[發(fā)明專利]一種結(jié)合濾波算法深度挖掘海馬硬化放射組學(xué)特征的方法在審
| 申請(qǐng)?zhí)枺?/td> | 202210759920.6 | 申請(qǐng)日： | 2022-06-29 |
| 公開（公告）號(hào)： | CN115131319A | 公開（公告）日： | 2022-09-30 |
| 發(fā)明（設(shè)計(jì)）人： | 康桂霞;歐陽莫微;趙國(guó)光;魏鵬虎 | 申請(qǐng)（專利權(quán)）人： | 北京郵電大學(xué) |
| 主分類號(hào)： | G06T7/00 | 分類號(hào)： | G06T7/00;G06T7/11;G06T7/45;G06T5/20;G06T5/00;G06N3/04;G06F17/14 |
| 代理公司： | 北京挺立專利事務(wù)所(普通合伙) 11265 | 代理人： | 高福勇 |
| 地址： | 100876 *** | 國(guó)省代碼： | 北京;11 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關(guān)鍵詞： | 一種 結(jié)合 濾波 算法 深度 挖掘 海馬 硬化 放射 特征 方法 | ||
1.一種結(jié)合濾波算法深度挖掘海馬硬化放射組學(xué)特征的方法，其特征在于，包括以下步驟：
S1、圖像預(yù)處理：
S11、所有T1圖像進(jìn)行重采樣；
S12、每個(gè)受試樣本進(jìn)行強(qiáng)度歸一化操作；
S13、對(duì)所有影像中的顱骨結(jié)構(gòu)進(jìn)行去除，生成預(yù)處理后的T1圖像用于步驟S2放射組學(xué)特征提取；
S14、對(duì)該生成的圖像進(jìn)行皮質(zhì)重建和皮下組織分割，保留分割結(jié)果中對(duì)應(yīng)左側(cè)海馬和右側(cè)海馬的區(qū)域作為步驟S2放射組學(xué)特征提取階段的ROI；
S2、放射組學(xué)特征提取：
S21、對(duì)S13預(yù)處理后的T1圖像分別進(jìn)行小波濾波和LoG濾波，得到小波濾波衍生圖像和LoG濾波衍生圖像；
S22、在步驟S14的海馬ROI上共提取72種放射組學(xué)特征，其中從灰度直方圖中提取12種一階統(tǒng)計(jì)量特征，從ROI結(jié)構(gòu)中提取了8種形狀特征，從灰度共生矩陣提取21種高階紋理特征，從灰度游程矩陣提取13種高階紋理特征，從灰度區(qū)域大小矩陣提取13種高階紋理特征，從鄰域灰度差矩陣提取5種紋理特征；
S23、基于T1圖像、小波濾波衍生圖像和LoG濾波衍生圖像上的海馬ROI區(qū)域分別進(jìn)行以上72種放射組學(xué)特征提取，得到一階統(tǒng)計(jì)量特征、形狀特征和紋理特征；
S3、特征篩選：
S31、首先采用Z-Score歸一化算法對(duì)每類特征進(jìn)行歸一化處理；
S32、采用雙樣本T檢驗(yàn)計(jì)算每種放射組學(xué)特征在健康海馬與患病海馬間的差異；
S33、對(duì)每組放射組學(xué)特征分別進(jìn)行特征間相關(guān)性分析，計(jì)算兩兩特征的皮爾遜相關(guān)系數(shù)，保留與其余特征相關(guān)性之和更低的特征。
2.根據(jù)權(quán)利要求1所述的結(jié)合濾波算法深度挖掘海馬硬化放射組學(xué)特征的方法，其特征在于，步驟S11每個(gè)體素被重采樣為1mm×1mm×1mm大小。
3.根據(jù)權(quán)利要求1所述的結(jié)合濾波算法深度挖掘海馬硬化放射組學(xué)特征的方法，其特征在于，步驟S12中強(qiáng)度歸一化操作具體為：先采用White Strip歸一化算法進(jìn)行歸一化處理，然后采用Z-Score算法將圖像灰度分布縮放在均值為0、方差為1的范圍內(nèi)。
4.根據(jù)權(quán)利要求1所述的結(jié)合濾波算法深度挖掘海馬硬化放射組學(xué)特征的方法，其特征在于，步驟S14采用Freesurfer工具的recon-all指令進(jìn)行皮質(zhì)重建和皮下組織分割。
5.根據(jù)權(quán)利要求1所述的結(jié)合濾波算法深度挖掘海馬硬化放射組學(xué)特征的方法，其特征在于，步驟S21小波濾波衍生圖像的生成方法為：
對(duì)T1圖像進(jìn)行離散小波變換，使用小波核對(duì)目標(biāo)函數(shù)進(jìn)行卷積運(yùn)算，獲得小波在不同尺度和方向上的小波系數(shù)，一維離散小波變換公式表示為：
其中，系數(shù)x_li(n)和x_hi(n)分別表示離散信號(hào)x(n)在分解級(jí)別i處的低通和高通分量，lp(m)和hp(m)分別表示低通和高通濾波器系數(shù)，Ni表示分解級(jí)別i處的分量信號(hào)長(zhǎng)度；
對(duì)于T1圖像執(zhí)行單級(jí)三維離散小波變換：假設(shè)T1圖像表示為X(x，y，z)，首先沿圖像x軸方向進(jìn)行逐行小波分解，得到x軸上的低通衍生圖像和高通衍生圖像，然后基于低通衍生圖像和高通衍生圖像繼續(xù)沿y軸方向進(jìn)行分解，分別得到y(tǒng)軸上的低通衍生圖像和高通衍生圖像，最后再沿z軸方向進(jìn)行分解，最后共得到8個(gè)分解的小波濾波衍生圖像。
6.根據(jù)權(quán)利要求1所述的結(jié)合濾波算法深度挖掘海馬硬化放射組學(xué)特征的方法，其特征在于，步驟S21中LoG濾波衍生圖像的生成方法為：
先將高斯平滑濾波器與拉普拉斯濾波器進(jìn)行卷積，得到混合濾波器，然后再將混合濾波器與圖像進(jìn)行卷積，使用逼近二階導(dǎo)數(shù)的離散卷積內(nèi)核通過卷積方式計(jì)算拉普拉斯算子，拉普拉斯算子公式表示為：
其中，I表示輸入T1圖像I(x，y，z)，x，y，z表示圖像中的坐標(biāo)；
對(duì)三維圖像進(jìn)行LoG濾波，其中高斯核定義為：
其中，x、y、z分別為圖片像素在三維T1圖像中的位置，σ為高斯標(biāo)準(zhǔn)差。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于北京郵電大學(xué)，未經(jīng)北京郵電大學(xué)許可，擅自商用是侵權(quán)行為。如果您想購(gòu)買此專利、獲得商業(yè)授權(quán)和技術(shù)合作，請(qǐng)聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202210759920.6/1.html，轉(zhuǎn)載請(qǐng)聲明來源鉆瓜專利網(wǎng)。
