CN106600587A - 肺部ct图像辅助检测处理装置 - Google Patents
肺部ct图像辅助检测处理装置 Download PDFInfo
- Publication number
- CN106600587A CN106600587A CN201611131785.1A CN201611131785A CN106600587A CN 106600587 A CN106600587 A CN 106600587A CN 201611131785 A CN201611131785 A CN 201611131785A CN 106600587 A CN106600587 A CN 106600587A
- Authority
- CN
- China
- Prior art keywords
- image
- lung
- unit
- carries out
- binaryzation
- 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
- 210000004072 lung Anatomy 0.000 title claims abstract description 63
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 230000003628 erosive effect Effects 0.000 claims abstract description 18
- 230000000877 morphologic effect Effects 0.000 claims abstract description 15
- 230000010339 dilation Effects 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 55
- 230000008569 process Effects 0.000 claims description 48
- 230000009466 transformation Effects 0.000 claims description 25
- 238000003706 image smoothing Methods 0.000 claims description 20
- 230000005856 abnormality Effects 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 11
- 230000007797 corrosion Effects 0.000 claims description 9
- 238000005260 corrosion Methods 0.000 claims description 9
- 238000003707 image sharpening Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000002591 computed tomography Methods 0.000 abstract description 8
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000002685 pulmonary effect Effects 0.000 abstract 1
- 208000020816 lung neoplasm Diseases 0.000 description 12
- 239000006002 Pepper Substances 0.000 description 6
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 235000002566 Capsicum Nutrition 0.000 description 4
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 4
- 241000722363 Piper Species 0.000 description 4
- 235000016761 Piper aduncum Nutrition 0.000 description 4
- 235000017804 Piper guineense Nutrition 0.000 description 4
- 235000008184 Piper nigrum Nutrition 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 201000005202 lung cancer Diseases 0.000 description 4
- 150000003839 salts Chemical class 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- LFULEKSKNZEWOE-UHFFFAOYSA-N propanil Chemical compound CCC(=O)NC1=CC=C(Cl)C(Cl)=C1 LFULEKSKNZEWOE-UHFFFAOYSA-N 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 201000011510 cancer Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种肺部CT图像辅助检测处理装置,具有这样的特征,包括:获取部,获取患者的肺部CT扫描图像;预处理部,对获取后肺部CT扫描图像预处理得到二值化灰度图像;形态学腐蚀与膨胀部,对二值化灰度图像形态学腐蚀运算得到腐蚀后的图像,对二值化灰度图像膨胀运算得到膨胀后的图像;运算部,对腐蚀后的图像开运算得到开运算图,对膨胀后的图像闭运算得到闭运算图;傅里叶变换部,对开运算图和闭运算图傅里叶变换得到傅里叶变换值,病灶检测部,对傅里叶变换值进行检测得到患者的疑似病灶区域。本发明的肺部CT图像辅助检测处理装置不仅简单实用、操作方便,而且能够快速标记疑似病灶区域,帮助医师及时发现和诊断肺结节等疾病。
Description
技术领域
本发明涉及一种为医生辅助检测病灶区域的装置,具体涉及一种肺部CT图像辅助检测处理装置。
背景技术
肺癌是世界上对人类健康和生命威胁最大的恶性肿瘤之一,发病率和死亡率目前均占所有恶性肿瘤的首位。降低肺癌死亡率、提高病人生存质量,最关键的是早期发现、早期诊断。CT使得早期肺癌的发现率大大提高,而薄层CT技术有助于检测更小的肺癌。但是,在使用薄层CT技术时,CT成像数量明显增加,影像医师的读片量增加,工作量也增大,这样很可能出现对肺结节的漏检和错误判断的情况。
发明内容
本发明是针对影像医师工作量大,易出现对肺结节的漏检和错误判断这一问题而进行的,提供一种不仅简单实用、操作方便,而且能够快速标记疑似病灶区域的肺部CT图像辅助检测处理装置,帮助医师初步发现和诊断肺结节等疾病。
本发明提供了一种肺部CT图像辅助检测处理装置,用于处理患者的肺部CT扫描图像而得到患者的疑似病灶区域,其特征在于,包括:获取部,获取患者的肺部CT扫描图像;预处理部,对获取后的肺部CT扫描图像进行预处理得到二值化灰度图像;形态学腐蚀与膨胀部,对二值化灰度图像进行形态学腐蚀运算得到腐蚀后的图像,对二值化灰度图像进行膨胀运算得到膨胀后的图像;运算部,对腐蚀后的图像进行开运算得到开运算图,对膨胀后的图像进行闭运算得到闭运算图;傅里叶变换部,对开运算图和闭运算图进行傅里叶变换得到傅里叶变换值,病灶检测部,对傅里叶变换值进行检测得到患者的疑似病灶区域。
在本发明提供的肺部CT图像辅助检测处理装置中,还可以具有这样的特征:其中,预处理部包括图像平滑去噪单元、图像锐化单元、图像背景分割单元以及图像二值化单元,图像平滑去噪单元对肺部CT扫描图像进行图像平滑去噪处理,图像锐化单元对肺部CT扫描图像进行锐化仿真处理,图像背景分割单元对肺部CT扫描图像进行图像分割处理,二值化处理部对肺部CT扫描图像进行图像二值化处理得到二值化灰度图像。
在本发明提供的肺部CT图像辅助检测处理装置中,还可以具有这样的特征:其中,二值化处理部采用Matlab软件进行图像二值化处理。
在本发明提供的肺部CT图像辅助检测处理装置中,还可以具有这样的特征:其中,图像平滑去噪单元采用中值滤波法进行图像平滑去噪处理。
在本发明提供的肺部CT图像辅助检测处理装置中,还可以具有这样的特征:其中,图像平滑去噪单元在滤波窗口为5×5的方形窗口中进行中值滤波。
发明的作用和效果
根据本发明所涉及的肺部CT图像辅助检测处理装置,因为获取部能够从CT机中获取CT扫描图像,CT扫描图像经过预处理部预处理得到二值化灰度图像;形态学腐蚀与膨胀部能够对二值化灰度图像进行形态学腐蚀运算得到腐蚀后的图像,并对二值化灰度图像进行膨胀运算得到膨胀后的图像;运算部能够对腐蚀后的图像进行开运算得到开运算图,并能够对膨胀后的图像进行闭运算得到闭运算图,傅里叶变换部能够对开运算图和闭运算图进行傅里叶变换得到傅里叶变换值,病灶检测部能够对所述傅里叶变换值进行检测得到患者的疑似病灶区域,从而医师能够及时发现和诊断肺结节等疾病。所以本发明的肺部CT图像辅助检测处理装置不仅简单实用、操作方便,而且能够快速标记疑似病灶区域,帮助医师及时发现和诊断肺结节等疾病。
附图说明
图1是本发明的实施例中肺部CT图像辅助检测处理装置与CT机的连接示意图;
图2是本发明的实施例中肺部CT图像辅助检测处理装置的结构框图;
图3是本发明的实施例中预处理部的结构框图;
图4是本发明的实施例中图像平滑去噪之后的照片;
图5是本发明的实施例中图像锐化后的照片;
图6是本发明的实施例中图像背景分割后的照片;
图7是本发明的实施例中图像二值化后的照片;
图8是本发明的实施例中肺部CT图像辅助检测处理装置的动作流程图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下实施例结合附图对本发明的肺部CT图像辅助检测处理装置作具体阐述。
图1是本发明的实施例中肺部CT图像辅助检测处理装置与CT机的连接示意图。
如图1所示,在本实施例中,肺部CT图像辅助检测处理装置100通过通信网络300与CT机200通信连接,它用来处理CT机200扫描得到的患者的肺部CT扫描图像并检测出患者的疑似病灶区域,从而让医师及早发现和诊断肺结节等疾病。
图2是本发明的实施例中肺部CT图像辅助检测处理装置的结构框图。
如图2所示,肺部CT图像辅助检测处理装置100包括获取部10、预处理部20、形态学腐蚀与膨胀部30、运算部40、傅里叶变换部50、病灶检测部60以及控制以上各部的控制部70。
获取部10通过数据线与CT机200通信连接,它用来获取CT机200扫描出来的肺部CT扫描图像。
图3是本发明的实施例中预处理部的结构框图。
如图3所示,预处理部20包括图像平滑去噪单元21、图像锐化单元22、图像背景分割单元23以及图像二值化单元24。
图4是本发明的实施例中图像平滑去噪之后的照片。
图像平滑去噪单元21用来对肺部CT扫描图像进行平滑去噪处理,处理后得到如图4所示的图像平滑去噪之后的照片。通常获得的CT扫描图像含有很多噪声,噪声主要分扫描噪声和组织噪声。一般情况下噪声产生的原因决定着噪声的分布特性及噪声与图像信号的关系。图像平滑去噪单元21用于平滑图像的噪声,平滑噪声可以在空间域中进行,基本方法是利用像素灰度的均值或中值。本实施例中,采用中值滤波法进行图像平滑处理。
中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代替。中值的定义如下:一数组x1,x2,x3,…xn,把n个数按值的大小顺序排列于下:xi1<=xi2<=xi3<=…<=xin,
其中,y称为序列x1,x2,x3,…xn的中值。把一个点的特定长度或形状的领域称为窗口。在一维情况下,中值滤波器是一个含有奇数个像素的滑动窗口,窗口正中间那个像素的值用窗口内各像素值的中值代替。
设输入序列为{xi,i∈I},I为自然数集合或子集,窗口长度为n,则滤波器输出为:
yi=med{xi}=med{xi-u,…,xi,…,xi+u}
其中,i∈I;u=(n-1)/2。
此外,很容易将中值滤波的概念推广到二维,此时可以利用某种形式的二维窗口。设{xij,(i,j)∈I2}表示数字图像各点的灰度值,滤波窗口为A的二维中值滤波可定义为:
yij=medA{xij}=med{xi+r,j+s,(r,s)∈A,(i,j)∈I2}
二维中值滤波可以取方形,也可以取近似圆形或十字形。
则在Matlab软件中代码如下:
I=imread('C:\Users\Administrator\Desktop\1.jpg');%单引号内为CT扫描图像存储位置
I=rgb2gray(I);
J1=imnoise(I,'salt&pepper',0.02);
J2=imnoise(I,'gaussian',0.02);
subplot(2,2,1),imshow(J1),title('有椒盐噪声')%显示有椒盐噪声图像subplot(2,2,2),imshow(J2),title('有高斯噪声')
I1=medfilt2(J1,[55]);%对有椒盐噪声图像进行5×5方形窗口中值滤波
I2=medfilt2(J2,[55]);%对有高斯噪声图像进行5×5方形窗口中值滤波
subplot(2,2,3),imshow(I1),title('有椒盐噪声滤波')%显示有椒盐噪声图像的滤波结果
subplot(2,2,4),imshow(I2),title('有高斯噪声滤波')
图5是本发明的实施例中图像锐化后的照片。
图像锐化单元22用来对肺部CT扫描图像进行锐化仿真处理,得到如图5所示的图像锐化后的照片,图像锐化具体选择拉普拉斯算子锐化算法,Laplacian算子是线性二阶微分算子:
它和其他算子一样有很不同形式的模板,我们选择常用模板即矩阵[111;1-91;111]进行锐化仿真。
则Matlab仿真代码如下:
I=imread('C:\Users\Administrator\Desktop\1.jpg');
I=rgb2gray(I);
I=double(I);
imshow(I,[]);
title(‘转变为double类型的图像’);
h=[111;1-91;111];
K=conv2(I,h,'same');
M=(I-K);
figure,imshow(uint8(M),[]);
title('拉普拉斯锐化后的图像');
图6是本发明的实施例中图像背景分割后的照片。
图像背景分割单元23用来对肺部CT扫描图像进行背景分割处理,得到如图6所示的图像背景分割后的照片,从而找出肺部CT扫描图像中感兴趣的目标。其中,背景分割的基本方法是利用边缘检测进行图像分割,边缘检测的主要原理是:两个不同的灰度值的相邻区域之间总有边缘,边缘时灰度值不连续的结果。依次为依据对图像进行相应的分割,分离出需要的部分。
图7是本发明的实施例中图像二值化后的照片。
图像二值化单元24用来对肺部CT扫描图像进行二值化处理得到如图7所示的二值化灰度图像,得到图像二值化后的照片。图像二值化处理是把肺部CT扫描图像上的点的灰度置为0或255。Matlab仿真实现二值化处理步骤如下:
①读取肺部CT扫描图像:使用命令
I=imread(‘T’);%%T代表肺部CT扫描图像的存储路径
imshow(I);
②用graythresh和im2bw命令,分别确定最佳二值化阈值和进行二值置换
thresh=graythresh(I);%自动确定二值化阈值
I2=im2bw(I,thresh);%对图像二值化
③显示并保存二值化后的图像,以便后续处理
imshow(I2)
形态学腐蚀与膨胀部30对二值化灰度图像进行形态学腐蚀运算得到腐蚀后的图像,并对二值化灰度图像进行膨胀运算得到膨胀后的图像。
二值化灰度图像的腐蚀运算数学定义为:
g(x,y)=erode[f(x,y),B]=min{f(x+x′,y+y′)-B(x′,y′)|(x′,y′)∈Db}
其中,g(x,y)为腐蚀后的二值化灰度图像,f(x,y)为原二值化灰度图像,B为结构元素。
腐蚀运算是由结构元素确定的邻域块中选取图像值与结构元素值的差的最小值。
二值化灰度图像的膨胀运算数学定义为:
g(x,y)=dilate[f(x,y),B]=max{f(x-x′,y-y′)+B(x′,y′)|(x′,y′)∈Db}
膨胀运算是由结构元素确定的邻域块中选取图像值与结构元素值的和的最大值.在灰度形态学中,一般选择平坦的结构元素。所谓“平坦”,就是指结构元素的高度为零。因此这样的结构元素,B的值在Db的定义域内的所有坐标均处均为0,则上面两个公式可以重写为:
g(x,y)=erode[f(x,y),B]=min{f(x+x′,y+y′)|(x′,y′)∈Db}
g(x,y)=dilate[f(x,y),B]=max{f(x-x′,y-y′)|(x′,y′)∈Db}
处理步骤如下:
Step1.读取CT图像(matlab是通过CT图像地址获得图像的)CT=imread(‘CT图像地址’);
Step2.创建一个任意形状的结构元素对象
S=strel(‘arbitrary’,eye(5));
Step3.以图像CT和结构元素S为参数调用imerode函数进行腐蚀操作
B=imerode(CT,S);
Step4:显示操作结果
imshow(CT);
figure,imshow(B);
Matlab代码如下:
CT=imread('C:\Users\Administrator\Desktop\1.jpg');%%引号内为CT图像存储地址。
CT=rgb2gray(CT);%%得到灰度图像
se1=strel('disk',11);%%结构元素
se2=strel('line',11,90);
bw2=imdilate(CT,se2);
bw1=imerode(CT,se1);
imshow(CT),title('原图')
figure,imshow(bw2),title('膨胀后的图像')
figure,imshow(bw1),title('腐蚀后的图像')
运算部40对腐蚀后的图像进行开运算得到开运算图,对膨胀后的图像进行闭运算得到闭运算图,具体步骤为:
开运算:先腐蚀再膨胀;
闭运算:先膨胀再腐蚀;
Matlab代码如下:
i=imread('C:\Users\Administrator\Desktop\1.jpg');
i1=rgb2gray(i);%转灰度图像
i2=im2bw(i1);%二值化
i3=bwmorph(i2,'close');%闭运算
imshow(i3),title('闭运算图')
i4=bwmorph(i2,'open');%开运算
figure,imshow(i4),title('开运算图')
傅里叶变换部50对开运算图和闭运算图进行傅里叶变换得到傅里叶变换值。在本实施例中,采用快速傅里叶变换,具体步骤为:快速傅氏变换(FFT)。
快速傅氏变换(FFT)是离散傅氏变换(DFT)的快速算法,它是根据离散傅氏变换的奇、偶、虚、实等特性,对离散傅立叶变换的算法进行改进获得的。
设x(n)为N项的复数序列,由DFT变换,任一X(m)的计算都需要N次复数乘法和N-1次复数加法,而一次复数乘法等于四次实数乘法和两次实数加法,一次复数加法等于两次实数加法,即使把一次复数乘法和一次复数加法定义成一次“运算”(四次实数乘法和四次实数加法),那么求出N项复数序列的X(m),即N点DFT变换大约就需要N2次运算。当N=1024点甚至更多的时候,需要N2=1048576次运算,在FFT中,利用WN的周期性和对称性,把一个N项序列(设N=2k,k为正整数),分为两个N/2项的子序列,每个N/2点DFT变换需要(N/2)2次运算,再用N次运算把两个N/2点的DFT变换组合成一个N点的DFT变换。这样变换以后,总的运算次数就变成N+2(N/2)2=N+N2/2。继续上面的例子,N=1024时,总的运算次数就变成了525312次,节省了大约50%的运算量。而如果我们将这种“一分为二”的思想不断进行下去,直到分成两两一组的DFT运算单元,那么N点的DFT变换就只需要Nlog2N次的运算,N在1024点时,运算量仅有10240次,是先前的直接算法的1%,点数越多,运算量的节约就越大,这就是FFT的优越性。
病灶检测部60用来对傅里叶变换值进行检测处理得到患者的疑似病灶区域,此外,医师可以采用直尺工具、点标记等绘图工具对疑似病灶区域的大小、面积进行测量。此外,将肺部CT扫描图像连续输入可获得病灶区的3D模型。
控制部70用来控制获取部10、预处理部20、形态学腐蚀与膨胀部30、运算部40、傅里叶变换部50以及病灶检测部60的正常运作。
图8是本发明的实施例中肺部CT图像辅助检测处理装置的动作流程图。
如图8所示,本发明的肺部CT图像辅助检测处理装置100处理肺部CT扫描图像的步骤如下:
步骤S-1:获取部10获取患者的肺部CT扫描图像。
步骤S-2:图像平滑去噪单元21对肺部CT扫描图像进行图像平滑去噪处理,图像锐化单元22对肺部CT扫描图像进行锐化仿真处理,图像背景分割单元对肺部CT扫描图像进行分割处理,图像二值化单元对肺部CT扫描图像进行二值化处理得到二值化灰度图像。
步骤S-3:形态学腐蚀与膨胀部30对二值化灰度图像进行形态学腐蚀运算得到腐蚀后的图像,对二值化灰度图像进行膨胀运算得到膨胀后的图像。
步骤S-4:运算部40对腐蚀后的图像进行开运算得到开运算图,对膨胀后的图像进行闭运算得到闭运算图。
步骤S-5:傅里叶变换部50对开运算图和闭运算图进行傅里叶变换得到傅里叶变换值。
步骤S-6:病灶检测部60对傅里叶变换值进行检测得到患者的疑似病灶区域。
实施例的作用与效果
根据本实施例所涉及的肺部CT图像辅助检测处理装置,因为获取部能够从CT机中获取CT扫描图像,CT扫描图像经过预处理部预处理得到二值化灰度图像;形态学腐蚀与膨胀部能够对二值化灰度图像进行形态学腐蚀运算得到腐蚀后的图像,并对二值化灰度图像进行膨胀运算得到膨胀后的图像;运算部能够对腐蚀后的图像进行开运算得到开运算图,并能够对膨胀后的图像进行闭运算得到闭运算图,傅里叶变换部能够对开运算图和闭运算图进行傅里叶变换得到傅里叶变换值,病灶检测部能够对所述傅里叶变换值进行检测得到患者的疑似病灶区域,从而医师能够及时发现和诊断肺结节等疾病。所以本实施例的肺部CT图像辅助检测处理装置不仅简单实用、操作方便,而且能够快速标记疑似病灶区域,帮助医师及时发现和诊断肺结节等疾病。
上述实施方式为本发明的优选案例,并不用来限制本发明的保护范围。
Claims (5)
1.一种肺部CT图像辅助检测处理装置,用于处理患者的肺部CT扫描图像而得到所述患者的疑似病灶区域,其特征在于,包括:
获取部,获取所述患者的肺部CT扫描图像;
预处理部,对获取后的所述肺部CT扫描图像进行预处理得到二值化灰度图像;
形态学腐蚀与膨胀部,对所述二值化灰度图像进行形态学腐蚀运算得到腐蚀后的图像,对所述二值化灰度图像进行膨胀运算得到膨胀后的图像;
运算部,对所述腐蚀后的图像进行开运算得到开运算图,对所述膨胀后的图像进行闭运算得到闭运算图;
傅里叶变换部,对所述开运算图和所述闭运算图进行傅里叶变换得到傅里叶变换值,
病灶检测部,对所述傅里叶变换值进行检测得到所述患者的疑似病灶区域。
2.根据权利要求1所述的肺部CT图像辅助检测处理装置,其特征在于:
其中,所述预处理部包括图像平滑去噪单元、图像锐化单元、图像背景分割单元以及图像二值化单元,
所述图像平滑去噪单元对所述肺部CT扫描图像进行图像平滑去噪处理,
所述图像锐化单元对所述肺部CT扫描图像进行锐化仿真处理,
所述图像背景分割单元对所述肺部CT扫描图像进行图像分割处理,
所述二值化处理部对所述肺部CT扫描图像进行图像二值化处理得到所述二值化灰度图像。
3.根据权利要求2所述的肺部CT图像辅助检测处理装置,其特征在于:
其中,所述二值化处理部采用Matlab软件进行图像二值化处理。
4.根据权利要求2所述的肺部CT图像辅助检测处理装置,其特征在于:
其中,所述图像平滑去噪单元采用中值滤波法进行图像平滑噪处理。
5.根据权利要求2所述的肺部CT图像辅助检测处理装置,其特征在于:
其中,所述图像平滑去噪单元在滤波窗口为5×5的方形窗口中进行中值滤波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611131785.1A CN106600587A (zh) | 2016-12-09 | 2016-12-09 | 肺部ct图像辅助检测处理装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611131785.1A CN106600587A (zh) | 2016-12-09 | 2016-12-09 | 肺部ct图像辅助检测处理装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106600587A true CN106600587A (zh) | 2017-04-26 |
Family
ID=58598509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611131785.1A Pending CN106600587A (zh) | 2016-12-09 | 2016-12-09 | 肺部ct图像辅助检测处理装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106600587A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898593A (zh) * | 2018-06-25 | 2018-11-27 | 重庆知遨科技有限公司 | 一种基于腹部ct医学图像融合分类的检测方法 |
CN108985345A (zh) * | 2018-06-25 | 2018-12-11 | 重庆知遨科技有限公司 | 一种基于肺部医学图像融合分类的检测装置 |
CN109701168A (zh) * | 2018-12-27 | 2019-05-03 | 成植温 | 一种伽马放射的肿瘤治疗系统 |
CN110610147A (zh) * | 2019-08-30 | 2019-12-24 | 中国科学院深圳先进技术研究院 | 血管图像提取方法、相关装置及存储设备 |
CN116452464A (zh) * | 2023-06-09 | 2023-07-18 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种基于深度学习的胸部图像增强处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6310477B1 (en) * | 1999-05-10 | 2001-10-30 | General Electric Company | MR imaging of lesions and detection of malignant tumors |
US20110200238A1 (en) * | 2010-02-16 | 2011-08-18 | Texas Instruments Incorporated | Method and system for determining skinline in digital mammogram images |
US8577101B2 (en) * | 2006-03-13 | 2013-11-05 | Kitware, Inc. | Change assessment method |
CN105488800A (zh) * | 2015-11-30 | 2016-04-13 | 上海联影医疗科技有限公司 | 特征提取方法、计算机辅助诊断的方法及其系统 |
-
2016
- 2016-12-09 CN CN201611131785.1A patent/CN106600587A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6310477B1 (en) * | 1999-05-10 | 2001-10-30 | General Electric Company | MR imaging of lesions and detection of malignant tumors |
US8577101B2 (en) * | 2006-03-13 | 2013-11-05 | Kitware, Inc. | Change assessment method |
US20110200238A1 (en) * | 2010-02-16 | 2011-08-18 | Texas Instruments Incorporated | Method and system for determining skinline in digital mammogram images |
CN105488800A (zh) * | 2015-11-30 | 2016-04-13 | 上海联影医疗科技有限公司 | 特征提取方法、计算机辅助诊断的方法及其系统 |
Non-Patent Citations (1)
Title |
---|
陈书晶等: ""一种快速提取连续CT脑肿瘤病灶区的算法"", 《计算机测量与控制》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898593A (zh) * | 2018-06-25 | 2018-11-27 | 重庆知遨科技有限公司 | 一种基于腹部ct医学图像融合分类的检测方法 |
CN108985345A (zh) * | 2018-06-25 | 2018-12-11 | 重庆知遨科技有限公司 | 一种基于肺部医学图像融合分类的检测装置 |
CN108985345B (zh) * | 2018-06-25 | 2020-09-18 | 安徽倍泰光电科技有限公司 | 一种基于肺部医学图像融合分类的检测装置 |
CN108898593B (zh) * | 2018-06-25 | 2020-10-02 | 济南市第四人民医院 | 一种基于腹部ct医学图像融合分类的检测装置 |
CN109701168A (zh) * | 2018-12-27 | 2019-05-03 | 成植温 | 一种伽马放射的肿瘤治疗系统 |
CN110610147A (zh) * | 2019-08-30 | 2019-12-24 | 中国科学院深圳先进技术研究院 | 血管图像提取方法、相关装置及存储设备 |
CN116452464A (zh) * | 2023-06-09 | 2023-07-18 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种基于深度学习的胸部图像增强处理方法 |
CN116452464B (zh) * | 2023-06-09 | 2023-08-22 | 天津市肿瘤医院(天津医科大学肿瘤医院) | 一种基于深度学习的胸部图像增强处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yasrab et al. | RootNav 2.0: Deep learning for automatic navigation of complex plant root architectures | |
CN106600587A (zh) | 肺部ct图像辅助检测处理装置 | |
CN110276745B (zh) | 一种基于生成对抗网络的病理图像检测算法 | |
Jiang et al. | A region growing vessel segmentation algorithm based on spectrum information | |
CN111291825B (zh) | 病灶分类模型训练方法、装置、计算机设备和存储介质 | |
WO2021136368A1 (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
CN111127425A (zh) | 基于视网膜眼底图像的目标检测定位方法和装置 | |
US8781187B2 (en) | Methods, apparatuses, and computer program products for identifying a region of interest within a mammogram image | |
Akram et al. | Intensity-based statistical features for classification of lungs CT scan nodules using artificial intelligence techniques | |
CN110232318A (zh) | 穴位识别方法、装置、电子设备及存储介质 | |
Gadermayr et al. | CNN cascades for segmenting whole slide images of the kidney | |
Sornapudi et al. | EpithNet: Deep regression for epithelium segmentation in cervical histology images | |
Tian et al. | Blood vessel segmentation of fundus retinal images based on improved frangi and mathematical morphology | |
Chen et al. | Segmentation of overlapping cervical cells with mask region convolutional neural network | |
CN110246150A (zh) | 金属检测方法、装置、设备及存储介质 | |
US9538920B2 (en) | Standalone annotations of axial-view spine images | |
Ng et al. | Variational fuzzy superpixel segmentation | |
Li et al. | Exponential distance transform maps for cell localization | |
Goutham et al. | Automatic localization of landmarks in cephalometric images via modified U-Net | |
Dewan et al. | A method for automatic segmentation of nuclei in phase-contrast images based on intensity, convexity and texture | |
Yao et al. | Graph matching and deep neural networks based whole heart and great vessel segmentation in congenital heart disease | |
Hogeweg et al. | Foreign object detection and removal to improve automated analysis of chest radiographs | |
Haji et al. | A novel neutrosophic method for automatic seed point selection in thyroid nodule images | |
Jaffery et al. | Computerised segmentation of suspicious lesions in the digital mammograms | |
Vyshnavi et al. | Breast density classification in mammogram images |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170426 |
|
RJ01 | Rejection of invention patent application after publication |