CN111311605A - X射线图像分割方法及终端 - Google Patents
X射线图像分割方法及终端 Download PDFInfo
- Publication number
- CN111311605A CN111311605A CN202010040502.2A CN202010040502A CN111311605A CN 111311605 A CN111311605 A CN 111311605A CN 202010040502 A CN202010040502 A CN 202010040502A CN 111311605 A CN111311605 A CN 111311605A
- Authority
- CN
- China
- Prior art keywords
- image
- ray
- mask
- calculating
- noise level
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003709 image segmentation Methods 0.000 title claims abstract description 26
- 230000001629 suppression Effects 0.000 claims abstract description 51
- 238000004364 calculation method Methods 0.000 claims abstract description 22
- 230000005764 inhibitory process Effects 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 230000000452 restraining effect Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000002083 X-ray spectrum Methods 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种X射线图像分割方法及终端,方法包括:获取X射线空气图;计算所述X射线空气图的噪声层级比例系数;获取X射线临床图像;根据所述X射线临床图像和噪声层级比例系数计算得到CNR图像;对所述CNR图像进行二值化处理,得到CNR图像掩模;根据所述CNR图像计算得到边界抑制掩模;根据所述X射线临床图像分别计算得到空气区域掩模和束光器边缘抑制掩模;对所述CNR图像掩模、边界抑制掩模、空气区域掩模和束光器边缘抑制掩模作与计算,得到组织区域掩模。本发明可以有效避免空气区域和束光器区域对人体组织区域的干扰,得到清晰的人体组织区域图像。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种X射线图像分割方法及终端。
背景技术
医用X射线图像中一般包含三个区域,即束光器区域、空气区域和人体组织区域,其中束光器区域特指使用X光穿过束光器后在图中出现的影像,空气区域特指X光穿过空气后的成像,而人体组织区域即X光穿过人体后的影像。这三个区域仅人体组织区域有临床诊断价值,获取X光图像中该区域mask(掩模)不仅可用于自动调整图像窗宽、窗位,该区域对应的图像灰度直方图中的值还可用于亮度调整。
现有的图像分割方法主要有以下几种:
1、基于阈值的分割方法,该方法以一定方法(如直方图“双峰法”、最大类间方差法)获得阈值,并对图像二值化。基于阈值的分割方法可得到1-2个阈值,由于曝光条件不同,人体组织区域的衰减可能与空气区、束光器区衰减类似,故X光图像中三个区域灰度可能部分区域一致,故通过简单的灰度阈值无法分割人体组织区域。
2、基于区域的分割方法,如区域生长,该方法根据局部像素的相似性生长分割得到特定区域。基于区域生长的方法取决于像素周边的区域特性,空气区一般灰度变化较为平坦,使用该方法分割空气区可取得一定效果,然而人体组织区域灰度变化较大,使用该方法容易将人体组织中皮肤等平坦区域错分,且区域生长算法比较耗时。
3、基于边缘的分割方法,该方法通过梯度检测算子得到强边缘,并通过边缘检测得到分割所需边界。基于边缘的分割方法可检测出束光器区-空气区,空气区-人体皮肤边缘,然而束光器区-人体区域边缘由于灰度较为接近,故很难检测出该处边缘,且人体组织区域内亦存在强边缘,故该方案也不可行。
4、基于分类的分割方法,如K均值聚类,将像素根据灰度等特性分为若干类。基于分类的分割方法与基于阈值的方法类似,很难区分三个区域。
发明内容
本发明所要解决的技术问题是:提供一种X射线图像分割方法及终端,可有效避免空气区域和束光器区域对人体组织区域的干扰。
为了解决上述技术问题,本发明采用的技术方案为:
一种X射线图像分割方法,包括:
获取X射线空气图;
计算所述X射线空气图的噪声层级比例系数;
获取X射线临床图像;
根据所述X射线临床图像和噪声层级比例系数计算得到CNR图像;
对所述CNR图像进行二值化处理,得到CNR图像掩模;
根据所述CNR图像计算得到边界抑制掩模;
根据所述X射线临床图像分别计算得到空气区域掩模和束光器边缘抑制掩模;
对所述CNR图像掩模、边界抑制掩模、空气区域掩模和束光器边缘抑制掩模作与计算,得到组织区域掩模。
本发明采用的另一技术方案为:
一种X射线图像分割终端,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取X射线空气图;
计算所述X射线空气图的噪声层级比例系数;
获取X射线临床图像;
根据所述X射线临床图像和噪声层级比例系数计算得到CNR图像;
对所述CNR图像进行二值化处理,得到CNR图像掩模;
根据所述CNR图像计算得到边界抑制掩模;
根据所述X射线临床图像分别计算得到空气区域掩模和束光器边缘抑制掩模;
对所述CNR图像掩模、边界抑制掩模、空气区域掩模和束光器边缘抑制掩模作与计算,得到组织区域掩模。
本发明的有益效果在于:通过计算CNR图像掩模、边界抑制掩模、空气区域掩模和束光器边缘抑制掩模,并作与计算,可以有效避免空气区域和束光器区域对人体组织区域的干扰,得到清晰的人体组织区域图像。
附图说明
图1为本发明实施例一的X射线图像分割方法的流程图;
图2为本发明实施例一的标准差图像直方图的示意图;
图3为本发明实施例一的边界抑制掩模mask1的示意图;
图4为本发明实施例一的空气区域掩模mask2的示意图;
图5为本发明实施例一的任一点周围像素的示意图;
图6为本发明实施例一的组织区域掩模的示意图;
图7为本发明实施例二的X射线图像分割终端的示意图。
标号说明:
100、X射线图像分割终端;1、存储器;2、处理器。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果,以下结合实施方式并配合附图予以说明。
本发明最关键的构思在于:分别计算得到CNR图像掩模、边界抑制掩模、空气区域掩模和束光器边缘抑制掩模,并作与计算,可以有效避免空气区域和束光器区域对人体组织区域的干扰。
请参照图1,一种X射线图像分割方法,包括:
获取X射线空气图;
计算所述X射线空气图的噪声层级比例系数;
获取X射线临床图像;
根据所述X射线临床图像和噪声层级比例系数计算得到CNR图像;
对所述CNR图像进行二值化处理,得到CNR图像掩模;
根据所述CNR图像计算得到边界抑制掩模;
根据所述X射线临床图像分别计算得到空气区域掩模和束光器边缘抑制掩模;
对所述CNR图像掩模、边界抑制掩模、空气区域掩模和束光器边缘抑制掩模作与计算,得到组织区域掩模。
从上述描述可知,本发明的有益效果在于:通过计算CNR图像掩模、边界抑制掩模、空气区域掩模和束光器边缘抑制掩模,并作与计算,可以有效避免空气区域和束光器区域对人体组织区域的干扰,得到清晰的人体组织区域图像。
进一步的,所述计算所述X射线空气图的噪声层级比例系数具体包括:
对所述X射线空气图进行AT变换;
采用图像金字塔分解AT变换后的X射线空气图,得到低频信号G0、G3,以及细节信号D0、D3;
在第一预设阈值范围内获取X射线空气图的G3层中的最大灰度值maxV和最小灰度值minV;
计算标准差图像S0直方图的最大值,得到X射线空气图的噪声水平nl0;
计算标准差图像S3直方图的最大值,得到X射线空气图的噪声水平nl3;
根据所述X射线空气图的噪声水平nl0和噪声水平nl3计算得到噪声层级比例系数。
由上述描述可知,进行AT变换可以将图像泊松噪声转换为高斯白噪声;采用图像金字塔分解图像,可以将金字塔分为四层;因为空气图灰度分布较为均匀,受被照射物干扰较小,可用于评估噪声水平及计算得到噪声层级比例系数。
由上述描述可知,m的大小可以根据需要进行设置,一般取值为7。
进一步的,所述根据所述X射线临床图像和噪声层级比例系数计算得到CNR图像具体包括:
对所述X射线临床图像进行AT变换;
采用图像金字塔分解AT变换后的X射线临床图像,得到低频信号G'0、G′3以及细节信号D'0和D′3;
在第二预设阈值范围内获取X射线临床图像的G′3层中的最大灰度值maxV'和最小灰度值minV';
计算标准差图像S'0直方图的最大值,得到X射线临床图像的噪声水平nl'0;
根据所述噪声层级比例系数和X射线临床图像的噪声水平nl'0计算得到X射线临床图像第3层的噪声水平nl′3;
将图像标准差S′3除以噪声水平nl′3计算得到CNR图像。
进一步的,所述对所述CNR图像进行二值化处理,得到CNR图像掩模具体为:
由上述描述可知,可以对CNR图像进行进一步的优化处理,a、b的取值可以根据需要进行设置。
进一步的,所述根据所述CNR图像计算得到边界抑制掩模具体为:
获取CNR图像的宽度w和高度h;
由上述描述可知,c的取值可以根据需要进行设置。
进一步的,根据所述X射线临床图像分别计算得到空气区域掩模和束光器边缘抑制掩模具体为:
根据公式airThr=min V'+airRatio·(max V'-min V')计算得到空气区域阈值airThr,其中,airRatio为常数;
根据公式colThr=colRatio·(maxV'-minV')计算得到束光器区域阈值colThr,其中colRatio为常数;
计算X射线临床图像G′3层中任一点周围像素的灰度差异;
若所述灰度差异大于colThr,则将所述任一点的灰度值设为0;若所述灰度差异小于colThr,则将所述任一点的灰度值设为1,得到束光器边缘抑制掩模mask3。
请参照图7,本发明涉及的另一技术方案为:
一种X射线图像分割终端100,包括存储器1、处理器2以及存储在所述存储器1上并可在所述处理器2上运行的计算机程序,所述处理器2执行所述计算机程序时实现以下步骤:
获取X射线空气图;
计算所述X射线空气图的噪声层级比例系数;
获取X射线临床图像;
根据所述X射线临床图像和噪声层级比例系数计算得到CNR图像;
对所述CNR图像进行二值化处理,得到CNR图像掩模;
根据所述CNR图像计算得到边界抑制掩模;
根据所述X射线临床图像分别计算得到空气区域掩模和束光器边缘抑制掩模;
对所述CNR图像掩模、边界抑制掩模、空气区域掩模和束光器边缘抑制掩模作与计算,得到组织区域掩模。
进一步的,所述计算所述X射线空气图的噪声层级比例系数具体包括:
对所述X射线空气图进行AT变换;
采用图像金字塔分解AT变换后的X射线空气图,得到低频信号G0、G3,以及细节信号D0、D3;
在第一预设阈值范围内X射线空气图的G3层中的最大灰度值maxV和最小灰度值minV;
计算标准差图像S0直方图的最大值,得到X射线空气图的噪声水平nl0;
计算标准差图像S3直方图的最大值,得到X射线空气图的噪声水平nl3;
根据所述X射线空气图的噪声水平nl0和噪声水平nl3计算得到噪声层级比例系数。
进一步的,所述根据所述X射线临床图像和噪声层级比例系数计算得到CNR图像具体包括:
对所述X射线临床图像进行AT变换;
采用图像金字塔分解AT变换后的X射线临床图像,得到低频信号G'0、G′3以及细节信号D'0和D′3;
在第二预设阈值范围内获取X射线临床图像的G′3层中的最大灰度值maxV'和最小灰度值minV';
计算标准差图像S'0直方图的最大值,得到X射线临床图像的噪声水平nl'0;
根据所述噪声层级比例系数和X射线临床图像的噪声水平nl'0计算得到X射线临床图像第3层的噪声水平nl′3;
将图像标准差S′3除以噪声水平nl′3计算得到CNR图像。
进一步的,所述对所述CNR图像进行二值化处理,得到CNR图像掩模具体为:
进一步的,所述根据所述CNR图像计算得到边界抑制掩模具体为:
获取CNR图像的宽度w和高度h;
进一步的,根据所述X射线临床图像分别计算得到空气区域掩模和束光器边缘抑制掩模具体为:
根据公式airThr=minV'+airRatio·(maxV'-minV')计算得到空气区域阈值airThr,其中,airRatio为常数;
根据公式colThr=colRatio·(maxV'-minV')计算得到束光器区域阈值colThr,其中colRatio为常数;
计算X射线临床图像G′3层中任一点周围像素的灰度差异;
若所述灰度差异大于colThr,则将所述任一点的灰度值设为0;若所述灰度差异小于colThr,则将所述任一点的灰度值设为1,得到束光器边缘抑制掩模mask3。
实施例一
请参照图1至图6,本发明的实施例一为:一种X射线图像分割方法,如图1所示,包括如下步骤:
S1、获取X射线空气图。
X射线空气图即X射线穿透空气被X射线探测器接收后得到的图像。
S2、计算所述X射线空气图的噪声层级比例系数。
本实施例中,步骤S2具体包括:
S21、对所述X射线空气图进行AT变换。
X光频谱基本服从泊松分布,故X射线图像噪声主要呈泊松分布,执行AT变换(Anscombe transform)的作用在于将图像泊松噪声转换为高斯白噪声。
S22、采用图像金字塔分解AT变换后的X射线空气图,得到低频信号G0、G3,以及细节信号D0、D3。
进行图像金字塔分解图像时,金字塔分为四层,可以分别得到低频信号G0、G1、G2、G3和细节信号D0、D1、D2、D3。
S23、在第一预设阈值范围内获取X射线空气图的G3层中的最大灰度值maxV和最小灰度值minV。
若图像的宽为w,高为h,则第一预设阈值范围为[0,w×h×0.01],G3层为直方图,从左往右累加直方图的面积,当累加面积超过w×h×0.01时对应的横坐标即为最小灰度值minV,从右往左累加直方图的面积,当累加面积超过w×h×0.01时对应的横坐标即为最大灰度值maxV。
本实施例中,第一预设比例T可以取0.03,当然也可以根据实际需要调整其大小。
S26、计算标准差图像S0直方图的最大值,得到X射线空气图的噪声水平nl0。
如图2所示,为标准差图像直方图的示意图,标准差图像直方图的最大值,即频率最高处对应的横坐标即为噪声水平nl0。
S28、计算标准差图像S3直方图的最大值,得到X射线空气图的噪声水平nl3。
本实施例中,得到nl3的方式与得到nl0的方式相同,也为频率最高处对应的横坐标即为nl3。
S29、根据所述X射线空气图的噪声水平nl0和噪声水平nl3计算得到噪声层级比例系数。
本实施例中,nl0除以nl3即得到噪声层级比例系数f。
S3、获取X射线临床图像。
X射线临床图像即为X射线穿透被拍摄体获取到的X射线图像,X摄像临床图像包括束光器区域、空气区域及被拍摄体区域(组织区域)。
S4、根据所述X射线临床图像和噪声层级比例系数计算得到CNR图像。
本实施例中,步骤S4具体包括:
S41、对所述X射线临床图像进行AT变换。
S42、采用图像金字塔分解AT变换后的X射线临床图像,得到低频信号G'0、G′3以及细节信号D'0和D′3。
本实施例中,还可以得到低频信号G′1、G'2以及细节信号D′1、D'2。
S43、在第二预设阈值范围内获取X射线临床图像的G′3层中的最大灰度值maxV'和最小灰度值minV'。
第二预设阈值范围可以根据需要进行设置,得到最大灰度值和最小灰度值的方法参照步骤S23。
本实施例中,第二预设比例的取值可以根据需要进行设置。
本实施例中,窗口大小m'可以根据需要进行设置,例如可以设为3。计算标准差图像S'0的方法与步骤S25中计算标准差图像S0的方法类似。
S46、计算标准差图像S'0直方图的最大值,得到X射线临床图像的噪声水平nl'0。
噪声水平nl'0的具体计算方式与步骤S26类似。
S47、根据所述噪声层级比例系数和X射线临床图像的噪声水平nl'0计算得到X射线临床图像第3层的噪声水平nl′3。
本实施例中,nl′3=nl'0/f,f即为步骤S29的噪声层级比例系数f。
S49、将图像标准差S′3除以噪声水平nl′3计算得到CNR图像。
S5、对所述CNR图像进行二值化处理,得到CNR图像掩模。
本实施例中,步骤S5具体为:
本实施例中,a的取值可以为2,b的取值可以为10,当然也可以根据实际进行相应的调整。
S6、根据所述CNR图像计算得到边界抑制掩模。
本实施例中,步骤S6具体为:
S61、获取CNR图像的宽度w和高度h。
本实施例中,CNR图像的宽度和高度与步骤S23中的宽度和高度是相同的。
本实施例中,c可以取值0.01。边界抑制掩模mask1的示意图如图3所示。
S7、根据所述X射线临床图像分别计算得到空气区域掩模和束光器边缘抑制掩模。
本实施例中,步骤S7具体为:
S71、根据公式airThr=minV'+airRatio·(maxV'-minV')计算得到空气区域阈值airThr,其中,airRatio为常数。
本实施例中,airRatio的大小可以根据需要进行设置。
假设拍摄的是脚部X射线图像,那么空气区域掩模mask2的示意图如图4所示。
S73、根据公式colThr=colRatio·(maxV'-minV')计算得到束光器区域阈值colThr,其中colRatio为常数。
本实施例中,colRatio的大小可以根据需要进行设置。
S74、计算X射线临床图像G′3层中任一点周围像素的灰度差异。
如图5所示,假设任一点为O,可以设定一定的步进colStride,O点周围的像素包括A、A’、B、B’、C、C’、D、D’,其中,A、A’、B、B’到O点的距离相等,均为floor(colStride/2)。本实施例中,O点周围像素的灰度差异指的是A与A’点之间的差异、B与B’点之间的差异、C与C’点之间的差异以及D与D’点之间的差异。
S75、若所述灰度差异大于colThr,则将所述任一点的灰度值设为0;若所述灰度差异小于colThr,则将所述任一点的灰度值设为1,得到束光器边缘抑制掩模mask3。
本实施例中,只要有一组像素点之间的差异大于colThr,即将所述任一点的灰度值设为0。同理,只要有一组像素点之间的差异小于colThr,即将所述任一点的灰度值设为1。
S8、对所述CNR图像掩模、边界抑制掩模、空气区域掩模和束光器边缘抑制掩模作与计算,得到组织区域掩模。
即,mask=mask0&mask1&mask2&mask3,最终得到的组织区域掩模如图6所示。
实施例二
请参照图7,本发明的实施例二为:
一种X射线图像分割终端100,与实施例一的方法相对应,包括存储器1、处理器2以及存储在所述存储器1上并可在所述处理器2上运行的计算机程序,所述处理器2执行所述计算机程序时实现以下步骤:
获取X射线空气图;
计算所述X射线空气图的噪声层级比例系数;
获取X射线临床图像;
根据所述X射线临床图像和噪声层级比例系数计算得到CNR图像;
对所述CNR图像进行二值化处理,得到CNR图像掩模;
根据所述CNR图像计算得到边界抑制掩模;
根据所述X射线临床图像分别计算得到空气区域掩模和束光器边缘抑制掩模;
对所述CNR图像掩模、边界抑制掩模、空气区域掩模和束光器边缘抑制掩模作与计算,得到组织区域掩模。
进一步的,所述计算所述X射线空气图的噪声层级比例系数具体包括:
对所述X射线空气图进行AT变换;
采用图像金字塔分解AT变换后的X射线空气图,得到低频信号G0、G3,以及细节信号D0、D3;
在第一预设阈值范围内X射线空气图的G3层中的最大灰度值maxV和最小灰度值minV;
计算标准差图像S0直方图的最大值,得到X射线空气图的噪声水平nl0;
计算标准差图像S3直方图的最大值,得到X射线空气图的噪声水平nl3;
根据所述X射线空气图的噪声水平nl0和噪声水平nl3计算得到噪声层级比例系数。
进一步的,所述根据所述X射线临床图像和噪声层级比例系数计算得到CNR图像具体包括:
对所述X射线临床图像进行AT变换;
采用图像金字塔分解AT变换后的X射线临床图像,得到低频信号G'0、G′3以及细节信号D'0和D′3;
在第二预设阈值范围内获取X射线临床图像的G′3层中的最大灰度值maxV'和最小灰度值minV';
计算标准差图像S'0直方图的最大值,得到X射线临床图像的噪声水平nl'0;
根据所述噪声层级比例系数和X射线临床图像的噪声水平nl'0计算得到X射线临床图像第3层的噪声水平nl′3;
将图像标准差S′3除以噪声水平nl′3计算得到CNR图像。
进一步的,所述对所述CNR图像进行二值化处理,得到CNR图像掩模具体为:
进一步的,所述根据所述CNR图像计算得到边界抑制掩模具体为:
获取CNR图像的宽度w和高度h;
进一步的,根据所述X射线临床图像分别计算得到空气区域掩模和束光器边缘抑制掩模具体为:
根据公式airThr=minV'+airRatio·(maxV'-minV')计算得到空气区域阈值airThr,其中,airRatio为常数;
根据公式colThr=colRatio·(maxV'-minV')计算得到束光器区域阈值colThr,其中colRatio为常数;
计算X射线临床图像G′3层中任一点周围像素的灰度差异;
若所述灰度差异大于colThr,则将所述任一点的灰度值设为0;若所述灰度差异小于colThr,则将所述任一点的灰度值设为1,得到束光器边缘抑制掩模mask3。
综上所述,本发明提供的一种X射线图像分割方法及终端,通过计算CNR图像掩模、边界抑制掩模、空气区域掩模和束光器边缘抑制掩模,并作与计算,可以有效避免空气区域和束光器区域对人体组织区域的干扰,得到清晰的人体组织区域图像。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等同变换,或直接或间接运用在相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种X射线图像分割方法,其特征在于,包括:
获取X射线空气图;
计算所述X射线空气图的噪声层级比例系数;
获取X射线临床图像;
根据所述X射线临床图像和噪声层级比例系数计算得到CNR图像;
对所述CNR图像进行二值化处理,得到CNR图像掩模;
根据所述CNR图像计算得到边界抑制掩模;
根据所述X射线临床图像分别计算得到空气区域掩模和束光器边缘抑制掩模;
对所述CNR图像掩模、边界抑制掩模、空气区域掩模和束光器边缘抑制掩模作与计算,得到组织区域掩模。
2.根据权利要求1所述的X射线图像分割方法,其特征在于,所述计算所述X射线空气图的噪声层级比例系数具体包括:
对所述X射线空气图进行AT变换;
采用图像金字塔分解AT变换后的X射线空气图,得到低频信号G0、G3,以及细节信号D0、D3;
在第一预设阈值范围内获取X射线空气图的G3层中的最大灰度值maxV和最小灰度值minV;
计算标准差图像S0直方图的最大值,得到X射线空气图的噪声水平nl0;
计算标准差图像S3直方图的最大值,得到X射线空气图的噪声水平nl3;
根据所述X射线空气图的噪声水平nl0和噪声水平nl3计算得到噪声层级比例系数。
4.根据权利要求2所述的X射线图像分割方法,其特征在于,所述根据所述X射线临床图像和噪声层级比例系数计算得到CNR图像具体包括:
对所述X射线临床图像进行AT变换;
采用图像金字塔分解AT变换后的X射线临床图像,得到低频信号G'0、G3'以及细节信号D'0和D3';
在第二预设阈值范围内获取X射线临床图像的G3'层中的最大灰度值maxV'和最小灰度值minV';
计算标准差图像S'0直方图的最大值,得到X射线临床图像的噪声水平nl'0;
根据所述噪声层级比例系数和X射线临床图像的噪声水平nl'0计算得到X射线临床图像第3层的噪声水平nl'3;
将图像标准差S3'除以噪声水平nl3'计算得到CNR图像。
7.根据权利要求4所述的X射线图像分割方法,其特征在于,根据所述X射线临床图像分别计算得到空气区域掩模和束光器边缘抑制掩模具体为:
根据公式airThr=min V'+airRatio·(max V'-min V')计算得到空气区域阈值airThr,其中,airRatio为常数;
根据公式colThr=colRatio·(maxV'-minV')计算得到束光器区域阈值colThr,其中colRatio为常数;
计算X射线临床图像G3'层中任一点周围像素的灰度差异;
若所述灰度差异大于colThr,则将所述任一点的灰度值设为0;若所述灰度差异小于colThr,则将所述任一点的灰度值设为1,得到束光器边缘抑制掩模mask3。
8.一种X射线图像分割终端,包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现以下步骤:
获取X射线空气图;
计算所述X射线空气图的噪声层级比例系数;
获取X射线临床图像;
根据所述X射线临床图像和噪声层级比例系数计算得到CNR图像;
对所述CNR图像进行二值化处理,得到CNR图像掩模;
根据所述CNR图像计算得到边界抑制掩模;
根据所述X射线临床图像分别计算得到空气区域掩模和束光器边缘抑制掩模;
对所述CNR图像掩模、边界抑制掩模、空气区域掩模和束光器边缘抑制掩模作与计算,得到组织区域掩模。
9.根据权利要求8所述的X射线图像分割终端,其特征在于,所述计算所述X射线空气图的噪声层级比例系数具体包括:
对所述X射线空气图进行AT变换;
采用图像金字塔分解AT变换后的X射线空气图,得到低频信号G0、G3,以及细节信号D0、D3;
在第一预设阈值范围内X射线空气图的G3层中的最大灰度值maxV和最小灰度值minV;
计算标准差图像S0直方图的最大值,得到X射线空气图的噪声水平nl0;
计算标准差图像S3直方图的最大值,得到X射线空气图的噪声水平nl3;
根据所述X射线空气图的噪声水平nl0和噪声水平nl3计算得到噪声层级比例系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010040502.2A CN111311605B (zh) | 2020-01-15 | 2020-01-15 | X射线图像分割方法及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010040502.2A CN111311605B (zh) | 2020-01-15 | 2020-01-15 | X射线图像分割方法及终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111311605A true CN111311605A (zh) | 2020-06-19 |
CN111311605B CN111311605B (zh) | 2023-07-04 |
Family
ID=71160225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010040502.2A Active CN111311605B (zh) | 2020-01-15 | 2020-01-15 | X射线图像分割方法及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311605B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915543A (zh) * | 2020-08-04 | 2020-11-10 | 深圳蓝韵医学影像有限公司 | 基于组织提取的dr图像窗宽窗位自适应调整方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012200895A1 (de) * | 2012-01-23 | 2013-07-25 | Siemens Aktiengesellschaft | Verfahren zur Ermittlung eines Vaskularisationswerts und Röntgeneinrichtung |
CN104091309A (zh) * | 2014-06-19 | 2014-10-08 | 华南理工大学 | 一种平板x射线图像的均衡显示方法及系统 |
CN104574361A (zh) * | 2014-11-27 | 2015-04-29 | 沈阳东软医疗系统有限公司 | 一种乳腺外周组织均衡的图像处理方法和装置 |
CN104574316A (zh) * | 2015-01-13 | 2015-04-29 | 南京佰能唯医疗科技有限公司 | 一种数字化x线成像系统 |
-
2020
- 2020-01-15 CN CN202010040502.2A patent/CN111311605B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012200895A1 (de) * | 2012-01-23 | 2013-07-25 | Siemens Aktiengesellschaft | Verfahren zur Ermittlung eines Vaskularisationswerts und Röntgeneinrichtung |
CN104091309A (zh) * | 2014-06-19 | 2014-10-08 | 华南理工大学 | 一种平板x射线图像的均衡显示方法及系统 |
CN104574361A (zh) * | 2014-11-27 | 2015-04-29 | 沈阳东软医疗系统有限公司 | 一种乳腺外周组织均衡的图像处理方法和装置 |
CN104574316A (zh) * | 2015-01-13 | 2015-04-29 | 南京佰能唯医疗科技有限公司 | 一种数字化x线成像系统 |
Non-Patent Citations (2)
Title |
---|
TAEWON LEE ET AL.: "Moving Beam-Blocker-Based Low-Dose Cone-Beam CT", 《IEEE TRANSACTIONS ON NUCLEAR SCIENCE》 * |
孙忠玉: "X光医学图像的降噪和增强处理研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111915543A (zh) * | 2020-08-04 | 2020-11-10 | 深圳蓝韵医学影像有限公司 | 基于组织提取的dr图像窗宽窗位自适应调整方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111311605B (zh) | 2023-07-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chan et al. | Effective pneumothorax detection for chest X‐ray images using local binary pattern and support vector machine | |
Arifin et al. | Image segmentation by histogram thresholding using hierarchical cluster analysis | |
Tang et al. | MRI brain image segmentation by multi-resolution edge detection and region selection | |
US7689055B2 (en) | Method and apparatus for enhancing image acquired by radiographic system | |
US7545965B2 (en) | Image modification and detection using massive training artificial neural networks (MTANN) | |
US8655039B2 (en) | Method of segmenting lesions in images | |
Kanade et al. | Brain tumor detection using MRI images | |
US6353674B1 (en) | Method of segmenting a radiation image into direct exposure area and diagnostically relevant area | |
CN116612126B (zh) | 基于人工智能的集装箱病媒生物检测预警方法 | |
US20090238421A1 (en) | Image normalization for computer-aided detection, review and diagnosis | |
Buzug et al. | Image registration for DSA quality enhancement | |
CN111311605B (zh) | X射线图像分割方法及终端 | |
CN113205461B (zh) | 一种低剂量ct影像去噪模型训练方法、去噪方法及装置 | |
Thakur et al. | A local statistics based region growing segmentation method for ultrasound medical images | |
CN102073991B (zh) | 增强图像中的空间局域化征兆的对比度的方法 | |
EP0887769B1 (en) | Method of segmenting a radiation image into direct exposure area and diagnostically relevant area | |
Salwe et al. | Brain tumor pixels detection using adaptive wavelet based histogram thresholding and fine windowing | |
Reza Soroushmehr et al. | Spleen segmentation and assessment in CT images for traumatic abdominal injuries | |
CN110506294B (zh) | 数字x射线图像中具有低信息内容的区域的探测 | |
CN111179203B (zh) | X光图像局部对比度增强方法及终端 | |
Lee et al. | Enhancement of blood vessels in retinal imaging using the nonsubsampled contourlet transform | |
EP2535001A1 (en) | Method, a system and a computer program product for registration and identification of diagnostic images | |
Wulandari et al. | Automatic lung cancer detection using color histogram calculation | |
Fathi-Azar et al. | Type2 fuzzy set based automatic shadow region segmentation in intra vascular ultrasound images | |
Xu et al. | A Novel Masses Detection Algorithm Using Model-based Location and ANFIS-based Segmentation |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |