CN106683085A - Ct图像脊椎和硬脊膜自动化检测方法 - Google Patents
Ct图像脊椎和硬脊膜自动化检测方法 Download PDFInfo
- Publication number
- CN106683085A CN106683085A CN201611207918.9A CN201611207918A CN106683085A CN 106683085 A CN106683085 A CN 106683085A CN 201611207918 A CN201611207918 A CN 201611207918A CN 106683085 A CN106683085 A CN 106683085A
- Authority
- CN
- China
- Prior art keywords
- image
- images
- vertebra
- region
- window
- 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
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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
- G06T2207/30012—Spine; Backbone
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明公开的CT图像脊椎和硬脊膜自动化检测方法。利用输入的一系列脊椎横断面扫描CT图像自动进行检测,过滤多余信息,提取骨骼所在部分,自动检测出每张图片中脊椎和硬脊膜所在的位置。用该方法方便快捷,不需要额外操作,可以避免传统的手工判断所需的繁复枯燥的处理过程。本方法对于一系列输入,每次进行检测时,使用上次检测结果作为初始结果,在初试结果附近进行查找,减少了查找范围,大大提高了效率。
Description
技术领域
本发明涉及医学影像图片处理技术领域,尤其涉及医学影像的脊椎和硬脊膜检测及其辅助诊断,具体是一种CT图像脊椎和硬脊膜自动化检测方法。
背景技术
随着医学技术的迅速发展,CT影像技术也越来越多的运用到各个领域,关于脊椎的医疗诊断也已广泛的使用了CT影像技术。脊椎的检测通常在诊断椎间盘病变,脊柱骨病,脊柱损伤等疾病时进行。由于需要使用CT辅助诊断脊椎的患者众多,每位患者也有多个需要诊断的CT图像,如何在数量众多的CT图像中快速、准确地判断出脊椎及脊椎相关部分已成为亟待解决的问题。
传统的根据脊椎横断面CT图像进行的脊椎位置的判断通常使用人工方法进行,费时费力,使得医生的工作量加大。
随着计算机的使用,处理脊椎CT图像成为一种趋势。对于一系列的CT图像的处理是一个非常枯燥的重复操作,通过计算机的辅助处理可以使繁复机械化的操作变得简单快捷。
发明内容
本发明的目的是提供一种对一系列CT图像中的脊椎和硬脊膜部分进行检测的方法,通过该方法,用户只需要输入一系列的CT图像,便可以自动对每张CT图像进行检测,快速自动地判断出每张图片中脊椎和硬脊膜所在的位置。
为了实现上述目的,本发明的技术解决方案是,通过对输入的图像序列进行处理,去掉多余信息,提取骨骼部分,设置查找窗口查找符合条件的区域,可以达到自动判断图片中脊椎和硬脊膜所在的位置的目的;通过将上一次查找结果作为本次查找的初始区域,在初始区域附近查找符合条件的区域,可以达到快速查找到一系列CT图像中所有脊椎和硬脊膜所在的位置的目的。
本发明的CT图像脊椎和硬脊膜自动化检测方法,具体包括以下步骤:
1)用户输入脊椎从上至下一系列的横断面的CT图像;
2)对图像进行预处理,去掉CT图像中的文字信息,并转为灰度图;
3)对图像进行处理,增加骨骼和其他部分的区分度;
4)提取骨骼区域,求每个区域的质心和面积;
5)对第一张CT图像,在CT图像下半部分寻找面积最大的骨骼区域,记录为对下一张CT图像进行查找的初始区域;对其他CT图像,在初始区域附近进行查找,寻找各图像中面积最大的骨骼区域,即获得所有图像中脊椎所在区域;
6)对每一张CT图像,在其脊椎所在区域中,找到灰度最小的一块区域,则为硬脊膜所在区域,此区域中最暗的部分为硬脊膜。
上述技术方案中,所述的对图像进行处理,增加骨骼和其他部分的区分度,包括如下步骤:
1)对预处理后的图片进行中值模糊操作;
2)根据经验取阈值,保留灰度大于阈值的部分,去除多余的信息;
3)对图像进行均值处理,计算输入图像的直方图,直方图归一化,计算直方图积分,进行直方图均衡化;
4)对进行均值处理后的图像再做一次中值模糊;
5)做形态学上的开操作,首先对图像进行一个腐蚀操作,再接着做一个膨胀操作;
6)加强图像的对比度。
所述的提取骨骼区域,具体包括如下步骤:
1)根据经验设定灰度阈值,保留图像中灰度大于该值的部分,去除其余非骨骼部分;
2)使用边缘检测算法提取骨骼部分的边缘,对提取出的边缘进行填充,得到多个骨骼区域,求每个骨骼区域的质心和大小。
所述的步骤5)中在第一张CT图中查找面积最大的骨骼区域的方法,具体为:
在图像中央设定一个查找窗口,不断移动该窗口,计算该窗口内包含的所有骨骼区域的面积,找出包含骨骼区域的面积总和最大的窗口,设为第一窗口,在该窗口内面积最大的那块骨骼区域即为脊椎。
所述的查找灰度最小的一块区域,具体是在第一窗口内进行查找。
本发明的有益效果在于:
1.可以根据输入的CT图像自动进行检测,自动过滤多余信息,提取骨骼所在部分,自动检测出每张图片中脊椎和硬脊膜所在的位置。与传统的手工判断相比,可以大大提高判断的效率。
2.本方法简便异性,操作快捷,用户只需要输入CT图像,不需要做更多的操作,不需要对使用者进行培训,就能方便快捷的使用。
3.该方法对于一系列输入,每次进行检测时,使用上次检测结果作为初始结果,在初试结果附近进行查找,减少了查找范围,大大提高了效率。
附图说明
图1是本发明的CT图像脊椎和硬脊膜自动化检测流程图;
图2是增加骨骼与其他部分区分度处理的流程图;
图3是提取骨骼部分的流程图;
图4是脊椎横断面CT图像示例图。
具体实施方式
以下结合附图进一步说明本发明。
本发明的CT图像脊椎和硬脊膜自动化检测流程如图1所示,该流程依次有如下步骤:
1)用户输入输入脊椎横断面从上至下的一系列的CT图像A;
2)对于第i次处理,取出第i张图像Ai,图像Ai进行预处理,去掉CT图像中的文字信息(如图4中a区域),得到去掉文字信息的图像Bi;
3)对图像Bi进行处理,增加骨骼和其他部分的区分度,得到图像Ci;
4)提取骨骼区域,求每个区域的质心和大小,得到图像Di;
5)过滤掉检测时的板子部分(如图4中b区域)。通过对步骤4中求得的骨骼区域的边缘进行协方差的计算,去掉协方差比较小的部分,即可过滤掉检测时的板子部分,得到过滤后的图像Ei;
7)对第一张对于过滤后的图像Ei,在CT图像下半部分寻找面积最大的骨骼区域,记录为下一次查找的初始区域;对其他过滤后的图像,在初始区域附近一次进行查找,获得所有图像中脊椎所在区域;
6)对每一张CT图像,在其脊椎所在区域中,找到灰度最小的一块区域,则为硬脊膜所在区域,此区域中最暗的部分为硬脊膜。
本发明中,所述的对图像进行预处理,包括如下步骤:
1)去掉CT图像中原有的文字信息部分,留下需要处理的部分,即对于图像中每一个像素点P,处理前的值为(r,g,b),那么处理后P的值可由以下方程确定:
2)将处理后的图片转换成灰度图,得到去掉文字信息的图像Bi;
本发明中,所述的对图像进行处理,增加骨骼和其他部分的区分度,包括如下步骤:
1)对去掉文字信息的图像Bi进行中值模糊操作,使得图像变得平滑,得到平滑后的图像Bi1;
2)根据经验取阈值,如取阈值160,留下灰度大于160的部分,去掉多余的信息,即对于图像Bi1中每一个像素点X,处理前的值为x,那么处理后X的值可由以下方程确定:
对图像Bi1中的每个像素点进行处理,得到去掉多余信息的图像Bi2;
3)对图像Bi2进行均值处理,计算输入图像的直方图,直方图归一化,计算直方图积分,进行直方图均衡化,得到均值处理后的图像Bi3;
4)对进行均值处理后的图像Bi3再做一次中值模糊,得到中值模糊后的图像Bi4;
5)中值模糊后的图像Bi4做形态学上的开操作,首先对图像进行一个腐蚀操作,再接着做一个膨胀操作,消除细小的物体,得到开操作后的图像Bi5;
6)加强图像的对比度,首先,对图像中的像素进行从[0,255]到[0,1]的映射,对映射后的像素做平方处理,然后再对平方后的像素进行从[0,1]到[0,255]的映射,使得数值小的像素处理后数值更小,数值大的像素处理后更大,增加不同数值的像素间的区分度,即对于图像Bi4中每一个像素点X,处理前的值为x,那么处理后x的值可由以下方程确定:
7)最终得到增加骨骼和其他部分的区分度的图像Ci
本发明中,所述的提取骨骼部分,包括如下步骤:
1)根据经验取阈值,如取阈值180,留下灰度大于180的部分,去除灰度小于180的部分,,即对于图像Ci中每一个像素点X,处理前的值为x,那么处理后X的值可由以下方程确定:
2)使用边缘检测算法提取骨骼部分的边缘,对提取出的边缘进行填充,得到多个骨骼区域,求每个骨骼区域的质心和大小。
本发明中,所述的查找面积最大的区域,包括如下步骤:
1)如果是第一次查找,则设初始区域为空,否则,则将上一次查找得到的脊椎区域作为初始查找区域;
2)如果初始查找区域为空,则转3);否则,转4);
3)在图像中央设定一个80*80的窗口,在这个图像下半部分区域进行查找,不断移动该窗口,计算该窗口内灰度值大于125的像素点的总数,得到该窗口内骨骼区域的面积,直到找到含有的骨骼区域的面积最大的窗口,在该窗口内面积最大的那块骨骼区域即为脊椎;
4)在初始区域附近且在图像下半部分区域进行查找,不断移动该窗口,计算该窗口内灰度值大于125的像素点的总数,得到该窗口内骨骼区域的面积,直到找到含有的骨骼区域的面积最大的窗口,在该窗口内面积最大的那块骨骼区域即为脊椎;
本发明中,所述的查找灰度最小的一块区域,包括如下步骤:
1)在第一窗口中央设定一个40*40的窗口;
2)在第一窗口内进行查找,不断移动该窗口,计算该窗口内灰度值,得到该窗口内较暗的区域,直到找到脊椎所在区域中灰度值最小的一块区域,此时该窗口所在区域则为脊椎所在区域。
Claims (5)
1.CT图像脊椎和硬脊膜自动化检测方法,其特征在于,包括以下步骤:
1)用户输入脊椎从上至下一系列的横断面CT图像;
2)对图像进行预处理,去掉CT图像中的文字信息,并转为灰度图;
3)对图像进行处理,增加骨骼和其他部分的区分度;
4)提取骨骼区域,求每个区域的质心和面积;
5)对第一张CT图像,在CT图像下半部分寻找面积最大的骨骼区域,记录为对下一张CT图像进行查找的初始区域;对其他CT图像,在初始区域附近进行查找,寻找各图像中面积最大的骨骼区域,即获得所有图像中脊椎所在区域;
6)对每一张CT图像,在其脊椎所在区域中,找到灰度最小的一块区域,则为硬脊膜所在区域,此区域中最暗的部分为硬脊膜。
2.按照权利要求1所述的CT图像脊椎和硬脊膜自动化检测方法,其特征在于,所述的对图像进行处理,增加骨骼和其他部分的区分度,包括如下步骤:
1)对预处理后的图片进行中值模糊操作;
2)根据经验取阈值,保留灰度大于阈值的部分,去除多余的信息;
3)对图像进行均值处理,计算输入图像的直方图,直方图归一化,计算直方图积分,进行直方图均衡化;
4)对进行均值处理后的图像再做一次中值模糊;
5)做形态学上的开操作,首先对图像进行一个腐蚀操作,再接着做一个膨胀操作;
6)加强图像的对比度。
3.按照权利要求1所述的CT图像脊椎和硬脊膜自动化检测方法,其特征在于,所述的提取骨骼区域,具体包括如下步骤:
1)根据经验设定灰度阈值,保留图像中灰度大于该值的部分,去除其余非骨骼部分;
2)使用边缘检测算法提取骨骼部分的边缘,对提取出的边缘进行填充,得到多个骨骼区域,求每个骨骼区域的质心和大小。
4.按照权利要求1所述的CT图像脊椎和硬脊膜自动化检测方法,其特征在于,所述的步骤5)中在第一张CT图中查找面积最大的骨骼区域的方法,具体为:
在图像中央设定一个查找窗口,不断移动该窗口,计算该窗口内包含的所有骨骼区域的面积,找出包含骨骼区域的面积总和最大的窗口,设为第一窗口,在该窗口内面积最大的那块骨骼区域即为脊椎。
5.按照权利要求1所述的CT图像脊椎和硬脊膜自动化检测方法,其特征在于,所述的查找灰度最小的一块区域,具体是在第一窗口内进行查找。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611207918.9A CN106683085A (zh) | 2016-12-23 | 2016-12-23 | Ct图像脊椎和硬脊膜自动化检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611207918.9A CN106683085A (zh) | 2016-12-23 | 2016-12-23 | Ct图像脊椎和硬脊膜自动化检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106683085A true CN106683085A (zh) | 2017-05-17 |
Family
ID=58871506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611207918.9A Pending CN106683085A (zh) | 2016-12-23 | 2016-12-23 | Ct图像脊椎和硬脊膜自动化检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106683085A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220646A (zh) * | 2017-05-25 | 2017-09-29 | 杭州健培科技有限公司 | 一种去背景干扰的医学图像文字识别增强方法 |
CN107862699A (zh) * | 2017-09-22 | 2018-03-30 | 中国科学院深圳先进技术研究院 | 骨骼ct图像的骨骼边缘提取方法、装置、设备及存储介质 |
CN109035326A (zh) * | 2018-06-19 | 2018-12-18 | 北京理工大学 | 基于亚像素图像识别的高精度定位技术 |
CN110634124A (zh) * | 2018-06-22 | 2019-12-31 | 合肥欣奕华智能机器有限公司 | 一种区域检测的方法及设备 |
WO2023121810A1 (en) * | 2021-12-22 | 2023-06-29 | Orthofix Us Llc | Image-based implant length determination and associated systems, devices, and methods |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537939A (zh) * | 2014-12-31 | 2015-04-22 | 佛山市中医院 | 一种椎弓根螺钉植入的虚拟方法及装置 |
CN104899926A (zh) * | 2015-07-06 | 2015-09-09 | 上海联影医疗科技有限公司 | 医学图像分割方法和装置 |
CN105405129A (zh) * | 2015-10-31 | 2016-03-16 | 上海联影医疗科技有限公司 | 医学图像的重建方法及其装置 |
-
2016
- 2016-12-23 CN CN201611207918.9A patent/CN106683085A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537939A (zh) * | 2014-12-31 | 2015-04-22 | 佛山市中医院 | 一种椎弓根螺钉植入的虚拟方法及装置 |
CN104899926A (zh) * | 2015-07-06 | 2015-09-09 | 上海联影医疗科技有限公司 | 医学图像分割方法和装置 |
CN105405129A (zh) * | 2015-10-31 | 2016-03-16 | 上海联影医疗科技有限公司 | 医学图像的重建方法及其装置 |
Non-Patent Citations (1)
Title |
---|
姚沛延: "基于CT图像的脊椎骨组织分割", 《计算机工程及应用》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220646A (zh) * | 2017-05-25 | 2017-09-29 | 杭州健培科技有限公司 | 一种去背景干扰的医学图像文字识别增强方法 |
CN107220646B (zh) * | 2017-05-25 | 2020-04-14 | 杭州健培科技有限公司 | 一种去背景干扰的医学图像文字识别增强方法 |
CN107862699A (zh) * | 2017-09-22 | 2018-03-30 | 中国科学院深圳先进技术研究院 | 骨骼ct图像的骨骼边缘提取方法、装置、设备及存储介质 |
CN109035326A (zh) * | 2018-06-19 | 2018-12-18 | 北京理工大学 | 基于亚像素图像识别的高精度定位技术 |
CN110634124A (zh) * | 2018-06-22 | 2019-12-31 | 合肥欣奕华智能机器有限公司 | 一种区域检测的方法及设备 |
WO2023121810A1 (en) * | 2021-12-22 | 2023-06-29 | Orthofix Us Llc | Image-based implant length determination and associated systems, devices, and methods |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106683085A (zh) | Ct图像脊椎和硬脊膜自动化检测方法 | |
CN109472781B (zh) | 一种基于串行结构分割的糖尿病视网膜病变检测系统 | |
Sopharak et al. | Simple hybrid method for fine microaneurysm detection from non-dilated diabetic retinopathy retinal images | |
CN100382108C (zh) | 脸图像候选区域检索方法、检索系统 | |
CN111368643B (zh) | 一种大肠杆菌动态生长监测方法 | |
CN107506770A (zh) | 糖尿病视网膜病变眼底照相标准图像生成方法 | |
US9501823B2 (en) | Methods and systems for characterizing angle closure glaucoma for risk assessment or screening | |
CN106548176B (zh) | 基于自适应引导滤波的指静脉图像增强方法 | |
CN107368792A (zh) | 一种基于滤波器以及主干边缘的指静脉识别方法及系统 | |
CN112184617A (zh) | 一种基于深度学习的脊椎mri影像关键点检测方法 | |
CN102982542A (zh) | 一种基于相位一致性的眼底图像血管分割方法 | |
de Souza Jr et al. | Automatic frontal sinus recognition in computed tomography images for person identification | |
CN111126162A (zh) | 一种识别图像中炎症细胞的方法、装置及存储介质 | |
CN110909631A (zh) | 一种手指静脉图像roi提取和增强方法 | |
CN113237881A (zh) | 一种特定细胞的检测方法、装置和病理切片检测系统 | |
Sachdeva et al. | Automatic segmentation and area calculation of optic disc in ophthalmic images | |
CN107122710B (zh) | 一种基于散射卷积网络的手指静脉特征提取方法 | |
CN110543802A (zh) | 眼底图像中左右眼识别方法与装置 | |
Iwahori et al. | Automatic polyp detection from endoscope image using likelihood map based on edge information | |
Aggarwal et al. | Automatic localization and contour detection of Optic disc | |
CN113269756A (zh) | 基于多尺度匹配滤波与粒子群优化视网膜血管分割方法、装置 | |
CN107358224B (zh) | 一种白内障手术中虹膜外轮廓检测的方法 | |
Oliveira et al. | Automatic detection of microaneurysm based on the slant stacking | |
Abdel-Latif et al. | Achieving Information Security by multi-Modal Iris-Retina Biometric Approach Using Improved Mask R-CNN | |
Patil et al. | Glaucoma Detection using Convolutional Neural Network |
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: 20170517 |
|
RJ01 | Rejection of invention patent application after publication |