CN113470045A - 一种基于超像素统计特征和图注意力网络的口腔cbct图像分割方法 - Google Patents
一种基于超像素统计特征和图注意力网络的口腔cbct图像分割方法 Download PDFInfo
- Publication number
- CN113470045A CN113470045A CN202110666189.8A CN202110666189A CN113470045A CN 113470045 A CN113470045 A CN 113470045A CN 202110666189 A CN202110666189 A CN 202110666189A CN 113470045 A CN113470045 A CN 113470045A
- Authority
- CN
- China
- Prior art keywords
- pixel
- super
- superpixel
- value
- cbct image
- 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
- 238000007408 cone-beam computed tomography Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000003709 image segmentation Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 6
- 210000003128 head Anatomy 0.000 claims description 6
- 210000000214 mouth Anatomy 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 abstract description 16
- 238000012545 processing Methods 0.000 abstract description 6
- 210000000056 organ Anatomy 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000004086 maxillary sinus Anatomy 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
- 230000001575 pathological effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000001356 surgical procedure Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10081—Computed x-ray tomography [CT]
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30036—Dental; Teeth
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种基于超像素统计特征和图注意力网络的口腔CBCT图像分割方法,包括以下步骤:步骤一:CT值初始化;步骤二:超像素分割;步骤三:超像素构图与真值标签设定;步骤四:提取超像素统计特征;步骤五:构建图注意力网络模型;步骤六:训练模型;步骤七:CBCT图像分割。本发明提出了一种分割精度高、运行效率高的的口腔CBCT图像分割方法,降低了口腔CBCT图像目标分割任务的数据处理规模,提高了其分割模型的训练速度。
Description
技术领域
本发明涉及医学图像处理与机器学习领域,特别是指一种面向口腔CBCT的图像分割方法。
背景技术
口腔CBCT图像是牙科医生在牙齿种植时的重要参照,其中的器官分割可用于后续的3D建模及距离测量等手术辅助设计。由于CT设备成像差异、患者器官的病理状况差异等原因,目前口腔CBCT图像中各器官组织分割方法存在精度低、耗时久等问题。2003年Ren等人提出了超像素,所谓超像素,是指具有相似纹理、颜色、亮度等特征的相邻像素构成的图像块。超像素分割是图像处理的重要预处理阶段,可以有效减少后续处理的基本单元数目,提升分割算法的性能和效率。在口腔CBCT图像中,应用超像素分割可以有效发现各器官之间的边界信息、降低分割时间成本。
作为医学图像处理的重要任务之一,医学图像分割是视觉深度学习中一个被广泛研究的方向。传统的医学图像分割方法有阈值法、区域生长和分水岭算法等,基于梯度或灰度的方法;基于深度学习的U-net方法,通过跳级连接和全卷积网络,可以很好地结合图像的低层结构特征和高层语义特征,然而和其他深度学习方法一样,这类方法以像素为基本单位,以卷积层和池化层的堆叠为网络结构,随着深度的增加,训练网络模型的时间也成倍增长,对数据分布非常敏感。超像素分割得到的超像素,可以很好地贴合物体真实边缘,以口腔CBCT图像的超像素结果为图像分割的基本单位,对超像素进行正确地分类以实现图像分割,大大减少了图像分割的时间和复杂度。
发明内容
为了实现口腔CBCT图像的分割,同时提高分割结果的准确度和运行效率,,本发明提出了一种基于超像素统计特征和图注意力网络的口腔CBCT图像分割方法,以CBCT图像的超像素分割为基础,使用图注意力网络,将医学图像分割任务转化为超像素的分类任务,在不损失精度的条件下可以大大缩短网络的训练时间。
本发明解决其技术问题所采用的技术方案是:
一种基于超像素统计特征和图注意力网络的口腔CBCT图像分割方法,包括如下步骤:
步骤一:输入口腔CBCT图像的超像素目标数目K,根据窗宽WW、窗位WL对像素CT值l进行初始化变换:
步骤二:对口腔图像各像素点的CT值l、边缘强度值e和像素空间坐标(x,y)进行归一化映射到区间[0,1],其中e使用Canny算法未经非极大值抑制时的结果,将各像素点表示为一个四维向量pxy=[l,e,x,y],用基于边缘概率的超像素生成算法将口腔CBCT图像划分为K个超像素;
步骤三:将K个超像素表征为图中的K个结点,根据超像素之间的邻接关系构建图的拓扑关系,若超像素Si在图像平面上与超像素Sk接壤,即两超像素的边缘像素之间有相邻像素对存在,则视为这两个超像素为直接邻居,为Sk分配真值标签
步骤四:提取超像素节点的统计特征,将每个超像素Sk的特征表示为一个8维的特征向量:
其中为超像素Sk的平均灰度值,为超像素Sk的内部灰度值方差、为超像素Sk的显著性、为超像素Sk的形心横坐标、为超像素Sk的形心纵坐标、xmin为超像素Sk的最小横坐标、ymin为超像素Sk的最小纵坐标、为超像素Sk包含的像素数量,为超像素Sl的平均灰度值;
步骤五:构建基于超像素的图注意力网络模型,图注意力模块采用L层(L>2),设置中间层为k1个注意力头、输出层为k2个注意力头,其中k1<k2,根据超像素的真实值集合ytrue和预测值集合ypred,计算损失函数Loss并更新网络模型参数:
其中||ypred∩ytrue||为真实值与预测值交集的元素数量,||ypred||为预测集合的元素数量,||ytrue||为真实值集合的元素数量;
步骤六:设置最大迭代步数、学习率和最小批数,用有标签的超像素节点图数据训练基于超像素的图注意力网络,采用5折交叉验证,直到损失函数Loss收敛或达到最大迭代步数;
步骤七:将口腔CBCT图像输入训练好的基于超像素的图注意力网络,预测超像素节点的类别,得到口腔CBCT图像分割结果。
本发明的技术构思为:将口腔CBCT图像的超像素表示为图节点,并以相邻关系构建图的拓扑结构,提取超像素的平均灰度值、内部灰度值方差、显著性、形心坐标等统计特征,训练图注意力网络学习性质不同超像素之间的连接权重,从而完成超像素的分类预测,实现口腔CBCT图像中上颌窦等兴趣区域分割。
本发明的有益效果为:以边缘贴合度良好的超像素为图像分割的基本单位,提出了一种分割精度高、运行效率高的的口腔CBCT图像分割方法,降低了口腔CBCT图像目标分割任务的数据处理规模,提高了其分割模型的训练速度。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1,一种基于超像素统计特征和图注意力网络的口腔CBCT图像分割方法,包括如下步骤:
步骤一:输入口腔CBCT图像的超像素目标数目K,根据窗宽WW、窗位WL对像素CT值l进行初始化变换:
步骤二:对口腔图像各像素点的CT值l、边缘强度值e和像素空间坐标(x,y)进行归一化映射到区间[0,1],其中e使用Canny算法未经非极大值抑制时的结果,将各像素点表示为一个四维向量pxy=[l,e,x,y],用基于边缘概率的超像素生成算法将口腔CBCT图像划分为K个超像素;
步骤三:将K个超像素表征为图中的K个结点,根据超像素之间的邻接关系构建图的拓扑关系,若超像素Si在图像平面上与超像素Sk接壤,即两超像素的边缘像素之间有相邻像素对存在,则视为这两个超像素为直接邻居,为Sk分配真值标签
步骤四:提取超像素节点的统计特征,将每个超像素Sk的特征表示为一个8维的特征向量:
其中为超像素Sk的平均灰度值,为超像素Sk的内部灰度值方差、为超像素Sk的显著性、为超像素Sk的形心横坐标、为超像素Sk的形心纵坐标、xmin为超像素Sk的最小横坐标、ymin为超像素Sk的最小纵坐标、为超像素Sk包含的像素数量,为超像素Sl的平均灰度值;
步骤五:构建基于超像素的图注意力网络模型,图注意力模块采用L层(L>2),设置中间层为k1个注意力头、输出层为k2个注意力头,其中k1<k2,根据超像素的真实值集合ytrue和预测值集合ypred,计算损失函数Loss并更新网络模型参数:
其中||ypred∩ytrue||为真实值与预测值交集的元素数量,||ypred||为预测集合的元素和,||ytrue||为真实值集合的元素数量;
步骤六:设置最大迭代步数、学习率和最小批数,用有标签的超像素节点图数据训练基于超像素的图注意力网络,采用5折交叉验证,直到损失函数Loss收敛或达到最大迭代步数;
步骤七:将口腔CBCT图像输入训练好的基于超像素的图注意力网络,预测超像素节点的类别,得到口腔CBCT图像分割结果。
如上所述,本专利实施的具体实现步骤使本发明更加清晰。在本发明的精神和权利要求的保护范围内,对本发明做出的任何修改和改变,都落入本发明的保护范围。
Claims (1)
1.一种基于超像素统计特征和图注意力网络的口腔CBCT图像分割方法,其特征在于:所述方法包括如下步骤:
步骤一:输入口腔CBCT图像的超像素目标数目K,根据窗宽WW、窗位WL对像素CT值l进行初始化变换:
步骤二:对口腔图像各像素点的CT值l、边缘强度值e和像素空间坐标(x,y)进行归一化映射到区间[0,1],其中e使用Canny算法未经非极大值抑制时的结果,将各像素点表示为一个四维向量pxy=[l,e,x,y],用基于边缘概率的超像素生成算法将口腔CBCT图像划分为K个超像素;
步骤三:将K个超像素表征为图中的K个结点,根据超像素之间的邻接关系构建图的拓扑关系,若超像素Si在图像平面上与超像素Sk接壤,即两超像素的边缘像素之间有相邻像素对存在,则视为这两个超像素为直接邻居,为Sk分配真值标签
步骤四:提取超像素节点的统计特征,将每个超像素Sk的特征表示为一个8维的特征向量:
其中为超像素Sk的平均灰度值,为超像素Sk的内部灰度值方差、为超像素Sk的显著性、为超像素Sk的形心横坐标、为超像素Sk的形心纵坐标、xmin为超像素Sk的最小横坐标、ymin为超像素Sk的最小纵坐标、为超像素Sk包含的像素数量,为超像素Sl的平均灰度值;
步骤五:构建基于超像素的图注意力网络模型,图注意力模块采用L层(L>2),设置中间层为k1个注意力头、输出层为k2个注意力头,其中k1<k2,根据超像素的真实值集合ytrue和预测值集合ypred,计算损失函数Loss并更新网络模型参数:
其中||ypred∩ytrue||为真实值与预测值交集的元素数量,||ypred||为预测集合的元素数量,||ytrue||为真实值集合的元素数量;
步骤六:设置最大迭代步数、学习率和最小批数,用有标签的超像素节点图数据训练基于超像素的图注意力网络,采用5折交叉验证,直到损失函数Loss收敛或达到最大迭代步数;
步骤七:将口腔CBCT图像输入训练好的基于超像素的图注意力网络,预测超像素节点的类别,得到口腔CBCT图像分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110666189.8A CN113470045B (zh) | 2021-06-16 | 2021-06-16 | 一种基于超像素统计特征和图注意力网络的口腔cbct图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110666189.8A CN113470045B (zh) | 2021-06-16 | 2021-06-16 | 一种基于超像素统计特征和图注意力网络的口腔cbct图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113470045A true CN113470045A (zh) | 2021-10-01 |
CN113470045B CN113470045B (zh) | 2024-04-16 |
Family
ID=77870255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110666189.8A Active CN113470045B (zh) | 2021-06-16 | 2021-06-16 | 一种基于超像素统计特征和图注意力网络的口腔cbct图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113470045B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109741341A (zh) * | 2018-12-20 | 2019-05-10 | 华东师范大学 | 一种基于超像素和长短时记忆网络的图像分割方法 |
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN109875863A (zh) * | 2019-03-14 | 2019-06-14 | 河海大学常州校区 | 基于双目视觉与脑力影像训练的头戴式vr视力提升*** |
CN110717956A (zh) * | 2019-09-30 | 2020-01-21 | 重庆大学 | 一种有限角投影超像素引导的l0范数最优化重建方法 |
-
2021
- 2021-06-16 CN CN202110666189.8A patent/CN113470045B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019104767A1 (zh) * | 2017-11-28 | 2019-06-06 | 河海大学常州校区 | 基于深度卷积神经网络与视觉显著性的织物缺陷检测方法 |
CN109741341A (zh) * | 2018-12-20 | 2019-05-10 | 华东师范大学 | 一种基于超像素和长短时记忆网络的图像分割方法 |
CN109875863A (zh) * | 2019-03-14 | 2019-06-14 | 河海大学常州校区 | 基于双目视觉与脑力影像训练的头戴式vr视力提升*** |
CN110717956A (zh) * | 2019-09-30 | 2020-01-21 | 重庆大学 | 一种有限角投影超像素引导的l0范数最优化重建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113470045B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Masood et al. | A survey on medical image segmentation | |
CN109741341B (zh) | 一种基于超像素和长短时记忆网络的图像分割方法 | |
JP5771442B2 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
CN113313810B (zh) | 一种透明物体的6d姿态参数计算方法 | |
CN112419344B (zh) | 一种基于Chan-Vese模型的无监督图像分割方法 | |
CN112634149B (zh) | 一种基于图卷积网络的点云去噪方法 | |
CN110853064B (zh) | 一种基于最小模糊散度的图像协同分割方法 | |
JP2006302291A (ja) | 画像データセット内のオブジェクトをセグメント化する方法及びシステム | |
CN110853070A (zh) | 基于显著性与Grabcut的水下海参图像分割方法 | |
CN111242956A (zh) | 基于U-Net超声胎心和胎肺深度学习联合分割方法 | |
CN114170244A (zh) | 一种基于级联神经网络结构的脑胶质瘤分割方法 | |
CN111815593B (zh) | 基于对抗学习的肺结节域适应分割方法、装置及存储介质 | |
Reddy et al. | A hybrid K-means algorithm improving low-density map-based medical image segmentation with density modification | |
CN112419330B (zh) | 一种基于空间相对位置先验的颞骨关键解剖结构自动定位方法 | |
CN114049531A (zh) | 一种基于弱监督人体协同分割的行人再识别方法 | |
CN112348826B (zh) | 一种基于测地线距离和V-net的交互式肝脏分割方法 | |
CN113470054A (zh) | 一种基于边缘概率的口腔cbct超像素生成方法 | |
CN112801970A (zh) | 一种乳腺超声图像肿瘤分割方法 | |
CN113470045B (zh) | 一种基于超像素统计特征和图注意力网络的口腔cbct图像分割方法 | |
Ibánez et al. | Genetic approaches for topological active nets optimization | |
Ghosh et al. | Robust simultaneous registration and segmentation with sparse error reconstruction | |
CN116109656A (zh) | 一种基于无监督学习的交互式图像分割方法 | |
CN112785608B (zh) | 一种基于自适应参数改进snic的医学图像分割方法 | |
CN114913164A (zh) | 基于超像素的两阶段弱监督新冠病灶分割方法 | |
CN114445618A (zh) | 一种跨模态交互rgb-d图像显著区域检测方法 |
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 |