CN112950654B - 基于多核学习与超像素核低秩表示的脑肿瘤图像分割方法 - Google Patents
基于多核学习与超像素核低秩表示的脑肿瘤图像分割方法 Download PDFInfo
- Publication number
- CN112950654B CN112950654B CN202110218072.3A CN202110218072A CN112950654B CN 112950654 B CN112950654 B CN 112950654B CN 202110218072 A CN202110218072 A CN 202110218072A CN 112950654 B CN112950654 B CN 112950654B
- Authority
- CN
- China
- Prior art keywords
- kernel
- brain tumor
- superpixel
- super
- 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
Links
- 208000003174 Brain Neoplasms Diseases 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003709 image segmentation Methods 0.000 title claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- 238000012360 testing method Methods 0.000 claims abstract description 52
- 230000011218 segmentation Effects 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 238000005481 NMR spectroscopy Methods 0.000 claims abstract description 13
- 238000002372 labelling Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000009977 dual effect Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 206010028980 Neoplasm Diseases 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 241000282326 Felis catus Species 0.000 description 2
- 206010030113 Oedema Diseases 0.000 description 2
- 210000005013 brain tissue Anatomy 0.000 description 2
- JXSJBGJIGXNWCI-UHFFFAOYSA-N diethyl 2-[(dimethoxyphosphorothioyl)thio]succinate Chemical compound CCOC(=O)CC(SP(=S)(OC)OC)C(=O)OCC JXSJBGJIGXNWCI-UHFFFAOYSA-N 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 206010048962 Brain oedema Diseases 0.000 description 1
- 208000003322 Coinfection Diseases 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 208000006752 brain edema Diseases 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000017074 necrotic cell death Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于多核学习与超像素核低秩表示的脑肿瘤区域图像分割方法,选取训练数据集并标注相应的标签;对多模态脑肿瘤核磁共振测试图像进行预处理,并进行多模态融合;对T1‑C模态的图像进行熵率分割,获得融合图像的超像素分割;基于所获超像素构造超像素核;基于所获超像素核和训练数据集及相应的标签,通过多核学习算法获得最优超像素核;对高维核特征空间进行核低秩表示建模,并基于所获最优超像素核求解模型,获得测试图像的表示系数矩阵;基于所获表示系数矩阵,计算脑肿瘤图像中各测试样本属于各个类别的残差,确定测试样本的类别标签。本发明除了对训练样本规模要求较低外,在脑肿瘤区域的分割精度上也优于现有的一些分割方法。
Description
技术领域
本发明涉及医学图像处理领域,具体涉及一种基于多核学习与超像素核低秩表示的多模态脑肿瘤核磁共振图像分割方法。
背景技术
与脑肿瘤有关的医疗病例显著增加,使之成为儿童和成人共同感染的最常见的肿瘤形式之一,从脑肿瘤病人的脑图像中分割出脑肿瘤病变区域并对该区域进行定量测量以及3维可视化受到越来越多的重视。脑肿瘤分割的目标是将肿瘤区域与正常脑组织分开,并将诸如水肿,坏死和活动性肿瘤等肿瘤组织划分为符合预定标准的空间连续区域。核磁共振成像技术因对人体没有损伤、对软组织有非常高的分辨率以及参数易调节等特点已被广泛应用于脑疾病的临床治疗。临床常用的核磁共振图像模态包括T1权重模态,T2权重模态,FLAIR模态,和T1-c模态。基于多模态融合的脑肿瘤MR图像分割技术一直以来都是医学图像处理领域的一个研究热点。
发明内容
本发明的目的在于提出一种具有较高精度的基于多核学习与超像素核低秩表示的脑肿瘤图像分割方法。
实现本发明目的的技术解决方案为:一种基于多核学习与超像素核低秩表示的脑肿瘤图像分割方法,包括以下步骤:
步骤1,输入多模态脑肿瘤核磁共振测试图像,获取训练数据集以及相应的标签;
步骤2,对多模态脑肿瘤核磁共振测试图像进行预处理,包括配准和归一化,并进行多模态融合,获得多模态脑肿瘤融合数据;
步骤3,对T1-c模态图像进行熵率分割,获得多模态脑肿瘤融合数据的超像素分割结果;
步骤4,基于步骤3所获的超像素构造超像素核;
步骤5,基于步骤4所获的超像素核和训练数据集及相应的标签,通过多核学习算法获得最优超像素核;
步骤6,对核特征空间进行低秩表示建模,并基于步骤5所获的最优超像素核利用交替方向乘子法求解模型,获得测试图像的表示系数矩阵;
步骤7,基于步骤6所获的测试图像的表示系数矩阵,计算各测试样本属于各个类别的残差,确定各测试样本的类别标签。
进一步的,步骤1中,输入多模态脑肿瘤核磁共振测试图像,获取训练数据集以及相应的标签,具体方法为:输入多模态脑肿瘤核磁共振测试图像,在T1-c模态的一帧图像上选取各类别样本的训练数据集并标注相应的标签。
进一步的,步骤4中,基于步骤3所获的超像素构造超像素核,具体方法为:
设多模态脑肿瘤融合数据X的超像素分割为{X1,X2,L,XP},其中Xi表示生成的第i个超像素,xk (i)表示Xi中的第k个像素,设φ′:X→H为输入空间X到高维Hilbert空间H的映射,即φ′(xk (i))为经高维映射后所获得的图像新特征,对每一像素xk (i),通过其所在核特征空间上的基于超像素的均值滤波提取出空间邻域信息φ(xk (i)),即:
其中,xm (i)和Ni分别表示超像素Xi中的第m个像素和所含像素数,从而,xk (i)与xs (j)的超像素核为:
进一步的,步骤5中,基于步骤4所获超像素核和训练数据集及相应的标签,通过多核学习算法获得最优超像素核,具体方法为:
步骤5.1:选取RBF核函数中核尺度σ值域范围[σmin,σmax],以及M个尺度σmin=σ1<σ2<L<σM=σmax,基于步骤4的超像素核计算M个核矩阵Gi;
步骤5.2:将每一核矩阵Gi按相同规则向量化为列向量v(Gi),并构造矩阵GSP=[v(G1),v(G2),L,v(GM)]T;
进一步的,步骤6中,对核特征空间进行低秩表示建模,并基于步骤5所获的最优超像素核求解模型,获得测试图像的表示系数矩阵,具体方法为:
步骤6.1,构建核特征空间的低秩表示模型:
其中,Φ(X)={φ(x1),φ(x2),L,φ(xN)},X={x1,x2,LxN}表示脑肿瘤MR融合数据,xi表示第i个测试样本,对应脑肿瘤图像中的第i个像素,D=[d1,d2,L,dT]为由步骤1所选取的训练样本集构建的字典,A为系数矩阵,λ为调节因子;
步骤6.2,将模型中的高维映射替代为其内积形式获得等价模型:
其中,矩阵U的元素uij=KSP(di,xj),矩阵V的元素vij=KSP(di,dj),KSP(.)为步骤5所获的最优超像素核;
步骤6.3,解耦该等价模型并引入Lagrange乘子获得无约束优化问题:
其中,Y=Y+μ(A-B),μ为惩罚因子,求解该无约束优化问题即得到系数矩阵A。
更进一步的,采用交替方向乘子法方法求解无约束优化问题,具体求解步骤为:
1)初始化:k=0,A0=B0=0,Y0=0,μ=10-6,μmax=106,ρ=1.1;
2)计算矩阵U与V;
5)更新变量Yk+1=yk+μk(Ak+1-Bk+1);
进一步的,步骤7中,基于步骤6所获的测试图像的表示系数矩阵,计算各测试样本属于各个类别的残差,确定各测试样本的类别标签,具体方法为:
步骤7.1,基于步骤6所获的测试图像的表示系数矩阵的最优解A*,计算第i个测试样本xi属于类c的残差其中c={1,2,L C}为类标签,A* i表示A*的第i列元素,δc(A* i)表示将A* i中不属于类c的所有元素置零;
一种基于多核学习与超像素核低秩表示的脑肿瘤图像分割***,基于所述的方法进行基于多核学习与超像素核低秩表示的脑肿瘤区域图像分割。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的方法进行基于多核学习与超像素核低秩表示的脑肿瘤图像分割。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的方法进行基于多核学习与超像素核低秩表示的脑肿瘤图像分割。
本发明与现有技术相比,其显著优点体现为:(1)对脑肿瘤核磁共振融合图像的高维核特征空间进行低秩表示建模,将低秩表示模型对图像整体结构的相关约束与核特征空间的高维可分性相结合,提高了脑肿瘤图像的表示精度;(2)构建基于超像素区域的超像素核,有助于获取高维核特征空间中邻域样本之间的相似度,同时可以克服超像素中离群点的影响;(3)采用多核学习方法,克服了传统核方法中多尺度特征学习和自适应参数确定的难题。
附图说明
图1为本发明方法流程图;
图2为脑肿瘤T1-c图像的超像素分割结果图;
图3为标准分割结果与本发明方法的分割结果的对比图,(a)是MICCAI BraTS提供的原始脑肿瘤测试图像;(b)是MICCAI BraTS提供的标准分割结果;(c)是本发明方法的分割结果,灰色区域表示脑肿瘤,高亮白色区域表示水肿。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
一种基于多核学习与超像素核低秩表示的脑肿瘤图像分割方法,包括以下步骤:
步骤1,输入多模态脑肿瘤核磁共振测试图像,获取训练数据集以及相应的标签,具体方法为:在T1-c模态的一帧图像上选取各类别样本的训练数据集并标注相应的标签。
步骤2,对多模态脑肿瘤核磁共振测试图像进行预处理,包括配准和归一化,并进行多模态融合,获得多模态脑肿瘤融合数据;
步骤3,对T1-c模态图像进行熵率分割,获得多模态脑肿瘤融合数据的超像素分割结果;
步骤4,基于步骤3所获的超像素构造超像素核,具体方法为:
设多模态脑肿瘤融合数据X的超像素分割为{X1,X2,L,XP},其中Xi表示生成的第i个超像素,xk (i)表示Xi中的第k个像素,设φ′:X→H为输入空间X到高维Hilbert空间H的映射,即φ′(xk (i))为经高维映射后所获得的图像新特征,对每一像素xk (i),通过其所在核特征空间上的基于超像素的均值滤波提取出空间邻域信息φ(xk (i)),即:
其中,xm (i)和Ni分别表示超像素Xi中的第m个像素和所含像素数,从而,xk (i)与xs (j)的超像素核为:
步骤5,基于步骤4所获的超像素核和训练数据集及相应的标签,通过多核学习算法获得最优超像素核,具体方法为:
步骤5.1:选取RBF核函数中核尺度σ值域范围[σmin,σmax],以及M个尺度σmin=σ1<σ2<L<σM=σmax,基于步骤4的超像素核计算M个核矩阵Gi;
步骤5.2:将每一核矩阵Gi按相同规则向量化为列向量v(Gi),并构造矩阵GSP=[v(G1),v(G2),L,v(GM)]T;
步骤6,对核特征空间进行低秩表示建模,并基于步骤5所获的最优超像素核利用交替方向乘子法(ADMM)求解模型,获得测试图像的表示系数矩阵,具体方法为:
步骤6.1,构建核特征空间的低秩表示模型:
其中,Φ(X)={φ(x1),φ(x2),L,φ(xN)},X={x1,x2,LxN}表示脑肿瘤MR融合数据,xi表示第i个测试样本,D=[d1,d2,L,dT]为由步骤1所选取的训练样本集构建的字典,A为系数矩阵,λ为调节因子;
步骤6.2,将模型中的高维映射替代为其内积形式获得等价模型:
其中,矩阵U的元素uij=KSP(di,xj),矩阵V的元素vij=KSP(di,dj),KSP(.)为步骤5所获的最优超像素核;
步骤6.3,解耦该等价模型并引入Lagrange乘子获得无约束优化问题:
其中,Y=Y+μ(A-B),μ为惩罚因子,采用交替方向乘子法方法求解该无约束优化问题即得到系数矩阵A,具体求解步骤为:
1)初始化:k=0,A0=B0=0,Y0=0,μ=10-6,μmax=106,ρ=1.1;
2)计算矩阵U与V;
5)更新变量Yk+1=Yk+μk(Ak+1-Bk+1);
步骤7,基于步骤6所获的测试图像的表示系数矩阵,计算各测试样本属于各个类别的残差,确定各测试样本的类别标签,具体方法为:
步骤7.1,基于步骤6所获的测试图像的表示系数矩阵的最优解A*,计算第i个测试样本xi属于类c的残差其中c={1,2,LC}为类标签,A* i表示A*的第i列元素,δc(A* i)表示将A* i中不属于类c的所有元素置零;
本发明还提出本发明还提出一种基于多核学习与超像素核低秩表示的脑肿瘤图像分割***,基于所述的方法进行基于多核学习与超像素核低秩表示的脑肿瘤图像分割。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的方法进行基于多核学习与超像素核低秩表示的脑肿瘤图像分割。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的方法进行基于多核学习与超像素核低秩表示的脑肿瘤图像分割。
实施例
为了验证本发明方案的有效性,以MICCAI BraTS提供的数据集为例,进行如下仿真实验。
步骤1:输入MICCAI BraTS数据集,该数据集提供不同脑肿瘤病例的包含T1、T2、FLAIR和T1-C四种模态的核磁共振图像,所有模态图像都已配准好。此外,还为每个病例提供了标准分割结果以对分割结果进行对比分析。结合标准分割结果,选取脑肿瘤、水肿和正常脑组织三个类别的训练样本。
步骤2:将四个模态图像中各样本灰度值堆叠形成四维向量,作为融合数据中各样本的输入特征向量。
步骤3:对T1-c图像进行熵率分割,如图1所示,进而获得多模态脑肿瘤融合数据的超像素分割结果{X1,X2,L,XP}。
步骤4:基于步骤3所获的超像素,通过公式构造像素xk (i)与xs (j)的超像素核,公式为其中,xk (i),xs (j)分别表示第i个超像素Xi中第k个像素和第j个超像素Xj中的第s个像素,Ni,Nj分别表示超像素Xi,Xj中所含像素数,基本核函数κ(xm (i),xn (j))选取高斯RBF核,即
步骤5:基于步骤4所获超像素核和步骤1选取的训练数据集及相应的标签,通过多核学习算法获得最优超像素核,算法的步骤为:
步骤5.1:对步骤4中高斯RBF核函数的核尺度σ确定值域范围[σmin,σmax]以及M个尺度σmin=σ1<σ2<L<σM=σmax,利用步骤4的超像素核计算M个超像素核矩阵Gi;
步骤5.2:将每一核矩阵Gi按列堆叠形成列向量v(Gi),并构造矩阵GSP=[v(G1),v(G2),L,v(GM)]T;
步骤6:对核特征空间进行低秩表示建模:其中,X={x1,x2,L xN}表示脑肿瘤MR融合数据,xi表示第i个测试样本,Φ(X)={φ(x1),φ(x2),L,φ(xN)},D=[d1,d2,L,dT]为步骤1中的训练样本集构建的字典,A为系数矩阵,λ为调节因子。
解耦该等价模型并引入Lagrange乘子得到无约束优化问题:
其中,Y=Y+μ(A-B),μ为惩罚因子。
采用ADMM方法求解该无约束优化问题,获得测试图像的系数矩阵A,具体求解步骤为:
步骤6.1:初始化:k=0,A0=B0=0,Y0=0,μ=10-6,μmax=106,ρ=1.1
步骤6.2:计算矩阵U与V;
步骤6.5:更新变量Yk+1=Yk+μk(Ak+1-Bk+1);
步骤6.7:根据公式计算迭代终止条件,如果不满足则执行步骤6.3,并更新k=k+1,其中(.)k表示第k次迭代的变量值,即Ak、Bk、Pk、μk、∑k、Qk、Yk分别表示第k次迭代中A、B、P、μ、∑、Q、Y的值;
步骤7:基于步骤6获得的测试图像的表示系数矩阵的最优解A*,计算测试样本xi属于类c的残差其中c={1,2,L C}为类标签,A* i表示A*的第i列元素,δc(A* i)表示将A* i中不属于类c的所有元素置零。测试样本xi的类别标签为
本发明的分割结果与标准分割结果对比如图2所示,其中第一行为MICCAI BraTS提供的原始脑肿瘤图像,第二行为MICCAI BraTS提供的标准分割结果,第三行为本发明方法获得的分割结果,可以看出本发明方法所得的分割结果与标准分割结果较为接近。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种基于多核学习与超像素核低秩表示的脑肿瘤图像分割方法,其特征在于,包括以下步骤:
步骤1,输入多模态脑肿瘤核磁共振测试图像,获取训练数据集以及相应的标签;
步骤2,对多模态脑肿瘤核磁共振测试图像进行预处理,包括配准和归一化,并进行多模态融合,获得多模态脑肿瘤融合数据;
步骤3,对T1-C模态图像进行熵率分割,获得多模态脑肿瘤融合数据的超像素分割结果;
步骤4,基于步骤3所获的超像素构造超像素核;
步骤5,基于步骤4所获的超像素核和训练数据集及相应的标签,通过多核学习算法获得最优超像素核;
步骤6,对核特征空间进行低秩表示建模,并基于步骤5所获的最优超像素核利用交替方向乘子法求解模型,获得测试图像的表示系数矩阵;
步骤7,基于步骤6所获的测试图像的表示系数矩阵,计算各测试样本属于各个类别的残差,确定各测试样本的类别标签;
步骤5中,基于步骤4所获超像素核和训练数据集及相应的标签,通过多核学习算法获得最优超像素核,具体方法为:
步骤5.1:选取RBF核函数中核尺度σ值域范围[σmin,σmax],以及M个尺度σmin=σ1<σ2<…<σM=σmax,基于步骤4的超像素核计算M个核矩阵Gi;
步骤5.2:将每一核矩阵Gi按相同规则向量化为列向量ν(Gi),并构造矩阵GSP=[v(G1),v(G2),…,v(GM)]T;
步骤6中,对核特征空间进行低秩表示建模,并基于步骤5所获的最优超像素核求解模型,获得测试图像的表示系数矩阵,具体方法为:
步骤6.1,构建核特征空间的低秩表示模型:
其中,Φ(X)={φ(x1),φ(x2),…,φ(xN)},X={x1,x2,…xN}表示脑肿瘤MR融合数据,xi表示第i个测试样本,对应脑肿瘤图像中的第i个像素,D=[d1,d2,…,dT]为由步骤1所选取的训练样本集构建的字典,A为系数矩阵,λ为调节因子;
步骤6.2,将模型中的高维映射替代为其内积形式获得等价模型:
其中,矩阵U的元素uij=KSP(di,xj),矩阵V的元素vij=KSP(di,dj),KSP(.)为步骤5所获的最优超像素核;
步骤6.3,解耦该等价模型并引入Lagrange乘子获得无约束优化问题:
s.t.B=A
其中,Y=Y+μ(A-B),μ为惩罚因子,求解该无约束优化问题即得到系数矩阵A;
采用交替方向乘子法方法求解无约束优化问题,具体求解步骤为:
1)初始化:k=0,A0=B0=0,Y0=0,μ=10-6,μmax=106,ρ=1.1;
2)计算矩阵U与V;
5)更新变量Yk+1=Yk+μk(Ak+1-Bk+1);
2.根据权利要求1所述的基于多核学习与超像素核低秩表示的脑肿瘤图像分割方法,其特征在于,步骤1中,输入多模态脑肿瘤核磁共振测试图像,获取训练数据集以及相应的标签,具体方法为:输入多模态脑肿瘤核磁共振测试图像,在T1-c模态的一帧图像上选取各类别样本的训练数据集并标注相应的标签。
3.根据权利要求1所述的基于多核学习与超像素核低秩表示的脑肿瘤图像分割方法,其特征在于,步骤4中,基于步骤3所获的超像素构造超像素核,具体方法为:
设多模态脑肿瘤融合数据X的超像素分割为{X1,X2,…,XP},其中Xi表示生成的第i个超像素,xk (i)表示Xi中的第k个像素,设φ′:X→H为输入空间X到高维Hilbert空间H的映射,即φ′(xk (i))为经高维映射后所获得的图像新特征,对每一像素xk (i),通过其所在核特征空间上的基于超像素的均值滤波提取出空间邻域信息φ(xk (i)),即:
其中,xm (i)和Ni分别表示超像素Xi中的第m个像素和所含像素数,从而,xk (i)与xs (j)的超像素核为:
5.一种基于多核学习与超像素核低秩表示的脑肿瘤图像分割***,其特征在于,基于权利要求1-4任一项所述的方法进行基于多核学习与超像素核低秩表示的脑肿瘤图像分割。
6.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1-4任一项所述的方法进行基于多核学习与超像素核低秩表示的脑肿瘤图像分割。
7.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-4任一项所述的方法进行基于多核学习与超像素核低秩表示的脑肿瘤图像分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110218072.3A CN112950654B (zh) | 2021-02-26 | 2021-02-26 | 基于多核学习与超像素核低秩表示的脑肿瘤图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110218072.3A CN112950654B (zh) | 2021-02-26 | 2021-02-26 | 基于多核学习与超像素核低秩表示的脑肿瘤图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112950654A CN112950654A (zh) | 2021-06-11 |
CN112950654B true CN112950654B (zh) | 2022-12-06 |
Family
ID=76246469
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110218072.3A Active CN112950654B (zh) | 2021-02-26 | 2021-02-26 | 基于多核学习与超像素核低秩表示的脑肿瘤图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112950654B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113793347B (zh) * | 2021-09-18 | 2023-05-09 | 福建师范大学 | 基于局部-全局自适应信息学习的脑肿瘤mr图像分割方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427296A (zh) * | 2015-11-11 | 2016-03-23 | 北京航空航天大学 | 一种基于超声图像低秩分析的甲状腺病灶图像识别方法 |
CN108664976A (zh) * | 2018-04-25 | 2018-10-16 | 安徽大学 | 一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法 |
CN110232317A (zh) * | 2019-05-05 | 2019-09-13 | 五邑大学 | 基于超像素分割及两阶段分类策略的超光谱图像分类方法 |
CN110930413A (zh) * | 2019-08-13 | 2020-03-27 | 河南理工大学 | 一种基于弱监督多核分类优化合并的图像分割方法 |
-
2021
- 2021-02-26 CN CN202110218072.3A patent/CN112950654B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427296A (zh) * | 2015-11-11 | 2016-03-23 | 北京航空航天大学 | 一种基于超声图像低秩分析的甲状腺病灶图像识别方法 |
CN108664976A (zh) * | 2018-04-25 | 2018-10-16 | 安徽大学 | 一种基于超像素的模糊谱聚类脑肿瘤图像自动分割方法 |
CN110232317A (zh) * | 2019-05-05 | 2019-09-13 | 五邑大学 | 基于超像素分割及两阶段分类策略的超光谱图像分类方法 |
CN110930413A (zh) * | 2019-08-13 | 2020-03-27 | 河南理工大学 | 一种基于弱监督多核分类优化合并的图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112950654A (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109345575B (zh) | 一种基于深度学习的图像配准方法及装置 | |
Birenbaum et al. | Multi-view longitudinal CNN for multiple sclerosis lesion segmentation | |
Miao et al. | Local segmentation of images using an improved fuzzy C-means clustering algorithm based on self-adaptive dictionary learning | |
Puonti et al. | Fast and sequence-adaptive whole-brain segmentation using parametric Bayesian modeling | |
Doshi et al. | Multi-atlas skull-stripping | |
Gerber et al. | Manifold modeling for brain population analysis | |
Birenbaum et al. | Longitudinal multiple sclerosis lesion segmentation using multi-view convolutional neural networks | |
Zhu et al. | Multi-modal AD classification via self-paced latent correlation analysis | |
Wismüller et al. | Fully automated biomedical image segmentation by self-organized model adaptation | |
CN112837274A (zh) | 一种基于多模态多站点数据融合的分类识别方法 | |
WO2010005969A2 (en) | Advanced cost functions for image registration for automated image analysis: multi-channel, hypertemplate and atlas with built-in variability | |
Feng et al. | Supervoxel based weakly-supervised multi-level 3D CNNs for lung nodule detection and segmentation | |
Gutierrez-Becker et al. | Guiding multimodal registration with learned optimization updates | |
CN112927235B (zh) | 基于多尺度超像素与核低秩表示的脑肿瘤图像分割方法 | |
Luo et al. | Segmentation of abdomen MR images using kernel graph cuts with shape priors | |
CN114266726A (zh) | 一种医学图像分割方法、***、终端以及存储介质 | |
Woo et al. | A sparse non-negative matrix factorization framework for identifying functional units of tongue behavior from MRI | |
Zhou et al. | Adaptive weighted locality-constrained sparse coding for glaucoma diagnosis | |
CN112950654B (zh) | 基于多核学习与超像素核低秩表示的脑肿瘤图像分割方法 | |
Zhang et al. | Empowering cortical thickness measures in clinical diagnosis of Alzheimer's disease with spherical sparse coding | |
Lohit et al. | Modified total Bregman divergence driven picture fuzzy clustering with local information for brain MRI image segmentation | |
CN112465118B (zh) | 一种面向医学影像生成的低秩生成式对抗网络构建方法 | |
Xing et al. | Less is more: unsupervised mask-guided annotated CT image synthesis with Minimum manual segmentations | |
Kumaraswamy et al. | Automatic prostate segmentation of magnetic resonance imaging using Res-Net | |
CN107492101B (zh) | 基于自适应构造最优图的多模态鼻咽肿瘤分割算法 |
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 |