CN104318232B - 基于图像处理的椎间盘自动定位方法 - Google Patents
基于图像处理的椎间盘自动定位方法 Download PDFInfo
- Publication number
- CN104318232B CN104318232B CN201410546514.7A CN201410546514A CN104318232B CN 104318232 B CN104318232 B CN 104318232B CN 201410546514 A CN201410546514 A CN 201410546514A CN 104318232 B CN104318232 B CN 104318232B
- Authority
- CN
- China
- Prior art keywords
- image
- interverbebral disc
- interverbebral
- automatic positioning
- positioning method
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明公开了一种基于图像处理的椎间盘自动定位方法，其特征在于按照以下步骤进行：1输入椎间盘图像,通过图像预处理获取样本图像；2采用m个尺度n个方向的2D‑Gabor滤波器对所述样本图像进行滤波处理；3从滤波后的图像中分别抽取反映椎间盘特点的图像和只反映背景噪声的图像，各自叠加并取平均值后做差，然后采用二值化法与中值滤波法来提取目标；4根据步骤3所得结果采用聚类算法确定出椎间盘的位置。显著效果是：采用了形状滤波的方式，取得的结果更加准确清晰，对非椎间盘信息的抗干扰能力强；即使有某一个椎间盘的定位出错，也只是稍有偏移，对后面椎间盘的定位不会产生太大影响，整个系统鲁棒性较高。
Description
技术领域
本发明涉及到临床医学技术领域，具体地说，是一种基于图像处理的椎间盘自动定位方法。
背景技术
椎间盘的自动定位对临床医学有着重要意义，而对于椎间盘的定位，目前主要分为两个方向，全自动的定位椎间盘和通过人机交互方式的半自动的定位椎间盘。手动定位的方式十分常耗时耗力，无疑会浪费医生大量时间，因此医学临床上迫切的需要一种方法能够自动定位椎间盘。但由于临床应用所要求的准确性，现在大部分的研究工作还集中在半自动的定位方式上。
目前，胸椎和腰椎己经有了自动定位的算法，但是常常受到其他非椎间盘的噪声的干扰，使得椎间盘的识别准确率并不高。
发明内容
针对现有技术的不足，本发明的目的是提供一种能够有效地去除其他非椎间盘的噪声的干扰，具有较高识别准确性的椎间盘自动定位方法。
为达到上述目的，本发明表述一种基于图像处理的椎间盘自动定位方法，其关键在于按照以下步骤进行：
步骤1：输入椎间盘图像,通过图像预处理获取样本图像；
步骤2：采用m个尺度n个方向的2D-Gabor滤波器对所述样本图像进行滤波处理；
步骤3：从滤波后的图像中分别抽取反映椎间盘特点的图像和只反映背景噪声的图像，各自叠加并取平均值后做差，然后采用二值化法与中值滤波法来提取目标；
步骤4：根据步骤3所得结果采用聚类算法确定出椎间盘的位置。
利用椎间盘的形状特点和Gabor滤波器形状滤波的特点，步骤2中所述的2D-Gabor滤波器所采用的Gabor核函数为：
其中：
σx为x方向的高斯函数带宽，σy为y方向的高斯函数带宽；
表示第u个方向的方向参数，u＝1～n，表示第v个尺度的频率参数，v＝1～m,kmax是频率上限，f是滤波器的间隔因子，i为虚数单位。
作为优选，
由于原图尺寸较大，如果直接处理，算法计算量大，拖延了处理时间，因此，步骤1中的图像预处理是先将MRI脊柱图像重置为大小为512*512的灰度图像；然后以255行，第200列为中心截取392*260大小的图像。
根据所选择的图像大小以及对图像识别的精度要求，2D-Gabor滤波器通常所选择的尺度和方向参数为m＝3～8，n＝5～16。
本发明的显著效果是：对比于其他定位算法，如分水岭等，本发明采用了形状滤波的方式，取得的结果更加准确清晰，对非椎间盘信息的抗干扰能力强；在定位过程中，即使有某一个椎间盘的定位出错，也只是稍有偏移，对后面椎间盘的定位不会产生太大影响，整个系统鲁棒性较高；同时还具有非监督、全自动的优点。
附图说明
图1是本发明的方法步骤图；
图2是MRI脊柱图像样本图；
图3是5个尺度，8个方向的2D-Gabor滤波器组的形态结构图；
图4是5个尺度，16个方向的2D-Gabor滤波器组的形态结构图；
图5是从滤波结果中提取目标的效果图；
图6是从滤波结果中提取小椎间盘的效果图；
图7是利用聚类算法计算椎间盘位置的效果图；
图8是利用小波系数分布图计算椎间盘位置的效果图；
图9是椎间盘定位结果示意图。
具体实施方式
下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。
如图1所示，一种基于图像处理的椎间盘自动定位方法，按照以下步骤进行：
步骤1：输入椎间盘图像,通过图像预处理获取样本图像。
本例中先将图2所示的MRI脊柱图像重置为大小为512*512的灰度图像；然后以255行，第200列为中心截取392*260大小的图像，从而减小处理对象，提高处理速度。
步骤2：采用m个尺度n个方向的2D-Gabor滤波器对所述样本图像进行滤波处理，通常m＝3～8，n＝5～16。
图3所示为5个尺度，8个方向的2D-Gabor滤波器组的形态结构图，图4所示为5个尺度，16个方向的2D-Gabor滤波器组的形态结构图，在具体实施过程中，可以根据所选对象的大小以及对图像识别的精度需求确定具体的尺度数目和方向数目。
在本例中，选用了5个尺度，16个方向的2D-Gabor滤波器组，所采用的Gabor核函数为：
其中：
σx为x方向的高斯函数带宽，σy为y方向的高斯函数带宽；
表示第u个方向的方向参数，u＝1～5，表示第v个尺度的频率参数，v＝1～16,kmax是频率上限，取f是滤波器的间隔因子，取i为虚数单位，
由于椎间盘基本是水平的，与水平面的夹角变化约在10度左右，选取16方向滤波函数能较好地提取到椎间盘的信息，因此，本例中选择了5个尺度16个方向的2D-Gabor滤波，具有80个滤波器，从而可以得到80幅经2D-Gabor滤波后的图像。
步骤3：从滤波后的图像中分别抽取反映椎间盘特点的图像和只反映背景噪声的图像，各自叠加并取平均值后做差，然后采用二值化法与中值滤波法来提取目标；
在80副滤波后的图像中，虽然一些图片可以提取到椎间盘的信息，但同时也会引进一些干扰噪声，为更好地去处这些噪声，从滤波后图像中分别抽取反映椎间盘特点的图像(It)和只反映背景噪声的图像(Ib)，各自叠加并取平均值后相减：
I(x,y)＝ave(ΣIt)-ave(ΣIb)
对得到的结果二值化后进行中值滤波来提取目标：
g(x,y)＝med{f(x-k,y-l),(k,l∈W)}
其中，f(x,y)表示二值化后图像，g(x,y)表示滤波后图像，W为二维模板，这里取17*45的模板，该步骤所得到的图像效果如图5所示。
在这一过程中，右下角较小的椎间盘因为大小及方向与其他椎间盘差别较大容易丢失，为解决这个问题，本方案对这种椎间选择图片再提取一次目标，结果如图6所示。
步骤4：根据步骤3所得结果采用聚类算法确定出椎间盘的位置，这里我们要用到椎间盘的先验信息。观察每个病人信息可以得到先验知识：
(1)椎间盘的重心X坐标基本落在同一条垂直线上，只有最后几个椎间盘明显向右偏移；
(2)相邻椎间盘间重心Y坐标的差距依次增大，且从上至下增加的距离有逐渐增大趋势，但差距相对稳定，Y的偏移最小也有25个像素以上，但最大不超过60个像素。
由以上先验知识可以定位椎间盘的大致位置。因为椎间盘呈椭圆形，只要计算出其长轴所在位置，即可求出椎间盘的重心Y坐标。
具体方法是，先对图5c)计算每一行像素值的和；
得到一组数列，求出这组数列的峰值的下标，如图7a)所示；找出了可能是椎间盘的Y坐标，根据先验信息(2)，合并较靠近的点，舍去明显不符合条件的点，结果如图7b)所示；根据上面所求的位置，截取椎间盘所在部分，计算每一列的和；
求出峰值所在的列位置，根据即先验信息(1)，去除不符合条件的点，即可得到椎间盘的X坐标，如图7d)所示。
利用上述步骤，结果会丢失最后的一个椎间盘，为此，我们以图7d)的结果为基础，以最后一个椎间盘的重心坐标为顶点，在图6中截取右下角椎间盘所在区域，叠加到图5c)上，再重复上述步骤，结果如图8所示。
可以看出，此时的椎间盘定位结果有明显的改善，但这个结果相对粗糙，容易有较大误差。所以，在这个结果上，我们进一步改进，以这个重心坐标为中心，在修正的滤波后的小波系数分布图中截取椎间盘所在区域，选取一个阈值对其做二值化处理，以阈值化后的区域小波系数中心作为椎间盘最后的中心。具体的做法是以前一步骤计算所得重心为中点，截取大小为40*50的区域(根据椎间盘的大小确定)，将这一区域中的像素点降序排列，取其中某一点作为阈值做二值化处理，通过大量实验，发现阈值取第250个点时效果较好，定位结果如图9所示。
利用本发明所提出的椎间盘定位算法在27个病人数据库中进行了测试，测试结果表明该算法定位准确性达到94.3％，数据如表1所示。
表1实验结果
对比于其他定位算法，如分水岭等，本发明因为采用了形状滤波的方式，取得的结果更加准确清晰，对非椎间盘信息的抗干扰能力强。在定位过程中，即使有某一个椎间盘的定位出错，也只是稍有偏移，对后面椎间盘的定位不会产生太大影响，整个系统鲁棒性较高，同时还具有非监督、全自动的优点。
Claims (4)
1.一种基于图像处理的椎间盘自动定位方法，其特征在于按照以下步骤进行：
步骤1：输入椎间盘图像,通过图像预处理获取样本图像；
步骤2：采用m个尺度n个方向的2D-Gabor滤波器对所述样本图像进行滤波处理；
步骤3：从滤波后的图像中分别抽取反映椎间盘特点的图像和只反映背景噪声的图像，各自叠加并取平均值后做差，然后采用二值化法与中值滤波法来提取目标；
步骤4：根据步骤3所得结果采用聚类算法确定出椎间盘的位置；
步骤2中所述的2D-Gabor滤波器所采用的Gabor核函数为：
其中：
σx为x方向的高斯函数带宽，σy为y方向的高斯函数带宽；
表示第u个方向的方向参数，u＝1～n，表示第v个尺度的频率参数，v＝1～m,kmax是频率上限，f是滤波器的间隔因子，i为虚数单位。
2.根据权利要求1所述的基于图像处理的椎间盘自动定位方法，其特征在于：
3.根据权利要求1所述的基于图像处理的椎间盘自动定位方法，其特征在于：步骤1中的图像预处理是先将MRI脊柱图像重置为大小为512*512的灰度图像；然后以255行，第200列为中心截取392*260大小的图像。
4.根据权利要求1所述的基于图像处理的椎间盘自动定位方法，其特征在于：m＝3～8，n＝5～16。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410546514.7A CN104318232B (zh) | 2014-10-16 | 2014-10-16 | 基于图像处理的椎间盘自动定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410546514.7A CN104318232B (zh) | 2014-10-16 | 2014-10-16 | 基于图像处理的椎间盘自动定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104318232A CN104318232A (zh) | 2015-01-28 |
| CN104318232B true CN104318232B (zh) | 2018-03-30 |
Family
ID=52373461
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410546514.7A Expired - Fee Related CN104318232B (zh) | 2014-10-16 | 2014-10-16 | 基于图像处理的椎间盘自动定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104318232B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113516614A (zh) * | 2020-07-06 | 2021-10-19 | 阿里巴巴集团控股有限公司 | 脊柱影像的处理方法、模型训练方法、装置及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI455062B (zh) * | 2011-04-26 | 2014-10-01 | Univ Nat Cheng Kung | 三維視訊內容產生方法 |
-
2014
- 2014-10-16 CN CN201410546514.7A patent/CN104318232B/zh not_active Expired - Fee Related
Non-Patent Citations (8)
| Title |
|---|
| "Automated Vertebra Detection and Segmentation";Zhigang Peng等;《Annual International Conference of the IEEE Engineering in Medicine and Biology Society》;20050228;第2527-2530页 * |
| "Composite Features for Automatic Diagnosis of Intervertebral Disc Herniation from Lumbar MRI";Subarna Ghosh等;《Engineering in Medicine and Biology Society, EUBC, 2011 Annual International Conference of the IEEE》;20111201;第1-4页 * |
| "Fourier变换和Gabor变换与小波变换的";贾朱植;《鞍山科技大学学报》;20050228;第28卷(第1期);第12-16页 * |
| "MRI脊柱图像的定位与分割";查艳丽;《中国优秀硕士学位论文全文数据库信息科技辑》;20091215(第12期);第I138-616页 * |
| "基于Gabor小波系数融合的人脸识别";宗君斌;《中国优秀硕士学位论文全文数据库 信息科技辑》;20100215(第2期);第I138-426页 * |
| "基于Gabor特征的木材表面缺陷的分块检测";马大国等;《东北林业大学学报》;20131031;第41卷(第10期);第118-121页 * |
| "基于Gabor特征融合和LSSVM的人脸识别算法";薛涛等;《计算机应用与软件》;20140731;第31卷(第7期);第191-225页 * |
| "脊柱MRI 图像椎间盘定位及椎骨分割算法的研究";史睿琼;《中国优秀硕士学位论文全文数据库信息科技辑》;20080915(第9期);第I138-835页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104318232A (zh) | 2015-01-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Iwasokun et al. | Fingerprint image enhancement: Segmentation to thinning | |
| CN109427066A (zh) | 任意角度的边缘检测方法 | |
| CN104933432B (zh) | 一种指腹折痕和指静脉图像的处理方法 | |
| CN108186051B (zh) | 一种从超声图像中自动测量胎儿双顶径长度的图像处理方法及处理系统 | |
| Llano et al. | Optimized robust multi-sensor scheme for simultaneous video and image iris recognition | |
| CN110909631B (zh) | 一种手指静脉图像roi提取和增强方法 | |
| CN108550145A (zh) | 一种sar图像质量评估方法和装置 | |
| CN102968633B (zh) | 基于ct侧位定位片的腰椎识别方法和装置 | |
| CN108378869A (zh) | 一种从超声图像中自动测量胎儿头围长度的图像处理方法及处理系统 | |
| Wang et al. | Automatic fundus images mosaic based on SIFT feature | |
| CN114693682B (zh) | 一种基于图像处理的脊椎特征识别方法 | |
| CN104574392B (zh) | 一种椎间盘图像的退行性变计算机自动分级方法 | |
| CN106485252A (zh) | 图像配准试验点阵靶标图像特征点识别方法 | |
| CN104318232B (zh) | 基于图像处理的椎间盘自动定位方法 | |
| US10019617B2 (en) | Biometrics authentication device and biometrics authentication method | |
| CN109815772A (zh) | 指纹图像增强、识别方法、装置及指纹图像增强识别系统 | |
| Radman et al. | Efficient iris segmentation based on eyelid detection | |
| Zhang et al. | Retinal vessel segmentation using Gabor filter and textons | |
| Priyadharshini et al. | Automatic registration of images with simulated rotation and translation estimation using HAIRIS | |
| CN108682001A (zh) | 骨密度的测量方法及装置 | |
| KR101085949B1 (ko) | 폐 분류 장치 및 그 방법 | |
| JP2005010842A (ja) | 縞状パターン抽出システムおよび縞状パターン抽出方法 | |
| Wahdan et al. | Comparing classification techniques to detect breast tumor | |
| CN104951761B (zh) | 一种信息处理方法及电子设备 | |
| TW201211910A (en) | Method and system for detecting blur fingerprint images |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180330 Termination date: 20201016 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |