅骨去除图像如图5所示。
步骤S6,分析颅骨去除图像中的所有连通域的体积,将连通域根据体积从大到小进行排列形成连通域列表,并使用参数对连通域列表进行筛选从而得到提取连通域,进一步去除颅骨去除图像中未被选取的连通域。
本实施例中,在使用参数进行连通域筛选时,连通域阈值(e)代表允许的最小连通域的体积,同时,在进行现有连通域体积从大到小排序后,连通域阈值(e)同时应保证所取的连通域位于排序的前10位以内。
步骤S7,对提取连通域内对应的增强图像的相同范围内的体素灰度进行统计得到灰度分布数值,同时通过分布模型根据该灰度分布数值计算区域增长的上下限阈值。
本实施例的步骤S7中,灰度分布数值为灰度分布的平均值、标准差、方差等,采用的分布模型为高斯分布模型。
步骤S8,将提取连通域作为第二种子点,并根据该第二种子点以及步骤S7计算出的上下限阈值在增强图像中进行区域增长。本实施例中,区域增长后的区域增长图像如图6所示。
步骤S9,对区域增长得到的区域增长部分进行二值化,并利用膨胀算法根据二值化的结果进行均匀膨胀,从而以膨胀后的区域提取待测脑影像中的对应区域从而得到分割结果。
本实施例中,区域增长部分通过对步骤S8得到的区域增长图像中增长的部分进行分割得到,并在二值化后将二值化的区域增长部分作为前景,再利用膨胀算法进行膨胀。
进一步,在利用膨胀算法进行膨胀时,本实施例使用半径为30的球形算子进行均匀膨胀。在其他实施例中,膨胀算子使用何种形态,对本方法的分割结果无影响。
本实施例中,膨胀后的分割结果如图7所示,在进行浏览与查看时,可最大限度的保留血管区域的全部细节,避免了因区域增长参数的不完美而造成血管细节的缺失。
实施例作用与效果
根据本实施例提供的脑影像动脉全自动分割方法,由于通过事先训练机器学习分类器并建立了子类-参数对照表,根据这两者对增强后的待测脑影像进行子类识别以及参数的提取,进一步根据该参数自动对图像进行阈值分割、颅骨去除、区域增长以及膨胀等处理,从而实现了一种无需手动介入、能够对脑影像进行全自动分割的方法。同时,本方法使用的机器学习分类器以及子类-参数对照表还可以通过学习从而不断优化分割参数,进一步提高本方法对脑血管的分割效果。另外,本实施例中的脑影像动脉全自动分割方法可以适用于各种脑影像的采集设备,对于每种采集设备,只需通过对少量数据的学习,即可得到能够用于进行脑MRA影像血管分割的全自动参数,进一步自动完成分割过程,适合于批量操作。
另外,实施例中,直方图均衡化步骤是为了保证对于不同灰度分布、不同采集参数的影像,均可采用同样的参数进行分割,因此提高了本方法的适应性,例如,该方法可支持MRA数据、CTA数据等类型的影像数据,当血管区域与背景相比,其像素值或体素值密度更高时,本方法均可适用。
另外,实施例中,通过步骤S9的均匀扩展/膨胀,能够保证对血管壁全部细节的完整保留,同时在分割过程中,始终使用原始数据,不对数据的体素特征进行更改,因此保证了分割得到的结果与成像结果相一致。
上述实施例仅用于举例说明本发明的具体实施方式,而本发明不限于上述实施例的描述范围。
例如,实施例中,对待测脑影像进行分割得到的结果图像为正常解剖结构的血管。在其他实施例中,本发明的脑影像动脉全自动分割方法对于有动脉瘤、囊肿等解剖结构变异或正常生理结构变异,均能够实现较好的分割效果。
再例如,实施例中,待测脑影像为三维影像数据。本发明的脑影像动脉全自动分割方法也能够对二维的影像数据进行自动分割处理。
另外,预训练过程通常使用一组脑MRA影像数据,该组中包含的数据数量越多,即包含的病例数越多,则预训练得到的参数模型的分割效果越好,通常,预训练所使用的数据,与分割所使用的数据,均采集自同一品牌设备、同一采集参数的采集环境下(但采集的并非同一群体人群),此时分割效果最好,当预训练数据的来源与分割数据来源不同时,分割可进行,但精度存在降低的可能性。
另外,实施例中提供了一种脑影像动脉全自动分割方法,该方法主要通过预先训练的机器学习分类器以及预先建立的子类-参数对照表对图像进行参数自适应选取,进一步根据该参数对待测脑影像进行一系列处理从而完成分割。然而,为了实际使用时更为方便,可以根据该脑影像动脉全自动分割方法对应设计相应的计算机程序从而形成一个脑影像动脉全自动分割装置,该脑影像动脉全自动分割装置包括执行步骤S1的图像增强部、执行步骤S2的参数自适应选取部、执行步骤S3的阈值分割部、执行步骤S4的自适应颅骨种子点提取部、执行步骤S5的颅骨去除部、执行步骤S6的自动连通域筛选部、执行步骤S7的自适应阈值统计部、执行步骤S8的区域增长部以及执行步骤S9的均匀扩展部,其中,参数自适应选取部则存储有预先构建的机器学习分类器以及子类-参数对照表从而便于在执行中调用。这些部件的工作原理与对应步骤中描述的动作一致,在次不再赘述。
Claims (5)
1.一种脑影像动脉全自动分割方法,用于对二维或是三维的待测脑影像进行脑血管分割,其特征在于,包括:
步骤S1,采用局部增强算法对所述待测脑影像中的血管区域进行增强,提高所述血管区域与背景之间的对比度从而形成增强图像;
步骤S2,根据所述待测脑影像经直方图均衡化后的灰度直方图提取该灰度直方图的集合特征向量,将该集合特征向量输入预先训练好的机器学习分类器从而得到子类标签,进一步根据所述子类标签查找预先建立的子类-参数对照表从而提取所属子类中分布占比最高的参数,所述参数包含分割阈值、颅骨阈值、连通域阈值以及增长阈值;
步骤S3,利用所述参数对所述增强图像进行阈值分割从而得到阈值分割图像;
步骤S4,提取所述待测脑影像中的关键层切片,并采用二维包围盒提取颅骨上的点作为第一种子点;
步骤S5,基于所述参数以及所述第一种子点采用区域增长的方法得到颅骨分割结果,然后将所述阈值分割图像减去所述颅骨分割结果从而得到颅骨去除图像;
步骤S6,分析所述颅骨去除图像中的所有连通域的面积或体积,将所述连通域根据所述面积或所述体积从大到小进行排列形成连通域列表,并使用所述参数对所述连通域列表进行筛选从而得到提取连通域,进一步去除所述颅骨去除图像中未被选取的连通域;
步骤S7,对所述提取连通域内对应的所述增强图像的相同范围内的体素灰度进行统计得到灰度分布数值,同时通过分布模型根据该灰度分布数值计算区域增长的上下限阈值;
步骤S8,将所述提取连通域作为第二种子点,并根据该第二种子点以及所述上下限阈值在所述增强图像中进行区域增长;
步骤S9,对所述区域增长得到的区域增长部分进行二值化,并利用膨胀算法根据所述二值化的结果进行均匀膨胀,从而以膨胀后的区域提取所述待测脑影像中的对应区域从而得到分割结果,
其中,所述机器学习分类器以及所述子类-参数对照表通过如下步骤预训练得到:
步骤T1,依次对多个训练用的训练图像进行直方图均衡化得到相应的训练用灰度分布直方图;
步骤T2,提取每个所述训练用灰度分布直方图的至少包含包络线梯度曲线、包络线拐点特征、最大极值点坐标、熵以及最大熵的训练集合特征向量;
步骤T3,对每个所述训练图像进行手动分割,并在分割过程中设定包含分割阈值、颅骨阈值、连通域阈值以及增长阈值的训练参数;
步骤T4,分别将每个所述训练图像所对应的所述训练集合特征向量以及所述训练参数作为数据集,并根据不同所述数据集的所述训练参数间的距离进行所述数据集的分类从而将距离最小的数据集聚集为一类从而得到多个不同的子类;
步骤T5,提取每个所述子类的特征向量,并将同一标签赋予同属于一个所述子类的所述特征向量,进一步采用机器学习分类方法根据所有带有标签的所述特征向量进行训练从而得到所述机器学习分类器,同时根据各个所述子类以及对应的所述训练参数建立相应的子类-参数对照表。
2.根据权利要求1所述的脑影像动脉全自动分割方法,其特征在于:
其中,所述分布模型为由高斯分布、泊松分布、均匀分布中的单个分布构成或由高斯分布、泊松分布、均匀分布中的多个同类或不同类的分布叠加而成。
3.根据权利要求1所述的脑影像动脉全自动分割方法,其特征在于:
其中,在对所述连通域列表进行筛选时,所述参数的所述连通域阈值代表允许的最小连通域的体积,
所述连通域阈值还保证所述提取连通域位于所述连通域列表的排序的前10位以内。
4.根据权利要求1所述的脑影像动脉全自动分割方法,其特征在于:
其中,所述增长阈值为计算所述分布模型中能够覆盖分布指定百分比范围以上时对应的阈值。
5.一种脑影像动脉全自动分割装置,用于对二维或是三维的待测脑影像进行脑血管分割,其特征在于,包括:
图像增强部,用于采用局部增强算法对所述待测脑影像中的血管区域进行增强,提高所述血管区域与背景之间的对比度从而形成增强图像;
参数自适应选取部,存储有预先训练好的机器学习分类器以及子类-参数对照表,用于根据所述待测脑影像经直方图均衡化后的灰度直方图提取该灰度直方图的集合特征向量,并将该集合特征向量输入所述机器学习分类器从而得到子类标签,进一步根据所述子类标签查找所述子类-参数对照表从而提取所属子类中分布占比最高的参数;
阈值分割部,用于利用所述参数对所述增强图像进行阈值分割从而得到阈值分割图像;
自适应颅骨种子点提取部,用于提取所述待测脑影像中的关键层切片,并采用二维包围盒提取颅骨上的点作为第一种子点;
颅骨去除部,用于基于所述参数以及所述第一种子点采用区域增长的方法得到颅骨分割结果,然后将所述阈值分割图像减去所述颅骨分割结果从而得到颅骨去除图像;
自动连通域筛选部,用于分析所述颅骨去除图像中的所有连通域的面积或体积,将所述连通域根据所述面积或所述体积从大到小进行排列形成连通域列表,并使用所述参数对所述连通域列表进行筛选从而得到提取连通域,进一步去除所述颅骨去除图像中未被选取的连通域;
自适应阈值统计部,用于对所述提取连通域内对应的所述增强图像的相同范围内的体素灰度进行统计得到灰度分布数值,同时通过分布模型根据该灰度分布数值计算区域增长的上下限阈值;
区域增长部,用于将所述提取连通域作为第二种子点,并根据该第二种子点以及所述上下限阈值在所述增强图像中进行区域增长;
均匀扩展部,对所述区域增长得到的区域增长部分进行二值化,并利用膨胀算法根据所述二值化的结果进行均匀膨胀,从而以膨胀后的区域提取所述待测脑影像中的对应区域从而得到分割结果,
其中,所述机器学习分类器以及所述子类-参数对照表通过如下步骤预训练得到:
步骤T1,依次对多个训练用的训练图像进行直方图均衡化得到相应的训练用灰度分布直方图;
步骤T2,提取每个所述训练用灰度分布直方图的至少包含包络线梯度曲线、包络线拐点特征、最大极值点坐标、熵以及最大熵的训练集合特征向量;
步骤T3,对每个所述训练图像进行手动分割,并在分割过程中设定包含分割阈值、颅骨阈值、连通域阈值以及增长阈值的训练参数;
步骤T4,分别将每个所述训练图像所对应的所述训练集合特征向量以及所述训练参数作为数据集,并根据不同所述数据集的所述训练参数间的距离进行所述数据集的分类从而将距离最小的数据集聚集为一类从而得到多个不同的子类;
步骤T5,提取每个所述子类的特征向量,并将同一标签赋予同属于一个所述子类的所述特征向量,进一步采用机器学习分类方法根据所有带有标签的所述特征向量进行训练从而得到所述机器学习分类器,同时根据各个所述子类以及对应的所述训练参数建立相应的子类-参数对照表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911118499.5A CN112150477B (zh) | 2019-11-15 | 2019-11-15 | 脑影像动脉全自动分割方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911118499.5A CN112150477B (zh) | 2019-11-15 | 2019-11-15 | 脑影像动脉全自动分割方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112150477A CN112150477A (zh) | 2020-12-29 |
CN112150477B true CN112150477B (zh) | 2021-09-28 |
Family
ID=73892145
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911118499.5A Active CN112150477B (zh) | 2019-11-15 | 2019-11-15 | 脑影像动脉全自动分割方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112150477B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112862731A (zh) * | 2021-01-21 | 2021-05-28 | 北京科技大学 | 一种tof影像的全自动血管提取方法 |
CN114549559A (zh) * | 2022-03-01 | 2022-05-27 | 上海博恩登特科技有限公司 | 一种基于cbct数据ai分割牙齿结果的后处理方法和*** |
CN116342588B (zh) * | 2023-05-22 | 2023-08-11 | 徕兄健康科技(威海)有限责任公司 | 一种脑血管图像增强方法 |
CN116721354B (zh) * | 2023-08-08 | 2023-11-21 | 中铁七局集团电务工程有限公司武汉分公司 | 一种建筑物裂纹缺陷识别方法、***及可读存储介质 |
CN117974692B (zh) * | 2024-03-29 | 2024-06-07 | 贵州毅丹恒瑞医药科技有限公司 | 一种基于区域生长的眼科医学影像处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296653A (zh) * | 2016-07-25 | 2017-01-04 | 浙江大学 | 基于半监督学习的脑部ct图像出血区域分割方法及*** |
CN109190690A (zh) * | 2018-08-17 | 2019-01-11 | 东北大学 | 基于机器学习的swi图像的脑微出血点检测识别方法 |
CN109949322A (zh) * | 2019-03-27 | 2019-06-28 | 中山大学 | 一种基于磁共振t1增强图像的脑血管图像分割方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334895B (zh) * | 2008-08-07 | 2011-09-14 | 清华大学 | 一种针对动态增强乳腺磁共振影像序列的影像分割方法 |
CN102737379A (zh) * | 2012-06-07 | 2012-10-17 | 中山大学 | 一种基于自适应学习的ct图像分割方法 |
US9959486B2 (en) * | 2014-10-20 | 2018-05-01 | Siemens Healthcare Gmbh | Voxel-level machine learning with or without cloud-based support in medical imaging |
CN105096332B (zh) * | 2015-08-25 | 2019-06-28 | 上海联影医疗科技有限公司 | 医学图像分割方法和装置 |
CN104933711B (zh) * | 2015-06-10 | 2017-09-29 | 南通大学 | 一种肿瘤病理图像自动快速分割方法 |
CN105787958A (zh) * | 2016-05-20 | 2016-07-20 | 东南大学 | 一种基于三维Zernike矩的肾脏动脉CT造影图像血管分割方法 |
US10492723B2 (en) * | 2017-02-27 | 2019-12-03 | Case Western Reserve University | Predicting immunotherapy response in non-small cell lung cancer patients with quantitative vessel tortuosity |
CN107016677B (zh) * | 2017-03-24 | 2020-01-17 | 北京工业大学 | 一种基于fcn和cnn的云图分割方法 |
CN107230204B (zh) * | 2017-05-24 | 2019-11-22 | 东北大学 | 一种从胸部ct图像中提取肺叶的方法及装置 |
CN107292312B (zh) * | 2017-06-19 | 2021-06-22 | 中国科学院苏州生物医学工程技术研究所 | 肿瘤ct图像处理方法 |
CN108765430B (zh) * | 2018-05-24 | 2022-04-08 | 西安思源学院 | 一种基于心脏ct图像和机器学习的心脏左腔区域分割方法 |
-
2019
- 2019-11-15 CN CN201911118499.5A patent/CN112150477B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106296653A (zh) * | 2016-07-25 | 2017-01-04 | 浙江大学 | 基于半监督学习的脑部ct图像出血区域分割方法及*** |
CN109190690A (zh) * | 2018-08-17 | 2019-01-11 | 东北大学 | 基于机器学习的swi图像的脑微出血点检测识别方法 |
CN109949322A (zh) * | 2019-03-27 | 2019-06-28 | 中山大学 | 一种基于磁共振t1增强图像的脑血管图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112150477A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112150477B (zh) | 脑影像动脉全自动分割方法及装置 | |
Telrandhe et al. | Detection of brain tumor from MRI images by using segmentation & SVM | |
CN106296653B (zh) | 基于半监督学习的脑部ct图像出血区域分割方法及*** | |
Joshi et al. | Classification of brain cancer using artificial neural network | |
US10303986B2 (en) | Automated measurement of brain injury indices using brain CT images, injury data, and machine learning | |
Taghanaki et al. | Geometry-based pectoral muscle segmentation from MLO mammogram views | |
CN109635846A (zh) | 一种多类医学图像判断方法和*** | |
CN104616289A (zh) | 一种3d ct图像中骨组织的移除方法及*** | |
Gordillo et al. | A new fuzzy approach to brain tumor segmentation | |
Fathima et al. | Automatic detection of tumor subtype in mammograms based On GLCM and DWT features using SVM | |
Nagtode et al. | Two dimensional discrete Wavelet transform and Probabilistic neural network used for brain tumor detection and classification | |
Alagarsamy et al. | Identification of Brain Tumor using Deep Learning Neural Networks | |
Wisaeng | U-Net++ DSM: improved U-Net++ for brain tumor segmentation with deep supervision mechanism | |
Rampun et al. | Breast density classification using multiresolution local quinary patterns in mammograms | |
Teranikar et al. | Feature detection to segment cardiomyocyte nuclei for investigating cardiac contractility | |
Sarathi et al. | Automated Brain Tumor segmentation using novel feature point detector and seeded region growing | |
Maheswari et al. | A survey on computer algorithms for retinal image preprocessing and vessel segmentation | |
Tuan et al. | 3D brain magnetic resonance imaging segmentation by using bitplane and adaptive fast marching | |
Neelakanteswara et al. | Computer based advanced approach for MRI image classification using neural network with the texture features extracted | |
Shekhar et al. | Image analysis for brain tumor detection from MRI images using wavelet transform | |
Azli et al. | Ultrasound image segmentation using a combination of edge enhancement and kirsch’s template method for detecting follicles in ovaries | |
Prabin et al. | AUTOMATIC SEGMENTATION OF LUNG CT IMAGES BY CC BASED REGION GROWING. | |
Ion et al. | Breast cancer images segmentation using fuzzy cellular automaton | |
Devanathan et al. | An optimal multilevel thresholding based segmentation and classification model for brain tumor diagnosis | |
Awang et al. | An overview of segmentation and classification techniques: A survey of brain tumour-related research |
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 |