CN108596209A - 一种能谱ct图像的处理方法及系统 - Google Patents

一种能谱ct图像的处理方法及系统 Download PDF

Info

Publication number
CN108596209A
CN108596209A CN201810239569.1A CN201810239569A CN108596209A CN 108596209 A CN108596209 A CN 108596209A CN 201810239569 A CN201810239569 A CN 201810239569A CN 108596209 A CN108596209 A CN 108596209A
Authority
CN
China
Prior art keywords
point
power spectrum
images
interested
spectrum
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
Application number
CN201810239569.1A
Other languages
English (en)
Inventor
杨璐
张湛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Green Letter Technology Co Ltd
Original Assignee
Chongqing Green Letter Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Green Letter Technology Co Ltd filed Critical Chongqing Green Letter Technology Co Ltd
Priority to CN201810239569.1A priority Critical patent/CN108596209A/zh
Publication of CN108596209A publication Critical patent/CN108596209A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种能谱CT图像的处理方法及系统，包括步骤S1：将能谱CT图像进行分割，获取感兴趣的能谱CT图像；步骤S2：将表征感兴趣的能谱CT图像的三维数据转换为一维数据，再获取该感兴趣能谱CT图像中各点对应的能谱曲线；步骤S3：根据各点的能谱曲线，对感兴趣的能谱CT图像的各点进行聚类和统计。相比于现有技术，本发明根据能谱曲线，实现快速地对能谱CT图像中的各点进行聚类和统计，进而可客观准确快速地获得统计结果。

Description

一种能谱CT图像的处理方法及系统
技术领域
本发明涉及能谱CT领域，特别是涉及一种能谱CT图像的处理方法及系统。
背景技术
现有的电子计算机断层扫描(Computed Tomography，以下简称“CT”)，利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器进行断面扫描，具有扫描时间快，图像清晰等特点，广泛应用于各个领域。
现有的CT扫描是混合能量成像，所得到的只能代表密度。能谱CT作为一种新型的电子计算断层扫描，其是单能量成像，可以提供多个单能量成像、基物质成像、能谱曲线以及有效原子序数等。通过能谱CT扫描可获得能谱CT图像，如何对能谱CT图像进行分析和处理成为了越来越多学者关注的话题。现有对能谱CT图像的处理仅仅局限在从视觉上人工对能谱CT图像进行统计和分析，而这种方式统计分析方法过于主观，而且统计分析出来的结果往往不准确。
发明内容
基于此，本发明的目的在于，提供一种能谱CT图像的处理方法，其具有可快速对感兴趣的能谱CT图像中的各点进行聚类，可客观准确地获得统计结果的优点。
一种能谱CT图像的处理方法，包括如下步骤：
步骤S1：将能谱CT图像进行分割，获取感兴趣的能谱CT图像；
步骤S2：将表征感兴趣的能谱CT图像的三维数据转换为一维数据，再获取该感兴趣能谱CT图像中各点对应的能谱曲线；
步骤S3：根据各点的能谱曲线，对感兴趣的能谱CT图像的各点进行聚类和统计。
相比于现有技术，本发明根据能谱曲线，实现快速地对能谱CT图像中的各点进行聚类和统计，进而可客观准确快速地获得统计结果。
进一步地，所述根据各点的能谱曲线，对感兴趣的能谱CT图像的各点进行聚类，包括：
步骤S31：获取该感兴趣的能谱CT图像中的各点并存储至地址数组A(K)中；
步骤S32：获取需要待聚类的点的数量M，并预设聚类数H＝1，其中K＝1，2，….M；
步骤S33：将地址数组A(1)中对应的点作为第H类聚类的样本点，依序计算A(2)-A(M)中各地址对应的点的能谱曲线与第H类聚类的样本点的能谱曲线的差值的绝对值，并将差值的绝对值小于给定阈值的点归类到该第H类聚类中；
步骤S34：获取未归类的点的个数V，并将未归类到第H类聚类中的点依序存储到地址数组A(1)-A(V)中；
步骤S35：判断未归类的点的个数V是否少于2个，若是，则退出聚类；否则，令H＝H+1，M＝V，回到步骤S33。
进一步地，在步骤S33中，判断A(2)-A(M)中各地址对应的点的能谱曲线与第H类聚类的样本点的能谱曲线的差值的绝对值是否小于给定阈值时，先获取该地址对应的点的各个能谱CT值分别与第H类聚类的样本点对应的各个能谱CT值的差值的绝对值，再将各个差值的绝对值相乘，以各差值的绝对值的乘积作为该地址对应的点的能谱曲线与第H类聚类的样本点的能谱曲线的差值的绝对值。
进一步地，在步骤S3中，对感兴趣的能谱CT图像的各点进行统计时，包括统计该感兴趣的能谱CT图像聚类的种类数。
进一步地，在步骤S3中，对感兴趣的能谱CT图像的各点进行统计时，包括获取各聚类中包含的点的个数在待聚类的点数的总个数中所占的比例，并分别绘制比例直方图。
进一步地，在步骤S3中，对感兴趣的能谱CT图像的各点进行统计时，包括将属于同一类的点用相同的数字进行标识，再将感兴趣的能谱CT图像的数据转换成三维数组。
进一步地，在步骤S3中，对感兴趣的能谱CT图像的各点进行统计时，包括将属于同一类的点用相同的数字进行标识，再将每个类分别进行分割，从而分别对每类进行三维重建。
本发明还提供一种能谱CT图像的处理系统，包括存储器和处理器；所述存储器存储有多条指令；所述指令适于由处理器加载并执行：
将能谱CT图像进行分割，获取感兴趣的能谱CT图像；
将表征感兴趣的能谱CT图像的三维数据转换为一维数据，再获取该感兴趣能谱CT图像中各点对应的能谱曲线；
根据各点的能谱曲线，对感兴趣的能谱CT图像的各点进行聚类和统计。
进一步地，所述在对感兴趣的能谱CT图像的各点进行聚类时，所述处理器加载并执行：
获取该感兴趣的能谱CT图像中的各点并存储至地址数组A(K)中；
获取需要待聚类的点的数量M，并预设聚类数H＝1，其中K＝1，2，….M；
将地址数组A(1)中对应的点作为第H类聚类的样本点，依序计算A(2)-A(M)中各地址对应的点的能谱曲线与第H类聚类的样本点的能谱曲线的差值的绝对值，并将差值的绝对值小于给定阈值的点归类到该第H类聚类中；
获取未归类的点的个数V，并将未归类到第H类聚类中的点依序存储到地址数组A(1)-A(V)中；
判断未归类的点的个数V是否少于2个，若是，则退出聚类；否则，令H＝H+1，M＝V，将地址数组A(1)中对应的点作为第H类聚类的样本点，依序计算A(2)-A(M)中各地址对应的点的能谱曲线与第H类聚类的样本点的能谱曲线的差值的绝对值，并将差值的绝对值小于给定阈值的点归类到该第H类聚类中，以此类推。
相比于现有技术，本发明根据能谱曲线，实现快速地对能谱CT图像中的各点进行聚类和统计，进而可客观准确快速地获得统计结果。进一步地，本发明的聚类过程完全根据能谱CT图像各点的能谱曲线自行进行聚类，无需人工干预确定聚类类别，聚类过程更加准确更加方便快捷，同时，可将聚类统计处理后的结果来表征该感兴趣的能谱CT图像，以为后续将其他能谱CT图像与该感兴趣能谱CT图像的相似度比较提供了良好的参考基础。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本发明实施例中能谱CT图像的处理方法的流程图；
图2为本发明实施例中对能谱CT图像进行聚类的流程图。
具体实施方式
请参阅图1，其为本发明实施例中能谱CT图像的处理方法的流程图。该能谱CT图像的处理方法，包括如下步骤：
步骤S1：将能谱CT图像进行分割，获取感兴趣的能谱CT图像。
获取能谱CT图像，并以低值如0表示不需要处理的区域，以高值如255表示感兴趣的区域，从而该能谱CT图像二值化，进而在能谱CT图像中分割获取到感兴趣的能谱CT图像。
步骤S2：将表征感兴趣的能谱CT图像的三维数据转换为一维数据，再获取该感兴趣能谱CT图像中各点对应的能谱曲线。
本发明的能谱CT图像由能谱CT数据组成，能谱CT图像上的每个点均对应有多个能谱CT数据，若对于某个点从40keV到140keV，每隔10keV扫描一次即可获得11个能谱CT数据，则这个点就对应有11个能谱CT数据，则以X射线能量，单位keV作为横坐标，该横坐标的取值范围为40keV到140keV，每隔10keV取一次值，且以该11个CT值作为纵坐标获得的曲线即为一个点的能谱曲线。
步骤S3：根据各点的能谱曲线，对感兴趣的能谱CT图像的各点进行聚类和统计。
请参阅图2，其为本发明实施例中对感兴趣的能谱CT图像进行聚类的流程图。
在步骤S3中，对感兴趣的能谱CT图像的各点进行聚类时，包括如下步骤：
步骤S31：获取该感兴趣的能谱CT图像中的各点并存储至地址数组A(K)中；
步骤S32：获取需要待聚类的点的数量M，并预设聚类数H＝1，其中K＝1，2，….M；
步骤S33：将地址数组A(1)中对应的点作为第H类聚类的样本点，依序计算A(2)-A(M)中各地址对应的点的能谱曲线与第H类聚类的样本点的能谱曲线的差值的绝对值，并将差值的绝对值小于给定阈值的点归类到该第H类聚类中。
具体的，判断A(2)-A(M)中各地址对应的点的能谱曲线与第H类聚类的样本点的能谱曲线的差值的绝对值是否小于给定阈值时，以该地址对应点如A(2)的地址对应的点的各个能谱CT值分别与第H类聚类的样本点对应的各个能谱CT值一一进行比较，即获取A(2)的地址对应的点的40keV对应的能谱CT值与第H类聚类的样本点的40keV对应的能谱CT值的差值的绝对值，获取A(2)的地址对应的点的50keV对应的能谱CT值与第H类聚类的样本点的50keV对应的能谱CT值的差值的绝对值…直到获取A(2)的地址对应的点的140keV对应的能谱CT值与第H类聚类的样本点的140keV对应的能谱CT值的差值的绝对值，再将各个差值的绝对值相乘，以各差值的绝对值的乘积作为A(2)的地址对应的点的能谱曲线与第H类聚类的样本点的能谱曲线的差值的绝对值。
|(abs(f40kev(a)-f40kev(b))＜ε))·(abs(f50kev(a)-f50kev(b))＜ε)·.......(abs(f140kev(a)-f140kev(b))＜ε)
在步骤S33中，所述给定阈值为正整数，其值可以根据所要获取的感兴趣曲线的聚类结果而定，一旦决定了某曲线聚类的阈值，则可以固定下来。
在发明中，对于属于同一类的点用相同的数字进行标识，如同属于第一类的点均用1进行标识，同属于第二类的点均用2进行标识，以此类推。
步骤S34：获取未归类的点的个数V，并将未归类到第H类聚类中的点依序存储到地址数组A(1)-A(V)中；
步骤S35：判断未归类的点的个数V是否少于2个，若是，则退出聚类；否则，令H＝H+1，M＝V，回到步骤S33。
在步骤S3中，对感兴趣的能谱CT图像的各点进行统计时，包括统计该感兴趣的能谱CT图像聚类的种类数，即H的大小。
在步骤S3中，对感兴趣的能谱CT图像的各点进行统计时，还包括获取各聚类中包含的点的个数在待聚类的点数的总个数中所占的比例，并分别绘制比例直方图，以直观地获取聚类结果。
在步骤S3中，对感兴趣的能谱CT图像的各点进行统计时，还包括获取各聚类曲线的斜率，本实施例中，以能谱CT值在40kev-90kev区间和90kev-140kev区间的斜率表征聚类曲线的斜率，如以第a类聚类曲线为例，则该第a类聚类曲线的斜率为[f40kev(a类)-f90kev(a类)]/(40-90)，[f90kev(a类)-f140kev(a类)]/(90-140)。
在步骤S3中，对感兴趣的能谱CT图像的各点进行统计时，还包括获取各类曲线在各个X射线能量的CT值，如获取各类曲线在40kev、90kev以及140kev的能谱CT值。
在步骤S3中，对感兴趣的能谱CT图像的各点进行统计时，还包括将属于同一类的点用相同的数字进行标识，再将感兴趣的能谱CT图像的数据转换成三维数组，进而还原成三维无监督聚类图，其中图中数字相同的属于同一类。如果类的总数超过了256类，则不能够用8位图来表示。可以用伪着色的方法来进行可视化，也可以把它转换成DICOM数据，到可以阅读DICOM的软件下观察。
在步骤S3中，对感兴趣的能谱CT图像的各点进行统计时，包括将属于同一类的点用相同的数字进行标识，再将每个类分别进行分割，从而分别对每类进行三维重建，例如，把等于1的点分割出来，然后对其进行三维重建；把等于2的点分割出来，然后对其进行三维重建，以此类推。
本发明还提供一种能谱CT图像的处理系统，包括存储器和处理器；所述存储器存储有多条指令；所述指令适于由处理器加载并执行：
将能谱CT图像进行分割，获取感兴趣的能谱CT图像；
将表征感兴趣的能谱CT图像的三维数据转换为一维数据，再获取该感兴趣能谱CT图像中各点对应的能谱曲线；
根据各点的能谱曲线，对感兴趣的能谱CT图像的各点进行聚类和统计。
在获取感兴趣的能谱CT图像时，所述处理器加载并执行：获取能谱CT图像，并以低值如0表示不需要处理的区域，以高值如255表示感兴趣的区域，从而该能谱CT图像二值化，进而在能谱CT图像中分割获取到感兴趣的能谱CT图像。
在对感兴趣的能谱CT图像的各点进行聚类时，所述处理器加载并执行：
获取该感兴趣的能谱CT图像中的各点并存储至地址数组A(K)中；
获取需要待聚类的点的数量M，并预设聚类数H＝1，其中K＝1，2，….M；
将地址数组A(1)中对应的点作为第H类聚类的样本点，依序计算A(2)-A(M)中各地址对应的点的能谱曲线与第H类聚类的样本点的能谱曲线的差值的绝对值，并将差值的绝对值小于给定阈值的点归类到该第H类聚类中；
获取未归类的点的个数V，并将未归类到第H类聚类中的点依序存储到地址数组A(1)-A(V)中；
判断未归类的点的个数V是否少于2个，若是，则退出聚类；否则，令H＝H+1，M＝V，将地址数组A(1)中对应的点作为第H类聚类的样本点，依序计算A(2)-A(M)中各地址对应的点的能谱曲线与第H类聚类的样本点的能谱曲线的差值的绝对值，并将差值的绝对值小于给定阈值的点归类到该第H类聚类中，以此类推。
具体的，判断A(2)-A(M)中各地址对应的点的能谱曲线与第H类聚类的样本点的能谱曲线的差值的绝对值是否小于给定阈值时，以该地址对应点如A(2)的地址对应的点的各个能谱CT值分别与第H类聚类的样本点对应的各个能谱CT值一一进行比较，即获取A(2)的地址对应的点的40keV对应的能谱CT值与第H类聚类的样本点的40keV对应的能谱CT值的差值的绝对值，获取A(2)的地址对应的点的50keV对应的能谱CT值与第H类聚类的样本点的50keV对应的能谱CT值的差值的绝对值…直到获取A(2)的地址对应的点的140keV对应的能谱CT值与第H类聚类的样本点的140keV对应的能谱CT值的差值的绝对值，再将各个差值的绝对值相乘，以各差值的绝对值的乘积作为A(2)的地址对应的点的能谱曲线与第H类聚类的样本点的能谱曲线的差值的绝对值。
|(abs(f40kev(a)-f40kev(b))＜ε))·(abs(f50kev(a)-f50kev(b))＜ε)·.......(abs(f140kev(a)-f140kev(b))＜ε)
所述给定阈值为正整数，其值可以根据所要获取的感兴趣曲线的聚类结果而定，一旦决定了某曲线聚类的阈值，则可以固定下来。
在发明中，对于属于同一类的点用相同的数字进行标识，如同属于第一类的点均用1进行标识，同属于第二类的点均用2进行标识，以此类推。
对感兴趣的能谱CT图像的各点进行统计时，包括统计该感兴趣的能谱CT图像聚类的种类数，即H的大小。
对感兴趣的能谱CT图像的各点进行统计时，还包括获取各聚类中包含的点的个数在待聚类的点数的总个数中所占的比例，并分别绘制比例直方图，以直观地获取聚类结果。
对感兴趣的能谱CT图像的各点进行统计时，还包括获取各聚类曲线的斜率，本实施例中，以能谱CT值在40kev-90kev区间和90kev-140kev区间的斜率表征聚类曲线的斜率，如以第a类聚类曲线为例，则该第a类聚类曲线的斜率为[f40kev(a类)-f90kev(a类)]/(40-90)，[f90kev(a类)-f140kev(a类)]/(90-140)。
对感兴趣的能谱CT图像的各点进行统计时，还包括获取各类曲线在各个X射线能量的CT值，如获取各类曲线在40kev、90kev以及140kev的能谱CT值。
对感兴趣的能谱CT图像的各点进行统计时，还包括将属于同一类的点用相同的数字进行标识，再将感兴趣的能谱CT图像的数据转换成三维数组，进而还原成三维无监督聚类图，其中图中数字相同的属于同一类。如果类的总数超过了256类，则不能够用8位图来表示。可以用伪着色的方法来进行可视化，也可以把它转换成DICOM数据，到可以阅读DICOM的软件下观察。
对感兴趣的能谱CT图像的各点进行统计时，包括将属于同一类的点用相同的数字进行标识，再将每个类分别进行分割，从而分别对每类进行三维重建，例如，把等于1的点分割出来，然后对其进行三维重建；把等于2的点分割出来，然后对其进行三维重建，以此类推。
相比于现有技术，本发明根据能谱曲线，实现快速地对能谱CT图像中的各点进行聚类和统计，进而可客观准确快速地获得统计结果。进一步地，本发明的聚类过程完全根据能谱CT图像各点的能谱曲线自行进行聚类，无需人工干预确定聚类类别，聚类过程更加准确更加方便快捷，同时，可将聚类统计处理后的结果来表征该感兴趣的能谱CT图像，以为后续将其他能谱CT图像与该感兴趣的能谱CT图像的相似度比较提供了良好的参考基础。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (9)

1.一种能谱CT图像的处理方法，其特征在于，包括如下步骤：
步骤S1：将能谱CT图像进行分割，获取感兴趣的能谱CT图像；
步骤S2：将表征感兴趣的能谱CT图像的三维数据转换为一维数据，再获取该感兴趣能谱CT图像中各点对应的能谱曲线；
步骤S3：根据各点的能谱曲线，对感兴趣的能谱CT图像的各点进行聚类和统计。
2.根据权利要求1所述的能谱CT图像的处理方法，其特征在于，在步骤S3中，所述根据各点的能谱曲线，对感兴趣的能谱CT图像的各点进行聚类，包括：
步骤S31：获取该感兴趣的能谱CT图像中的各点并存储至地址数组A(K)中；
步骤S32：获取需要待聚类的点的数量M，并预设聚类数H＝1，其中K＝1，2，….M；
步骤S33：将地址数组A(1)中对应的点作为第H类聚类的样本点，依序计算A(2)-A(M)中各地址对应的点的能谱曲线与第H类聚类的样本点的能谱曲线的差值的绝对值，并将差值的绝对值小于给定阈值的点归类到该第H类聚类中；
步骤S34：获取未归类的点的个数V，并将未归类到第H类聚类中的点依序存储到地址数组A(1)-A(V)中；
步骤S35：判断未归类的点的个数V是否少于2个，若是，则退出聚类；否则，令H＝H+1，M＝V，回到步骤S33。
3.根据权利要求2所述的能谱CT图像的处理方法，其特征在于，在步骤S33中，判断A(2)-A(M)中各地址对应的点的能谱曲线与第H类聚类的样本点的能谱曲线的差值的绝对值是否小于给定阈值时，先获取该地址对应的点的各个能谱CT值分别与第H类聚类的样本点对应的各个能谱CT值的差值的绝对值，再将各个差值的绝对值相乘，以各差值的绝对值的乘积作为该地址对应的点的能谱曲线与第H类聚类的样本点的能谱曲线的差值的绝对值。
4.根据权利要求2所述的能谱CT图像的处理方法，其特征在于，在步骤S3中，对感兴趣的能谱CT图像的各点进行统计时，包括统计该感兴趣的能谱CT图像聚类的种类数。
5.根据权利要求2所述的能谱CT图像的处理方法，其特征在于，在步骤S3中，对感兴趣的能谱CT图像的各点进行统计时，包括获取各聚类中包含的点的个数在待聚类的点数的总个数中所占的比例，并分别绘制比例直方图。
6.根据权利要求2所述的能谱CT图像的处理方法，其特征在于，在步骤S3中，对感兴趣的能谱CT图像的各点进行统计时，包括将属于同一类的点用相同的数字进行标识，再将感兴趣的能谱CT图像的数据转换成三维数组。
7.根据权利要求2所述的能谱CT图像的处理方法，其特征在于，在步骤S3中，对感兴趣的能谱CT图像的各点进行统计时，包括将属于同一类的点用相同的数字进行标识，再将每个类分别进行分割，从而分别对每类进行三维重建。
8.一种能谱CT图像的处理系统，其特征在于，包括存储器和处理器；所述存储器存储有多条指令；所述指令适于由处理器加载并执行：
将能谱CT图像进行分割，获取感兴趣的能谱CT图像；
将表征感兴趣的能谱CT图像的三维数据转换为一维数据，再获取该感兴趣能谱CT图像中各点对应的能谱曲线；
根据各点的能谱曲线，对感兴趣的能谱CT图像的各点进行聚类和统计。
9.根据权利要求8所述的能谱CT图像的处理系统，其特征在于，所述在对感兴趣的能谱CT图像的各点进行聚类时，所述处理器加载并执行：
获取该感兴趣的能谱CT图像中的各点并存储至地址数组A(K)中；
获取需要待聚类的点的数量M，并预设聚类数H＝1，其中K＝1，2，….M；
将地址数组A(1)中对应的点作为第H类聚类的样本点，依序计算A(2)-A(M)中各地址对应的点的能谱曲线与第H类聚类的样本点的能谱曲线的差值的绝对值，并将差值的绝对值小于给定阈值的点归类到该第H类聚类中；
获取未归类的点的个数V，并将未归类到第H类聚类中的点依序存储到地址数组A(1)-A(V)中；
判断未归类的点的个数V是否少于2个，若是，则退出聚类；否则，令H＝H+1，M＝V，将地址数组A(1)中对应的点作为第H类聚类的样本点，依序计算A(2)-A(M)中各地址对应的点的能谱曲线与第H类聚类的样本点的能谱曲线的差值的绝对值，并将差值的绝对值小于给定阈值的点归类到该第H类聚类中，以此类推。
CN201810239569.1A 2018-03-22 2018-03-22 一种能谱ct图像的处理方法及系统 Pending CN108596209A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810239569.1A CN108596209A (zh) 2018-03-22 2018-03-22 一种能谱ct图像的处理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810239569.1A CN108596209A (zh) 2018-03-22 2018-03-22 一种能谱ct图像的处理方法及系统

Publications (1)

Publication Number Publication Date
CN108596209A true CN108596209A (zh) 2018-09-28

Family

ID=63627017

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810239569.1A Pending CN108596209A (zh) 2018-03-22 2018-03-22 一种能谱ct图像的处理方法及系统

Country Status (1)

Country Link
CN (1) CN108596209A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110033432A (zh) * 2019-03-01 2019-07-19 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) 基于机器学习和能谱ct的泌尿结石成分分析方法及系统
CN113129349A (zh) * 2021-04-08 2021-07-16 杭州臻合健康科技有限公司 一种基于三维重建对竹材分析以及加工工艺优选的方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102163327A (zh) * 2011-04-22 2011-08-24 陈宇珂 一种医用的心脏ct图像分割方法
CN103268502A (zh) * 2013-06-05 2013-08-28 中国科学院对地观测与数字地球科学中心 高光谱图像波段选择方法及装置
CN104537673A (zh) * 2015-01-09 2015-04-22 西安电子科技大学 基于多阈值和自适应模糊聚类的红外图像分割方法
CN104809723A (zh) * 2015-04-13 2015-07-29 北京工业大学 基于超体素和图割算法的三维肝脏ct图像自动分割方法
US20150310638A1 (en) * 2014-04-23 2015-10-29 Ge Medical Systems Global Technology Company, Llc. System and method of medical imaging
CN107133630A (zh) * 2016-02-29 2017-09-05 中国石油化工股份有限公司 一种基于扫描图像判断碳酸盐岩孔隙类型的方法
CN107481240A (zh) * 2017-08-17 2017-12-15 重庆青信科技有限公司 基于能谱曲线的能谱ct图像全分割方法及系统
CN107481242A (zh) * 2017-08-17 2017-12-15 重庆青信科技有限公司 一种能谱ct图像的分割方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102163327A (zh) * 2011-04-22 2011-08-24 陈宇珂 一种医用的心脏ct图像分割方法
CN103268502A (zh) * 2013-06-05 2013-08-28 中国科学院对地观测与数字地球科学中心 高光谱图像波段选择方法及装置
US20150310638A1 (en) * 2014-04-23 2015-10-29 Ge Medical Systems Global Technology Company, Llc. System and method of medical imaging
CN104537673A (zh) * 2015-01-09 2015-04-22 西安电子科技大学 基于多阈值和自适应模糊聚类的红外图像分割方法
CN104809723A (zh) * 2015-04-13 2015-07-29 北京工业大学 基于超体素和图割算法的三维肝脏ct图像自动分割方法
CN107133630A (zh) * 2016-02-29 2017-09-05 中国石油化工股份有限公司 一种基于扫描图像判断碳酸盐岩孔隙类型的方法
CN107481240A (zh) * 2017-08-17 2017-12-15 重庆青信科技有限公司 基于能谱曲线的能谱ct图像全分割方法及系统
CN107481242A (zh) * 2017-08-17 2017-12-15 重庆青信科技有限公司 一种能谱ct图像的分割方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
康迎英: "模糊聚类在医学图像分割中的应用和研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
朱玲利等: "基于CT图像分析和聚类法的CT图像分割", 《洛阳师范学院学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110033432A (zh) * 2019-03-01 2019-07-19 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) 基于机器学习和能谱ct的泌尿结石成分分析方法及系统
CN110033432B (zh) * 2019-03-01 2023-04-18 广州市番禺区中心医院(广州市番禺区人民医院、广州市番禺区心血管疾病研究所) 基于机器学习和能谱ct的泌尿结石成分分析方法及系统
CN113129349A (zh) * 2021-04-08 2021-07-16 杭州臻合健康科技有限公司 一种基于三维重建对竹材分析以及加工工艺优选的方法

Similar Documents

Publication Publication Date Title
CN108664971B (zh) 基于2d卷积神经网络的肺结节检测方法
US20220067943A1 (en) Automated semantic segmentation of non-euclidean 3d data sets using deep learning
Yang et al. High-throughput measurement of rice tillers using a conveyor equipped with x-ray computed tomography
US5633948A (en) Method and apparatus for detecting a desired behavior in digital image data
CN105559813B (zh) 医用图像诊断装置以及医用图像处理装置
Liu et al. A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field
US9546968B2 (en) Meat assessment device
CN108846338A (zh) 基于面向对象随机森林的极化特征选择及分类方法
US10846856B2 (en) Breast imaging reporting and data system (BI-RADS) tissue composition
Chalidabhongse et al. 2D/3D vision-based mango's feature extraction and sorting
CN108596209A (zh) 一种能谱ct图像的处理方法及系统
CN109800812A (zh) 基于仿冒过滤器的ct图像分类特征选择方法及系统
Parsaeian et al. Estimating oil and protein content of sesame seeds using image processing and artificial neural network
Van De Looverbosch et al. Nondestructive high-throughput sugar beet fruit analysis using X-ray CT and deep learning
EP1639339A2 (en) Fluid sample analysis using class weights
Rodrigues et al. The miniJPAS survey quasar selection–II. Machine learning classification with photometric measurements and uncertainties
Jumanazarov et al. Significance of the spectral correction of photon counting detector response in material classification from spectral x-ray CT
Zeegers et al. A tomographic workflow to enable deep learning for X-ray based foreign object detection
CN116451095A (zh) 多源异构医疗数据多视图聚类方法、装置、介质及设备
CN114708264B (zh) 一种光斑质量判别方法、装置、设备和存储介质
Liang et al. A high-throughput and low-cost maize ear traits scorer
Lee et al. Automated identification of lung nodules
Zheng et al. A CBCT series slice image segmentation method
Roa et al. Taxonomical classification of reef fish with broadband backscattering models and machine learning approaches
Li et al. Two improvements in genetic programming for image classification

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180928