CN105976339A - 一种基于高斯模型自动去除ct图像中床板的方法及装置 - Google Patents
一种基于高斯模型自动去除ct图像中床板的方法及装置 Download PDFInfo
- Publication number
- CN105976339A CN105976339A CN201610313298.0A CN201610313298A CN105976339A CN 105976339 A CN105976339 A CN 105976339A CN 201610313298 A CN201610313298 A CN 201610313298A CN 105976339 A CN105976339 A CN 105976339A
- Authority
- CN
- China
- Prior art keywords
- image
- bed board
- sequence
- bed plate
- binary
- 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 42
- 230000035040 seed growth Effects 0.000 claims abstract description 17
- 230000008878 coupling Effects 0.000 claims description 19
- 238000010168 coupling process Methods 0.000 claims description 19
- 238000005859 coupling reaction Methods 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 6
- 230000013011 mating Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 230000012010 growth Effects 0.000 abstract 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明属于数字图像检索领域,提供了一种基于高斯模型自动去除CT图像中床板的方法及装置;本发明的方法包括步骤如下:步骤S1:载入CT序列图像,重建为体数据图像;步骤S2:对体数据图像进行预处理,获取具有床板特征的二值化图像;步骤S3:对二值化图像进行高斯模型匹配并得到床板种子生长点;步骤S4:对床板种子生长点做区域生长,用于去掉床板特征。本发明利用CT图像中床板的物理属性及在图像上的特点与特征,结合高斯模型进行匹配,能快速准确找到CT图像中床板的所在区域,通过区域生长能快速的去除CT图像中的床板,能有效满足使用要求,大大提高医生的工作效率,适用于三维诊断工作站中重建图像。
Description
技术领域
本发明涉及数字图像检索技术领域,具体涉及一种基于高斯模型自动去除CT图像中床板的方法及装置。
背景技术
CT图像中床板去除方法首先定位床板在图像上的位置;其次是从CT图像中将床板完整的去除。但是,鉴于目前不同医院采集到的CT图像中床板的物理属性(包括长度,形状和厚度等)有一定的差别,并且存在CT图像中床板与人体组织相连的情况,使得床板的准确识别以及完整去除难以很好的实现。
目前,有部分三维诊断工作站提供了半自动的床板移除,其做法是通过医生交互选中床板,然后通过区域生长技术进行删除。该半自动去除方式存在的问题是:医生需要肉眼识别出床板并通过鼠标准确地选中床板,由于某些图像中床板较薄会降低选中的概率;在图像中床板呈现出来多层,需要医生逐步选中,降低工作效率。
发明内容
针对现有技术中的缺陷,本发明提供一种基于高斯模型、快速准确找到CT图像中床板的所在区域、提高工作效率的自动去除CT图像中床板的方法及装置。
本发明的第一方面提供一种基于高斯模型的自动去除CT图像中床板的方法,该方法包括步骤如下:
步骤S1:载入CT序列图像并重建为体数据图像;
步骤S2:对体数据图像进行预处理,获取具有床板特征的二值化图像;
步骤S3:对所述二值化图像进行高斯模型匹配并得到床板种子生长点;
步骤S4:对床板种子生长点做区域生长,用于去掉CT序列图像中床板特征。
本发明的第二方面提供一种基于高斯模型的自动去除CT图像中床板的装置,该装置包括:
图像转换模块,将CT序列图像重建的体数据转换成具有床板特征的二值化图像;
图像匹配模块,对所述二值化图像进行高斯模型匹配并得到种子生长点;
图像处理模块,对种子生长点做区域生长,用于去掉CT序列图像中床板特征。
由上述技术方案可知:
本发明一种基于高斯混合模型匹配自动去除CT图像中的床板方法、装置及系统,利用CT图像中床板的物理属性及在图像上的特点与特征,结合高斯模型进行匹配,能快速准确找到CT图像中床板的所在区域,通过区域生长能快速的去除图像中的床板。
本发明的去除CT中床板的速度较快,能有效满足使用要求,大大提高医生的工作效率。
本发明适用于三维诊断工作站中重建图像的观察和疾病的诊断。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1示出了本发明实施例所提供的自动去除CT图像中床板的方法的流程图示意图;
图2示出了本发明所提供的自动去除CT图像中床板的方法中CT序列图像示意图;
图3示出了本发明实施例所提供的自动去除CT图像中床板的方法中CT序列图像的某个横切面的二值化图像示意图;
图4示出了本发明实施例所提供的自动去除CT图像中床板的方法中二值化处理的模板匹配图像示意图;
图5示出了本发明实施例所提供的自动去除CT图像中床板的方法中统计模板匹配图像中最长的不间断的线段示意图;
图6示出了本发明实施例所提供的自动去除CT图像中床板的方法中对种子点做区域生长得到并去除床板示意图;
图7示出了本发明实施例所提供的自动去除CT图像中床板的方法中对CT图像序列3维重建去床板前后对比图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只是作为示例,而不能以此来限制本发明的保护范围。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
在做CT检查时CT图像中将人体背部以及人体下床板一起呈现,则在三维诊断工作站中重建图像的部分被床板遮住,使得重建图像无法直接观察,因此需将床板从CT图像中去除。由于床板比人体表皮组织密度大,因此CT图像中床板比上下邻域的CT值大,这为CT图像中去除床板提供了基础。本发明主要结合了阈值分割、高斯混合模型匹配和区域生长策略的优点,根据CT图像中床板物理属性及在图像上的特点与特征,构造阈值分段函数,选取阈值进行图像分割,对分割的图像进行混合高斯模型匹配得到床板感兴趣区(ROI),选取感兴趣区(ROI)上一点进行区域生长,通过区域生长能快速的得到床板并去除CT图像中的床板。
请参阅图1示出本发明实施例所提供的一种自动去除CT图像中床板的方法的流程图,所述方法包括步骤如下:
步骤S1:载入CT序列图像,并重建为体数据图像;请参阅图2示出所述CT序列图像;
步骤S2:对步骤S1体数据图像进行预处理,获取具有床板特征的二值化图像;对步骤S1所述体数据图像进行预处理主要包括步骤:
各向异性滤波:
由于各向异性滤波具有平滑图像的同时对边缘信息保持较好的特性,本发明应用各向异性滤波进行平滑图像处理,得到平滑的CT序列图像。
阈值分割:
请参阅图3示出本发明第三实施例所提供的自动去除CT图像中床板的方法中的CT序列图像的某个横切面二值化图像(CT体数据某个横切面);
由CT图像的成像原理与床板的物体属性可知,人体与床板所对应的CTHU值处在不同范围,根据此特性本发明结合阈值分割算法(式1)将平滑的CT序列图像转化并得到具有床板特征的二值化图像,其中前景为床板和人体等组织。
所述阈值分割算法如下所示:
公式1中,t为CT图像像素值大小,a为CT图像像素值分割阈值上下限,在其中一个实例中取a=-300。
步骤S3:对所述二值化图像进行高斯模型匹配并得到床板种子生长点
本发明采用高斯模板对所述二值化图像进行匹配得到匹配后图像。
高斯滤波器Gσ数学表达式:
公式2中,σ为标准差,本发明的一个实例中取1.2。分别对高斯函数x,y方向进行二阶求导,得到高斯模板Gx、Gy。
将图像像素点分别与对应的高斯模板Gx、Gy进行相关计算,得到图像像素点与高斯模板相关值IGx,IGy,并取所述相关值IGx,IGy大的为最终匹配值,并对最终匹配值进行二值化处理,得到模板匹配最终二值化图像像素值I(x,y)。
请参阅4示出了本发明实施例所提供的自动去除CT图像中床板的方法中模板匹配二值化处理得到匹配后图像。
Ib(x,y)=max(IGx(x,y),IGy(x,y)) (4)
公式3中,Imn、Gmn分别为图像与高斯模板的像素值,I,G分别为图像与高斯模板均值;
公式4中Ib(x,y)为取所述相关值IGx,IGy较大的值;
公式5中I(x,y)为模板匹配最终二值化图像像素值。throd为最终匹配值二值化阈值,本发明中一个实例最终匹配值二值化阈值throd取为0.4。
本发明提供一种使用基于高斯模型的自动去除CT图像中床板方法,实现高斯模型的自动去除CT图像中床板装置,该装置包括:
图像转换模块,将CT序列图像重建的体数据转换成具有床板特征的二值化图像;
图像处理模块,对所述二值化图像进行高斯模型匹配并得到种子生长点;
特征处理模块,对种子生长点做区域生长,用于去掉CT序列图像中床板特征。
其中,所述图像转换模块包括:
一各向异性滤波单元,对体数据图像进行平滑图像处理,得到平滑的CT序列图像。
一阈值分割单元,根据CT图像的成像原理和床板的物体属性并结合阈值分割,将平滑的CT序列图像转换具有床板特征的二值化图像。
其中,所述图像处理模块包括:
图像匹配单元,获得高斯模板与所述二值化图像匹配的匹配后图像;采用高斯模板对二值化图像进行匹配,得到匹配后图像;
图像计算单元与图像匹配单元连接,获取匹配后图像像素点与对应的高斯模板Gx、Gy相关值大的为最终匹配值,得到对最终匹配值进行二值化处理的最终匹配图像。将图像像素点分别与对应的高斯模板Gx、Gy进行相关计算,取相关值大的为最终匹配值,并对最终匹配值进行二值化处理,得到最终的匹配图像。
所述的装置还包括:统计高斯模板匹配图像中最长的不间断的线段取该线段中的任意一点作为种子生长点。
统计所述最终匹配图像中最长的不间断的线段,取该线段中的任意一点作为种子生长点。
请参阅图5示出本发明实施例所提供的自动去除CT图像中床板的方法中统计所述最终匹配图像中最长的不间断的线段示意图;
请参阅图6示出了本发明实施例所提供的自动去除CT图像中床板的方法中对种子点做区域生长,到并去除床板的示意图;
请参阅图7示出本发明实施例所提供的自动去除CT图像中床板的方法中对CT图像序列3维重建去床板前后对比图;右边去床板之前,左边去床板之后。
本发明能在没有人工辅助的情况下自动、精确、快速的去除CT序列图像中的床板。为医生提供有效的帮助。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种基于高斯模型的自动去除CT图像中床板的方法,该方法包括步骤如下:
步骤S1:载入CT序列图像并重建为体数据图像;
步骤S2:对体数据图像进行预处理,获取具有床板特征的二值化图像;
步骤S3:对所述二值化图像进行高斯模型匹配并得到床板种子生长点;
步骤S4:对床板种子生长点做区域生长,用于去掉CT序列图像中床板特征。
2.根据权利要求1所述的方法,其特征在于,应用各向异性滤波对所述体数据图像进行平滑图像处理,得到平滑的CT序列图像。
3.根据权利要求1所述的方法,其特征在于,根据CT图像的成像原理和床板的物体属性并结合阈值分割,将平滑的CT序列图像转化成具有床板特征的二值化图像。
4.根据权利要求1所述的方法,其特征在于,还包括:采用高斯模板对所述二值化图像进行匹配,得到匹配后图像。
5.根据权利要求4所述的方法,其特征在于,将匹配后图像像素点与对应的高斯模板Gx、Gy进行相关计算,得到并取所述像素点与高斯模板Gx、Gy相关值大的为最终匹配值,并对最终匹配值进行二值化处理,得到匹配后图像像素点与对应高斯模板Gx、Gy的最终匹配图像。
6.根据权利要求5所述的方法,其特征在于,统计所述最终匹配图像中最长的不间断的线段,取该线段中的任意一点作为种子生长点。
7.一种基于高斯模型的自动去除CT图像中床板的装置,其特征在于,该装置包括:
图像转换模块,将CT序列图像重建的体数据转换成具有床板特征的二值化图像;
图像匹配模块,对所述二值化图像进行高斯模型匹配并得到种子生长点;
图像处理模块,对种子生长点做区域生长,用于去掉CT序列图像中床板特征。
8.根据权利要求7所述的装置,其特征在于,图像转换模块包括:
一各向异性滤波单元,对体数据图像进行平滑图像处理,得到平滑的CT序列图像;
一阈值分割单元,根据CT图像的成像原理和床板的物体属性并结合阈值分割,将平滑的CT序列图像转换具有床板特征的二值化图像。
9.根据权利要求7所述的装置,其特征在于,图像匹配模块包括:
图像匹配单元,获得高斯模板与所述二值化图像匹配的匹配后图像;
图像计算单元与图像匹配单元连接,获取匹配后图像像素点与对应的高斯模板Gx、Gy相关值大的为最终匹配值,得到对最终匹配值进行二值化处理的最终匹配图像。
10.根据权利要求9所述的装置,其特征在于,还包括:统计所述最终的匹配图像中最长的不间断的线段取该线段中的任意一点作为种子生长点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610313298.0A CN105976339A (zh) | 2016-05-11 | 2016-05-11 | 一种基于高斯模型自动去除ct图像中床板的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610313298.0A CN105976339A (zh) | 2016-05-11 | 2016-05-11 | 一种基于高斯模型自动去除ct图像中床板的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105976339A true CN105976339A (zh) | 2016-09-28 |
Family
ID=56992326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610313298.0A Pending CN105976339A (zh) | 2016-05-11 | 2016-05-11 | 一种基于高斯模型自动去除ct图像中床板的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105976339A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106910193A (zh) * | 2017-04-23 | 2017-06-30 | 明峰医疗系统股份有限公司 | 一种扫描图像处理方法 |
CN108648177A (zh) * | 2018-04-13 | 2018-10-12 | 长安大学 | 一种列车部件完整性检测方法 |
CN114359488A (zh) * | 2022-03-21 | 2022-04-15 | 深圳市一图智能科技有限公司 | 一种基于序列ct图像的皮肤三维模型重建方法及系统 |
CN113077474B (zh) * | 2021-03-02 | 2024-05-17 | 心医国际数字医疗系统(大连)有限公司 | 基于ct影像的床板去除方法、系统、电子设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886621A (zh) * | 2012-11-14 | 2014-06-25 | 上海联影医疗科技有限公司 | 一种自动提取床板的方法 |
CN104240198A (zh) * | 2014-08-29 | 2014-12-24 | 西安华海盈泰医疗信息技术有限公司 | 一种ct图像中床板的去除方法及系统 |
CN105488796A (zh) * | 2015-11-27 | 2016-04-13 | 上海联影医疗科技有限公司 | 肺分割方法 |
-
2016
- 2016-05-11 CN CN201610313298.0A patent/CN105976339A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886621A (zh) * | 2012-11-14 | 2014-06-25 | 上海联影医疗科技有限公司 | 一种自动提取床板的方法 |
CN104240198A (zh) * | 2014-08-29 | 2014-12-24 | 西安华海盈泰医疗信息技术有限公司 | 一种ct图像中床板的去除方法及系统 |
CN105488796A (zh) * | 2015-11-27 | 2016-04-13 | 上海联影医疗科技有限公司 | 肺分割方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106910193A (zh) * | 2017-04-23 | 2017-06-30 | 明峰医疗系统股份有限公司 | 一种扫描图像处理方法 |
CN106910193B (zh) * | 2017-04-23 | 2020-04-07 | 河南明峰医疗科技有限公司 | 一种扫描图像处理方法 |
CN108648177A (zh) * | 2018-04-13 | 2018-10-12 | 长安大学 | 一种列车部件完整性检测方法 |
CN108648177B (zh) * | 2018-04-13 | 2021-08-24 | 长安大学 | 一种列车部件完整性检测方法 |
CN113077474B (zh) * | 2021-03-02 | 2024-05-17 | 心医国际数字医疗系统(大连)有限公司 | 基于ct影像的床板去除方法、系统、电子设备及存储介质 |
CN114359488A (zh) * | 2022-03-21 | 2022-04-15 | 深圳市一图智能科技有限公司 | 一种基于序列ct图像的皮肤三维模型重建方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108053417B (zh) | 一种基于混合粗分割特征的3D U-Net网络的肺分割装置 | |
CN112150428B (zh) | 一种基于深度学习的医学图像分割方法 | |
CN110047082B (zh) | 基于深度学习的胰腺神经内分泌肿瘤自动分割方法及系统 | |
Reddy et al. | A novel computer-aided diagnosis framework using deep learning for classification of fatty liver disease in ultrasound imaging | |
CN103714536B (zh) | 基于稀疏表示的多模态磁共振图像的分割方法及装置 | |
Chan et al. | Texture-map-based branch-collaborative network for oral cancer detection | |
CN110232383A (zh) | 一种基于深度学习模型的病灶图像识别方法及病灶图像识别系统 | |
CN111429474B (zh) | 基于混合卷积的乳腺dce-mri图像病灶分割模型建立及分割方法 | |
CN109087327A (zh) | 一种级联全卷积神经网络的甲状腺结节超声图像分割方法 | |
CN109584244B (zh) | 一种基于序列学习的海马体分割方法 | |
CN111882514B (zh) | 一种基于双残差超密集网络的多模态医学图像融合方法 | |
CN109285200A (zh) | 一种基于人工智能的多模态医学影像的转换方法 | |
CN105976339A (zh) | 一种基于高斯模型自动去除ct图像中床板的方法及装置 | |
CN104992430A (zh) | 基于卷积神经网络的全自动的三维肝脏分割方法 | |
CN101576997A (zh) | 基于二次三维区域生长的腹部器官分割方法 | |
CN115496771A (zh) | 一种基于脑部三维mri图像设计的脑肿瘤分割方法 | |
CN113223005B (zh) | 一种甲状腺结节自动分割及分级的智能系统 | |
CN107507189A (zh) | 基于随机森林与统计模型的小鼠ct图像肾脏分割方法 | |
CN111815766A (zh) | 基于2d-dsa图像重建血管三维模型处理方法及系统 | |
CN105654425A (zh) | 一种应用于医学x光图像的单幅图像超分辨率重建方法 | |
Cai et al. | Identifying architectural distortion in mammogram images via a se-densenet model and twice transfer learning | |
CN109215035A (zh) | 一种基于深度学习的脑部mri海马体三维分割方法 | |
Kumari et al. | Data efficient deep learning for medical image analysis: A survey | |
CN117541586A (zh) | 一种基于可变形yolo的甲状腺结节检测方法 | |
CN113139627B (zh) | 纵隔肿物识别方法、系统及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160928 |
|
RJ01 | Rejection of invention patent application after publication |