CN1556502A - 动态影像序列分割方法 - Google Patents
动态影像序列分割方法 Download PDFInfo
- Publication number
- CN1556502A CN1556502A CNA2004100156764A CN200410015676A CN1556502A CN 1556502 A CN1556502 A CN 1556502A CN A2004100156764 A CNA2004100156764 A CN A2004100156764A CN 200410015676 A CN200410015676 A CN 200410015676A CN 1556502 A CN1556502 A CN 1556502A
- Authority
- CN
- China
- Prior art keywords
- image
- sequence
- dynamic
- segmenting
- processing object
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000000638 solvent extraction Methods 0.000 title 1
- 230000011218 segmentation Effects 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005192 partition Methods 0.000 abstract description 6
- 238000000926 separation method Methods 0.000 abstract 1
- 230000010412 perfusion Effects 0.000 description 20
- 230000002792 vascular Effects 0.000 description 15
- 210000004204 blood vessel Anatomy 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000005481 NMR spectroscopy Methods 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 230000036770 blood supply Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 201000008968 osteosarcoma Diseases 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
一种动态影像序列分割方法,属于图像处理领域。方法如下:确定处理对象的边界,得到区分处理对象与图像背景的模板;将动态序列中所有图像的背景分割掉,避免背景因素干扰;构造处理对象区域中所有像素点的灰度平均值序列为基准时间强度曲线;利用线性相关系数构造动态序列的综合特征图像;分割综合特征图像得到分割结果图像;从分割结果图像选择感兴趣区域;对分割结果图像中的感兴趣区域的每一块划分,以动态序列的第一帧图像灰度信息进行填充,然后,该划分的范围内分割该部分图像,得到该划分内的加细分割结果;将加细分割结果进行拼装,得到最终结果图像。本发明充分利用动态影像序列中的有效信息,从而实现对动态影像序列准确分割的目的。
Description
技术领域
本发明涉及一种动态影像序列分割方法,特别是一种利用线性相关系数对动态影像序列进行分割的方法。属于图像处理领域。
技术背景
动态影像序列是指对于同一功能位置连续采集一段时间段内不同时刻的影像构成的序列,如核磁共振设备采集的动态增强序列和血管灌注序列。动态影像序列反映了处理对象在时间段内的影像变化情况。动态序列的基本构成单位是每一像素点在不同时刻的灰度值构成的时间强度变化曲线。因此,对动态影像序列的分割有别于对普通图像的分割。动态影像序列的最后分割结果应该不仅反映处理对象的影像灰度信息,也要能够综合时间反映动态影像序列中全部时间强度变化曲线中隐藏的功能信息。
经文献检索发现,J.Rogowska,K.Preston,and G.Hunter.在IEEETransactions on Medical Imaging,(《IEEE医学影像汇刊》)14(3):480-486,September 1995上发表的“Applications of similarity mapping in dynamic mri”(相似性映射在动态MRI序列中的应用)一文,该文提出利用线性相关系数对动态MRI序列进行分析,即计算动态影像序列相关感兴趣区域内各点的时间强度变化曲线与基准时间强度变化曲线之间的线性相关系数,从而产生该区域所有位置的相关系数值构成的结果图像。但是该项技术有以下两个缺点:(1)线性相关系数计算结果可用于衡量两支曲线的线性相似程度,但在相关系数计算结果值为极小的时候,比如,计算A、B时间强度曲线与基准曲线所得线性相关系数的结果数值均小,表示A、B时间强度曲线均与基准曲线的线性相似度低,但不能说明A、B时间强度曲线之间的线性相似程度就高。而该方法的结果图像中这种差异性被忽略了。(2)结果图像综合反映了动态影像序列的时间强度曲线特征,但忽略了该动态影像序列的原始影像特征,造成有效信息的缺失。
发明内容
本发明针对背景技术的不足之处,提出一种动态影像序列分割方法,使其能够充分利用动态影像序列中的有效信息,包括其时间强度曲线所反映的功能信息和原始影像灰度信息,从而实现对动态影像序列准确分割的目的。
本发明是通过以下技术方案实现的,方法步骤如下:
步骤一:利用动态影像序列的第一帧图像的灰度信息,确定处理对象的边界,从而得到区分处理对象与图像背景的模板。
步骤二:根据步骤一确定的处理对象与背景位置的模板,去掉动态影像序列中各帧图像的背景部分,这样可以避免背景因素在以下步骤中可能产生的干扰。
步骤三:由步骤二中所确定的处理对象区域中所有像素点的灰度平均值序列构造基准时间强度曲线。
步骤四:以步骤三所得到的基准时间强度曲线,构造由线性相关系数表现的动态影像序列的综合特征图像。
步骤五:分割步骤四中的所得综合特征图像得到分割结果图像。
步骤六:从步骤五得到的分割结果图像选择特定的划分组合构成感兴趣区域。
步骤七:对分割结果图像中的感兴趣区域的每一块划分,以动态序列的第一帧图像对应区域的灰度信息进行填充。然后,在该划分的范围内分割图像,得到该划分内的加细分割结果。
步骤八:将步骤七所得的所有划分的加细分割结果按照步骤六中的区域位置进行拼装,得到最终结果图像。
以下对本发明作进一步的说明,具体内容如下:
所述的步骤四,具体为:
(1)构造研究对象区域中所有像素点的时间强度曲线与步骤三中构造的基准时间强度曲线之间的线性相关系数矩阵。
(2)由(1)所得的线性相关系数矩阵构造综合特征图像。该图像综合了动态序列中有效位置的所有时间强度曲线的特征。
所述的步骤五,具体为:
(1)对分割结果图像进行对比度增强操作,获得对应的对比度增强图像。
(2)利用分水岭算法分割(1)中所得的对比度增强图像。
本发明方法主要具有以下特点和作用:(1)提供了综合表现时间强度变化曲线的手段,其最终结果综合了动态影像序列中隐藏的功能信息。(2)不仅综合了时间强度变化曲线的特征,而且综合了动态序列中原始采集的图像灰度信息,其最终结果是全面利用动态影像序列信息所得的结果。(3)是对动态影像序列的全面的半自动分割方法。本发明适用于对处理对象按时间段进行连续图像采集以反映处理对象功能的场合,如核磁共振设备采集的动态增强序列和血管灌注序列。
具体实施方式
结合本发明方法的具体内容提供以下实施例:
核磁共振设备采集的血管灌注影像序列是动态影像序列的一种。血管灌注影像序列中像素点的时间强度曲线(即血管灌注曲线)反映了对应生理位置的血管灌注功能。实际应用中,医生通过选择生理位置,观察对应位置的血管灌注曲线的变化情况,确定该位置的生理特性;但目前缺乏全面的自动的反映综合所有血管灌注曲线特征和血管灌注序列影像灰度特征的方法。本发明可以应用在这种场合。
血管灌注序列病例影像为某某医院利用马可尼医疗设备公司1.5T核磁共振影像设备(Eclipse 1.5T,Marconi Medical Systems,Inc,)采集的17岁男孩的腿部(含骨肉瘤)的血管灌注序列。
运行本发明方法的设备为普通个人计算机,其具体配置为P41.8G,256M内存,80G硬盘。发明方法的具体实现平台为Windows2000下的Matlab计算平台。
具体实施情况如下:
步骤1、确定骨肉瘤血管灌注影像序列的背景:
(1)利用Sobel算子对血管灌注序列第一幅图像进行边界检测。
(2)利用形态学的膨胀操作完成边界连接为封闭边界。
(3)去掉边界内部的孔隙,以及与边界连接的可能物体。
(4)利用形态学的腐蚀操作进行边界平滑,得到了区分背景与生理位置的二值图。对应生理位置区域设为ROI(处理对象区域)。
步骤2利用步骤1(4)中的二值图为模板,应用到整个血管灌注序列中,去除血管灌注序列中所有图像的背景。
步骤3计算基准时间强度曲线:
利用去除背景后的整个生理结构区域ROI的影像中所有像素点的灰度平均值构成的时间强度曲线作为基准时间强度曲线,计算公式为:
其中,
Aijt 为血管灌注影像序列A1、A2......AT中第t幅图像At中的
(i,j)位置对像素的灰度值。
(i,j)∈ROI;t=1,2,......T;
ROI 为步骤1.4中得到的生理位置区域。
T 为血管灌注影像序列中图像的总帧数;
μAt 为血管灌注影像序列中第t幅图像At的ROI区域中的所有像
素的灰度平均值。
步骤4、构造综合特征图像:
(1)计算影像中所有有效像素点位置的标准化线性相关系数,构造线性相关系数矩阵。
标准化计算线性相关系数的公式为
其中,
NCOR11 为所求标准化线性相关系数。
μA 为序列μA1,μA2,......μAT的平均值。
其余参数同公式①中的说明。
(2)由线性相关系数矩阵转换为每一像素点灰度值的构造综合特征图像。
由于标准化线性相关系数的取值范围为(-1,1),为获得综合特征图像,需要将标准化计算线性相关系数映射成为可显示图像灰度范围。映射公式为:
其中,
[k1,k2]-为步骤4(1)中实际计算所得到的标准化线性相关系数的取值范围。
k-为对应像素点的标准化线性相关系数值。
I(k)-为利用公式③转换所得的对应像素点所得灰度值。
步骤5、利用改进的分水岭算法分割综合特征图像,得到分割结果图像:
(1)对分割结果图像进行对比度增强操作,获得对应的对比度增强图像
①以步骤2所得的中间结果图像为本步骤的原始图像。计算形态学的“头帽”图像和“底帽”图像。
②计算对比度增强图像,计算公式为:
对比度增强图像=-(原始图像+头帽图像-底帽图像)
(2)利用分水岭算法分割对比度增强图像。
所得分割结果的每一分块为与基准时间强度曲线的线性相似度相近的区域。由于血管灌注曲线的功能特性,每一区域反映的血供情况基本相同。步骤5(1)及步骤5(2)中组成了改进的分水岭算法。
步骤6、由临床影像学医生从步骤5中的分割结果图像选取所有可能包含肿瘤病变区的分块,共同组成待进一步研究的敏感区域。
步骤7、利用该血管灌注序列的第一幅图像灰度信息填充步骤6步中所得的整个敏感区域的每一划分。然后,对每一划分所对应影像区域继续使用改进的分水岭算法进行加细分割。
步骤8、将第7步所得所有加细分割结果按原对应位置拼接起来,就可以得到对敏感区域内部的加细分割结果,为最终结果图像。
本发明方法取得了较好的实施效果:最终结果图像显示出了对敏感区域内部的分割结果,该分割结果综合了血管灌注序列反映的生理组织的血供功能信息和该对应位置的原始采集的影像灰度信息。
Claims (4)
1、一种动态影像序列分割方法,其特征在于,方法步骤如下:
步骤一:利用动态序列的第一帧图像的灰度信息,确定处理对象的边界,从而得到区分处理对象与图像背景的模板;
步骤二:根据步骤一确定的处理对象与背景的位置模板,将动态序列中所有图像的背景分割掉,避免背景因素在下面的步骤中的干扰;
步骤三:构造步骤二中所确定的处理对象区域中所有像素点的灰度平均值序列为基准时间强度曲线;
步骤四:利用线性相关系数构造动态序列的综合特征图像;
步骤五:分割步骤四中的所得综合特征图像得到分割结果图像;
步骤六:从步骤五得到的分割结果图像选择感兴趣区域;
步骤七:对分割结果图像中的感兴趣区域的每一块划分,以动态序列的第一帧图像灰度信息进行填充,然后,该划分的范围内分割该部分图像,得到该划分内的加细分割结果;
步骤八:将步骤七所得的所有划分的加细分割结果按照步骤六中所在区域的位置进行拼装,得到最终结果图像。
2、根据权利要求1所述的动态影像序列分割方法,其特征是,所述的步骤四,利用线性相关系数构造动态序列的综合特征图像具体为:
(1)构造处理对象区域中所有像素点的时间强度曲线与步骤三中构造的基准时间强度曲线之间的线性相关系数矩阵;
(2)由(1)所得的线性相关系数矩阵构造综合特征图像,该图像综合了动态序列中有效位置的所有时间强度曲线的特征。
3、根据权利要求1所述的动态影像序列分割方法,其特征是,所述的步骤五,分割步骤四中的所得综合特征图像得到分割结果图像具体为:
(1)对分割结果图像进行对比度增强操作,获得对应的对比度增强图像
(2)利用分水岭算法分割(1)中所得的对比度增强图像。
4、根据权利要求1所述的动态影像序列分割方法,其特征是,步骤六中,兴趣区域默认为处理对象所在的整个区域,或者是实际选择的感兴趣区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2004100156764A CN1556502A (zh) | 2004-01-08 | 2004-01-08 | 动态影像序列分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2004100156764A CN1556502A (zh) | 2004-01-08 | 2004-01-08 | 动态影像序列分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN1556502A true CN1556502A (zh) | 2004-12-22 |
Family
ID=34351467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2004100156764A Pending CN1556502A (zh) | 2004-01-08 | 2004-01-08 | 动态影像序列分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1556502A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104899856A (zh) * | 2014-03-07 | 2015-09-09 | 腾讯科技(深圳)有限公司 | 图像处理方法及装置 |
CN105139410A (zh) * | 2015-09-11 | 2015-12-09 | 浙江工商大学 | 使用空间截面投影的脑肿瘤mri图像分割算法 |
CN105167798A (zh) * | 2015-10-21 | 2015-12-23 | 穆亚平 | 一种冠状动脉cta影像中提取血管方法 |
CN106898013A (zh) * | 2009-06-19 | 2017-06-27 | 卡尔斯特里姆保健公司 | 量化龋齿的方法 |
-
2004
- 2004-01-08 CN CNA2004100156764A patent/CN1556502A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106898013A (zh) * | 2009-06-19 | 2017-06-27 | 卡尔斯特里姆保健公司 | 量化龋齿的方法 |
CN104899856A (zh) * | 2014-03-07 | 2015-09-09 | 腾讯科技(深圳)有限公司 | 图像处理方法及装置 |
CN104899856B (zh) * | 2014-03-07 | 2018-11-27 | 清华大学 | 图像处理方法及装置 |
CN105139410A (zh) * | 2015-09-11 | 2015-12-09 | 浙江工商大学 | 使用空间截面投影的脑肿瘤mri图像分割算法 |
CN105139410B (zh) * | 2015-09-11 | 2017-11-10 | 浙江工商大学 | 使用空间截面投影的脑肿瘤mri图像分割方法 |
CN105167798A (zh) * | 2015-10-21 | 2015-12-23 | 穆亚平 | 一种冠状动脉cta影像中提取血管方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | A new approach for medical image enhancement based on luminance-level modulation and gradient modulation | |
CN105719295B (zh) | 一种基于三维超体素的颅内出血区域分割方法及*** | |
CN112132166B (zh) | 一种数字细胞病理图像智能分析方法、***及装置 | |
CN112991365B (zh) | 一种冠状动脉分割方法、***及存储介质 | |
CN1912927A (zh) | 肺部ct图像病灶半自动分割方法 | |
CN113379773B (zh) | 基于双重注意力机制的分割模型建立、分割方法及装置 | |
Bandyopadhyay | Pre-processing of mammogram images | |
CN111242956A (zh) | 基于U-Net超声胎心和胎肺深度学习联合分割方法 | |
CN113420826A (zh) | 一种肝脏病灶图像处理***及图像处理方法 | |
CN101059869A (zh) | 在数字冠脉造影图像中分割血管数据的方法 | |
JP2012245085A (ja) | 画像処理プログラム、方法及び装置 | |
Na'am | Edge detection on objects of medical image with enhancement multiple morphological gradient method | |
CN114565557A (zh) | 一种基于坐标注意力的对比增强能谱摄影分类方法及装置 | |
Anitha et al. | A segmentation technique to detect the Alzheimer's disease using image processing | |
Vidyasaraswathi et al. | Review of various histogram based medical image enhancement techniques | |
CN1556502A (zh) | 动态影像序列分割方法 | |
Liu et al. | TrEnD: A transformer‐based encoder‐decoder model with adaptive patch embedding for mass segmentation in mammograms | |
CN116258848A (zh) | 基于迁移学习和注意力机制的新冠病毒ct图像分割方法 | |
Noviana et al. | Axial segmentation of lungs CT scan images using canny method and morphological operation | |
Zhao et al. | Automated breast lesion segmentation from ultrasound images based on ppu-net | |
Subashini et al. | Pectoral muscle removal and detection of masses in digital mammogram using CCL | |
CN113743500A (zh) | 一种基于人工智能的超声图像改进方法 | |
Macho et al. | Segmenting Teeth from Volumetric CT Data with a Hierarchical CNN-based Approach. | |
CN113222009A (zh) | 一种基于甲状腺超声视频估算结节纵横比的方法 | |
Wu et al. | Deep neural networks for semantic segmentation of lung nodules |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |