CN111369580B - X光图像的智能分割方法及终端 - Google Patents

X光图像的智能分割方法及终端 Download PDF

Info

Publication number
CN111369580B
CN111369580B CN202010145697.7A CN202010145697A CN111369580B CN 111369580 B CN111369580 B CN 111369580B CN 202010145697 A CN202010145697 A CN 202010145697A CN 111369580 B CN111369580 B CN 111369580B
Authority
CN
China
Prior art keywords
region
classification
ray image
map
mark
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.)
Active
Application number
CN202010145697.7A
Other languages
English (en)
Other versions
CN111369580A (zh
Inventor
李华勇
刘德健
蓝重洲
叶超
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.)
Shenzhen Angell Technology Co ltd
Original Assignee
Shenzhen Angell 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 Shenzhen Angell Technology Co ltd filed Critical Shenzhen Angell Technology Co ltd
Priority to CN202010145697.7A priority Critical patent/CN111369580B/zh
Publication of CN111369580A publication Critical patent/CN111369580A/zh
Application granted granted Critical
Publication of CN111369580B publication Critical patent/CN111369580B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • 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
    • 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

Landscapes

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

Abstract

本发明公开了一种X光图像的智能分割方法及终端，方法包括：计算X光图像中任一像素的局部中值和局部标准差；对X光图像进行区域生长，得到区域标记图；根据所述区域标记图对所述X光图像进行背景提取，得到背景标记掩膜图；根据所述区域标记图对所述X光图像进行聚类分类，得到分类标记图；根据所述分类标记图对所述X光图像进行近邻分类，得到修正分类标记图；根据所述区域标记图和修正分类标记图对X光图像进行曲面拟合修正，得到分类掩膜图；根据所述背景标记掩膜图和分类掩膜图对所述X光图像进行分割处理。可以避免全局灰度重叠等原因导致分类类别难以区分的问题，可有效提高图像分割的可靠性，尤其适用于对骨骼的识别和提取。

Description

X光图像的智能分割方法及终端
技术领域
本发明涉及图像处理技术领域，尤其涉及一种X光图像的智能分割方法及终端。
背景技术
临床上在得到X光图像后，通常需要对X光图像进行分割处理，现有技术方案可在一定程度上实现图像的分割，然而这些方案均有各自缺点，且难以将X光图像中的骨骼识别出来。
(1)基于阈值分割方案：利用灰度或者细节纹理的差异，直接对图像或者对图像的变换域使用阈值方法，可以有效实现分割，然而医学图像在灰度或者纹理上对于同一组织不同区域的灰度差异较大，且不同组织也存在重叠灰度，特征不够明显，难以准确将骨骼和软组织进行有效分割。
(2)基于区域生长方案：使用了区域内部的相似性信息将区域内与区域外区分开来，然而同一组织内部的差异较大，因而直接使用区域生长方法难以对骨骼有效分割和识别。
(3)基于全局聚类方案：可以通过迭代方法，将相似的组织区分开来，然而X光图像对于同一组织的灰度存在很大差异，难以聚成同一类以实现骨骼的有效分割。
发明内容
本发明所要解决的技术问题是：提供一种X光图像的智能分割方法及终端，可实现骨骼的有效分割。
为了解决上述技术问题，本发明采用的技术方案为：
一种X光图像的智能分割方法，包括：
计算X光图像中任一像素的局部中值和局部标准差，分别得到局部中值图像和局部标准差图像；
对X光图像进行区域生长，得到区域标记图；
根据所述区域标记图对所述X光图像进行背景提取，得到背景标记掩膜图；
根据所述区域标记图对所述X光图像进行聚类分类，得到分类标记图；
根据所述分类标记图对所述X光图像进行近邻分类，得到修正分类标记图；
根据所述区域标记图和修正分类标记图对X光图像进行曲面拟合修正，得到分类掩膜图；
根据所述背景标记掩膜图和分类掩膜图对所述X光图像进行分割处理。
本发明采用的另一技术方案为：
一种X光图像的智能分割终端，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：
计算X光图像中任一像素的局部中值和局部标准差，分别得到局部中值图像和局部标准差图像；
对X光图像进行区域生长，得到区域标记图；
根据所述区域标记图对所述X光图像进行背景提取，得到背景标记掩膜图；
根据所述区域标记图对所述X光图像进行聚类分类，得到分类标记图；
根据所述分类标记图对所述X光图像进行近邻分类，得到修正分类标记图；
根据所述区域标记图和修正分类标记图对X光图像进行曲面拟合修正，得到分类掩膜图；
根据所述背景标记掩膜图和分类掩膜图对所述X光图像进行分割处理。
本发明的有益效果在于：通过对X光图像进行区域生长，以及对图像进行局部特征分析和分类，可以避免全局灰度重叠等原因导致分类类别难以区分的问题，可有效提高图像分割的可靠性，尤其适用于对骨骼的识别和提取，可实现骨骼的有效分割。
附图说明
图1为本发明实施例一的X光图像的智能分割方法的流程图；
图2为本发明实施例一的得到邻域区域的示意图；
图3为本发明实施例二的X光图像的智能分割终端的示意图。
标号说明：
100、智能分割终端；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：通过对X光图像进行区域生长，以及对图像进行局部特征分析和分类，可以避免全局灰度重叠等原因导致分类类别难以区分的问题，可有效提高图像分割的可靠性。
请参照图1，一种X光图像的智能分割方法，包括：
计算X光图像中任一像素的局部中值和局部标准差，分别得到局部中值图像和局部标准差图像；
对X光图像进行区域生长，得到区域标记图；
根据所述区域标记图对所述X光图像进行背景提取，得到背景标记掩膜图；
根据所述区域标记图对所述X光图像进行聚类分类，得到分类标记图；
根据所述分类标记图对所述X光图像进行近邻分类，得到修正分类标记图；
根据所述区域标记图和修正分类标记图对X光图像进行曲面拟合修正，得到分类掩膜图；
根据所述背景标记掩膜图和分类掩膜图对所述X光图像进行分割处理。
从上述描述可知，本发明的有益效果在于：通过对X光图像进行区域生长，以及对图像进行局部特征分析和分类，可以避免全局灰度重叠等原因导致分类类别难以区分的问题，可有效提高图像分割的可靠性，尤其适用于对骨骼的识别和提取，可现骨骼的有效分割。
进一步的，所述对X光图像进行区域生长，得到区域标记图具体包括：
获取所述X光图像中任一像素的邻域像素；
当所述邻域像素同时满足
Figure BDA0002400641150000041
和/>
Figure BDA0002400641150000042
时，将所述邻域像素加入至所述任一像素所在的区域，其中σi表示任一像素的局部标准差，σj表示邻域像素的局部标准差，γF表示第一预设阈值，μi表示任一像素的局部中值，μj表示邻域像素的局部中值，γM表示第二预设阈值；
对所述任一像素所在的区域进行标记，得到区域标记图。
由上述描述可知，在进行区域生长之前可以采用sobel算子提取图像的边缘信息。
进一步的，所述根据所述区域标记图对所述X光图像进行背景提取，得到背景标记掩膜图具体包括：
对所述X光图像进行视野四周的边缘区域提取，得到图像边缘背景；
根据所述区域标记图计算X光图像对应区域的平均灰度值和平均标准差；
当任一区域的平均灰度值不在[Tg0,Tg1]范围内，且平均标准差不在[Ts0,Ts1]范围内时，将所述任一区域作为第一背景区域；其中Ts0和Ts1均为常数；根据公式
Figure BDA0002400641150000043
计算得到Tg0和Tg1，Imin表示X光图像的最小灰度值，Imax表示X光图像的最大灰度值，Trg0和Trg1为常数；
对非第一背景区域的区域内的任一像素在四个方向上进行连续搜索；
当其中一个方向上搜索到的所有像素的局部标准差与所述任一像素的局部标准差均大于第三预设阈值，且所有像素的局部标准差与所述任一像素的局部标准差的差值小于第四预设阈值时，将所述任一像素所在的区域作为第二背景区域；
根据所述图像边缘背景、第一背景区域和第二背景区域得到背景标记掩膜图。
进一步的，所述根据所述区域标记图对所述X光图像进行聚类分类，得到分类标记图具体包括：
分别对区域标记图和X光图像进行分块处理；
按照分块处理后块的顺序依次搜索块中的区域；
提取搜索到的区域的邻域区域，并将提取到的邻域区域与搜索到的区域组成第一区域集合；
计算所述第一区域集合中的每个区域的平均灰度值；
通过K均值聚类分类对所述第一区域集合中的所有区域进行分类；
根据分类后的第一区域集合对搜索到的区域进行分类标记，得到分类标记图。
进一步的，所述根据所述分类标记图对所述X光图像进行近邻分类，得到修正分类标记图具体包括：
搜索通过分类标记图不能确定类别的区域，得到不确定类别区域；
提取所述不确定类别区域的邻域区域，将提取到的邻域区域组成第二区域集合；
根据所述第二区域集合中不同类别的数量对所述不确定类别区域进行分类，得到修正分类标记图。
进一步的，所述根据所述区域标记图和修正分类标记图对X光图像进行曲面拟合修正，得到分类掩膜图具体包括：
根据所述区域标记图和修正分类标记图对X光图像中各个区域构建二元二次曲面多项式模型，所述二元二次曲面多项式模型为P＝ax2+by2+cxy+dx+ey+f，P表示拟合值，(x,y)为各个区域中的像素对应的坐标，a、b、c、d、e、f为拟合模型系数；
根据计算得到的拟合值和各个区域的实际灰度值，计算得到各个区域相对于不同类别的拟合误差；
选择拟合误差较小的类别作为对应的区域的新类别，得到分类掩膜图。
请参照图3，本发明涉及的另一技术方案为：
一种X光图像的智能分割终端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：
计算X光图像中任一像素的局部中值和局部标准差，分别得到局部中值图像和局部标准差图像；
对X光图像进行区域生长，得到区域标记图；
根据所述区域标记图对所述X光图像进行背景提取，得到背景标记掩膜图；
根据所述区域标记图对所述X光图像进行聚类分类，得到分类标记图；
根据所述分类标记图对所述X光图像进行近邻分类，得到修正分类标记图；
根据所述区域标记图和修正分类标记图对X光图像进行曲面拟合修正，得到分类掩膜图；
根据所述背景标记掩膜图和分类掩膜图对所述X光图像进行分割处理。
进一步的，所述对X光图像进行区域生长，得到区域标记图具体包括：
获取所述X光图像中任一像素的邻域像素；
当所述邻域像素同时满足
Figure BDA0002400641150000061
和/>
Figure BDA0002400641150000062
时，将所述邻域像素加入至所述任一像素所在的区域，其中σi表示任一像素的局部标准差，σj表示邻域像素的局部标准差，γF表示第一预设阈值，μi表示任一像素的局部中值，μj表示邻域像素的局部中值，γM表示第二预设阈值；
对所述任一像素所在的区域进行标记，得到区域标记图。
进一步的，所述根据所述区域标记图对所述X光图像进行背景提取，得到背景标记掩膜图具体包括：
对所述X光图像进行视野四周的边缘区域提取，得到图像边缘背景；
根据所述区域标记图计算X光图像对应区域的平均灰度值和平均标准差；
当任一区域的平均灰度值不在[Tg0,Tg1]范围内，且平均标准差不在[Ts0,Ts1]范围内时，将所述任一区域作为第一背景区域；其中Ts0和Ts1均为常数；根据公式
Figure BDA0002400641150000063
计算得到Tg0和Tg1，Imin表示X光图像的最小灰度值，Imax表示X光图像的最大灰度值，Trg0和Trg1为常数；
对非第一背景区域的区域内的任一像素在四个方向上进行连续搜索；
当其中一个方向上搜索到的所有像素的局部标准差与所述任一像素的局部标准差均大于第三预设阈值，且所有像素的局部标准差与所述任一像素的局部标准差的差值小于第四预设阈值时，将所述任一像素所在的区域作为第二背景区域；
根据所述图像边缘背景、第一背景区域和第二背景区域得到背景标记掩膜图。
进一步的，所述根据所述区域标记图对所述X光图像进行聚类分类，得到分类标记图具体包括：
分别对区域标记图和X光图像进行分块处理；
按照分块处理后块的顺序依次搜索块中的区域；
提取搜索到的区域的邻域区域，并将提取到的邻域区域与搜索到的区域组成第一区域集合；
计算所述第一区域集合中的每个区域的平均灰度值；
通过K均值聚类分类对所述第一区域集合中的所有区域进行分类；
根据分类后的第一区域集合对搜索到的区域进行分类标记，得到分类标记图。
进一步的，所述根据所述分类标记图对所述X光图像进行近邻分类，得到修正分类标记图具体包括：
搜索通过分类标记图不能确定类别的区域，得到不确定类别区域；
提取所述不确定类别区域的邻域区域，将提取到的邻域区域组成第二区域集合；
根据所述第二区域集合中不同类别的数量对所述不确定类别区域进行分类，得到修正分类标记图。
进一步的，所述根据所述区域标记图和修正分类标记图对X光图像进行曲面拟合修正，得到分类掩膜图具体包括：
根据所述区域标记图和修正分类标记图对X光图像中各个区域构建二元二次曲面多项式模型，所述二元二次曲面多项式模型为P＝ax2+by2+cxy+dx+ey+f，P表示拟合值，(x,y)为各个区域中的像素对应的坐标，a、b、c、d、e、f为拟合模型系数；
根据计算得到的拟合值和各个区域的实际灰度值，计算得到各个区域相对于不同类别的拟合误差；
选择拟合误差较小的类别作为对应的区域的新类别，得到分类掩膜图。
实施例一
请参照图1至图2，本发明的实施例一为：
一种X光图像的智能分割方法，如图1所示，包括如下步骤：
S1、计算X光图像中任一像素的局部中值和局部标准差，分别得到局部中值图像和局部标准差图像。
本实施例中，在计算像素的局部中值和局部标准差之前，可以将图像降采样缩小到一定尺寸，例如将图像从3072×3072降采样缩小至384×384，再执行后续的分割步骤。降采样后使用sobel算子提取图像的边缘信息。
根据公式μ＝median{x1,x2,…xn}，
Figure BDA0002400641150000081
计算像素的局部中值μ和局部标准差σ，n表示局部像素集合中的像素个数，本实施例中对某一像素本身以及其周围八个像素组成的局部像素集合计算局部中值μ和局部标准差σ，n＝9，xi表示该集合中第i个像素的灰度值。对X光图像中的每一个像素均执行上述计算操作，即可得到局部中值图像和局部标准差图像。
S2、对X光图像进行区域生长，得到区域标记图。
本实施例中，步骤S2具体包括：
S21、获取所述X光图像中任一像素的邻域像素。
可以从X光图像的第一个像素开始，依次搜索每一个像素，邻域像素为任一像素的周围八个方向上的像素。
S22、当所述邻域像素同时满足
Figure BDA0002400641150000091
和/>
Figure BDA0002400641150000092
时，将所述邻域像素加入至所述任一像素所在的区域，其中σi表示任一像素的局部标准差，σj表示邻域像素的局部标准差，γF表示第一预设阈值，为大于1的常数，可以根据经验设置，μi表示任一像素的局部中值，μj表示邻域像素的局部中值，γM表示第二预设阈值，也为经验值。当将邻域像素加入至所述任一像素所在的区域后，继续搜索邻域像素周围的像素，直到没有连通的邻域像素为止。
本实施例中，分别通过F-test和马氏距离来判断两个相邻像素是否具有相似性，只有同时满足时，才认为两个相邻像素具有相似性。
S23、对所述任一像素所在的区域进行标记，得到区域标记图。
经过区域生长后可以得到多个独立区域的标记图，但仍不知晓每个区域的类别。
S3、根据所述区域标记图对所述X光图像进行背景提取，得到背景标记掩膜图。
本实施例中，步骤S3具体包括：
S31、对所述X光图像进行视野四周的边缘区域提取，得到图像边缘背景。
可以利用一定宽度的边缘像素所在的区域提取作为图像边缘背景，例如5行或5列像素。
S32、根据所述区域标记图计算X光图像对应区域的平均灰度值和平均标准差。
S33、当任一区域的平均灰度值不在[Tg0,Tg1]范围内，且平均标准差不在[Ts0,Ts1]范围内时，将所述任一区域作为第一背景区域；其中Ts0和Ts1均为常数；根据公式
Figure BDA0002400641150000093
计算得到Tg0和Tg1，Imin表示X光图像的最小灰度值，Imax表示X光图像的最大灰度值，Trg0和Trg1为常数。
本实施例中，Ts0和Ts1均为经验值，例如Ts0＝200，Ts1＝2000。Trg0和Trg1为经验值，可以分别为0.022和0.6。得到的第一背景区域主要为束光器区域和空气背景。
S34、对非第一背景区域的区域内的任一像素在四个方向上进行连续搜索。
四个方向指的是上下左右四个方向，可以连续搜索十个像素。
S35、当其中一个方向上搜索到的所有像素的局部标准差与所述任一像素的局部标准差均大于第三预设阈值，且所有像素的局部标准差与所述任一像素的局部标准差的差值小于第四预设阈值时，将所述任一像素所在的区域作为第二背景区域。
具体的，根据公式
Figure BDA0002400641150000101
进行判断，σa和σb分别表示当前任一像素的局部标准差和搜索到的像素的局部标准差，Trσ表示第三预设阈值，Trrσ表示第四预设阈值，均为经验值。第二背景区域可认为其属于束光器边缘区域。
S36、根据所述图像边缘背景、第一背景区域和第二背景区域得到背景标记掩膜图。
背景标记掩膜图为后续分割步骤提供背景信息。
S4、根据所述区域标记图对所述X光图像进行聚类分类，得到分类标记图。
本实施例中，步骤S4具体包括：
S41、分别对区域标记图和X光图像进行分块处理。
块的大小可以根据需要进行设置，例如可以是64×64，且块与块之间在X和Y方向上分别重叠一半。
S42、按照分块处理后块的顺序依次搜索块中的区域。
搜索时在步骤3中已被确定为背景的区域除外，即背景区域不参与后续的处理。
S43、提取搜索到的区域的邻域区域，并将提取到的邻域区域与搜索到的区域组成第一区域集合。
如图2所示，P1为区域R1中的某一像素点，P2为区域R2的某一像素点。若已知区域R1，搜索区域中的所有像素，当搜索到P1时，如果P1的邻域像素P2不属于R1，则将P2所在的区域R2视为R1区域的一个邻域区域。搜索完R1区域的所有像素可得到类似的邻域区域，并与区域R1一起构成了区域R1的邻域区域集合，即第一区域集合。
S44、计算所述第一区域集合中的每个区域的平均灰度值。
S45、通过K均值聚类分类对所述第一区域集合中的所有区域进行分类。
当为骨骼区域的X光图像时，可以使用两个聚类中心，将区域分为两类，即骨骼区域和组织区域。具体的分类过程如下：
由步骤S44计算得到的第一区域集合各个区域的平均灰度值可表示为{μ1,μ2,…μi,...μn}，n表示第一区域集合中区域的数量，μi表示第i个区域的平均灰度值。可以计算得到第一区域集合中所有区域的灰度总均值μt，将第一区域集合中小于μt的区域标记为L1，大于或等于μt的区域标记为L2，此时就得到两个初始分类L1和L2，对应集合中的元素的平均值即为初始的聚类中心C1和C2。
然后计算每个元素μi分别与C1和C2的差值，以差值较小的类别作为元素μi的新类别，可重新得到新的L1和L2，并可计算得到新的聚类中心C1和C2。
重复上述步骤进行迭代，直到迭代次数达到预设次数(例如两次)或者相邻两次迭代的聚类中心C1和C2的变化较小时停止。即满足下式：
Figure BDA0002400641150000111
其中，C1和C2为当前迭代计算得到的聚类中心，C1last和C2last为上次迭代中对应的聚类中心，Trc为预设定的限定阈值，可设Trc＝0.001。
S46、根据分类后的第一区域集合对搜索到的区域进行分类标记，得到分类标记图。
比较步骤S45得到的两类的灰度大小，根据骨骼和软组织密度与X光吸收关系，灰度值较小的为骨骼区域，灰度值较大的为软组织区域。对每个区域所述的类别进行累计加分，某一个区域被标记为骨骼区域时，该区域为骨骼区域的得分加1，否则该区域为软组织区域的得分加1。返回步骤S42，直到搜索完所有的区域为止，最终统计每个区域被分类为骨骼区域和软组织区域的得分，得分较高者作为该区域的分类标记，如果两者得分相等即为不确定类别，待后续分类。
S5、根据所述分类标记图对所述X光图像进行近邻分类，得到修正分类标记图。
本实施例中，步骤S5具体包括：
S51、搜索通过分类标记图不能确定类别的区域，得到不确定类别区域。
S52、提取所述不确定类别区域的邻域区域，将提取到的邻域区域组成第二区域集合。
提取邻域区域的方法与步骤S43相同。
S53、根据所述第二区域集合中不同类别的数量对所述不确定类别区域进行分类，得到修正分类标记图。
即，计算骨骼区域和软组织区域的区域数量，选取数目较多的类别作为对应的不确定类别区域的类别；如果两者数目相等，则标记为软组织区域。搜索所有的不确定类别区域，直到搜完为止。
S6、根据所述区域标记图和修正分类标记图对X光图像进行曲面拟合修正，得到分类掩膜图。
本实施例中，步骤S6具体包括：
S61、根据所述区域标记图和修正分类标记图对X光图像中各个区域构建二元二次曲面多项式模型，所述二元二次曲面多项式模型为P＝ax2+by2+cxy+dx+ey+f，P表示拟合值，(x,y)为各个区域中的像素对应的坐标，a、b、c、d、e、f为拟合模型系数。
本实施例中，所述二元二次曲面多项式模型可表示为XA＝Y，其中，X表示骨骼区域或软组织区域类别的所有像素的位置坐标变量x和y组合构成的矩阵，Y为所有像素实际的灰度值s构成的向量，A为二元二次曲面多项式模型的系数构成的未知系数向量，具体如下：
Figure BDA0002400641150000131
其中，N为同一类别(骨骼或软组织)的像素数量。对上述方程求解可得：
A＝(XTX)-1XTY；
对于骨骼类别，根据骨骼区域相应的X和Y可计算得到骨骼系数向量为Ab；对于软组织类别，根据软组织区域相应的X和Y可计算得到软组织系数向量为As。计算得到Ab和As后，就可求解得到每个区域的每个像素拟合为骨骼类别或软组织类别的拟合值Pb和Ps。
S62、根据计算得到的拟合值和各个区域的实际灰度值，计算得到各个区域相对于不同类别的拟合误差。
具体的，根据下述公式进行计算：
Figure BDA0002400641150000132
其中，Pb和Ps分别为骨骼和软组织在区域R中第k个像素所在位置(ik,jk)的拟合值。SR为区域R中相应位置像素实际灰度值，N为区域R中的像素数量，τb和τs分别表示该区域拟合为骨骼或软组织的拟合误差。
S63、选择拟合误差较小的类别作为对应的区域的新类别，得到分类掩膜图。
本实施例中，对于曲面拟合过程，可以重复执行步骤S61至S63进行迭代，直到分类标记没有变化或者迭代次数达到预设值(例如3次)后为止。
S7、根据所述背景标记掩膜图和分类掩膜图对所述X光图像进行分割处理。
实施例二
请参照图3，本发明的实施例二为：
一种X光图像的智能分割终端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：
计算X光图像中任一像素的局部中值和局部标准差，分别得到局部中值图像和局部标准差图像；
对X光图像进行区域生长，得到区域标记图；
根据所述区域标记图对所述X光图像进行背景提取，得到背景标记掩膜图；
根据所述区域标记图对所述X光图像进行聚类分类，得到分类标记图；
根据所述分类标记图对所述X光图像进行近邻分类，得到修正分类标记图；
根据所述区域标记图和修正分类标记图对X光图像进行曲面拟合修正，得到分类掩膜图；
根据所述背景标记掩膜图和分类掩膜图对所述X光图像进行分割处理。
进一步的，所述对X光图像进行区域生长，得到区域标记图具体包括：
获取所述X光图像中任一像素的邻域像素；
当所述邻域像素同时满足
Figure BDA0002400641150000141
和/>
Figure BDA0002400641150000142
时，将所述邻域像素加入至所述任一像素所在的区域，其中σi表示任一像素的局部标准差，σj表示邻域像素的局部标准差，γF表示第一预设阈值，μi表示任一像素的局部中值，μj表示邻域像素的局部中值，γM表示第二预设阈值；
对所述任一像素所在的区域进行标记，得到区域标记图。
进一步的，所述根据所述区域标记图对所述X光图像进行背景提取，得到背景标记掩膜图具体包括：
对所述X光图像进行视野四周的边缘区域提取，得到图像边缘背景；
根据所述区域标记图计算X光图像对应区域的平均灰度值和平均标准差；
当任一区域的平均灰度值不在[Tg0,Tg1]范围内，且平均标准差不在[Ts0,Ts1]范围内时，将所述任一区域作为第一背景区域；其中Ts0和Ts1均为常数；根据公式
Figure BDA0002400641150000151
计算得到Tg0和Tg1，Imin表示X光图像的最小灰度值，Imax表示X光图像的最大灰度值，Trg0和Trg1为常数；
对非第一背景区域的区域内的任一像素在四个方向上进行连续搜索；
当其中一个方向上搜索到的所有像素的局部标准差与所述任一像素的局部标准差均大于第三预设阈值，且所有像素的局部标准差与所述任一像素的局部标准差的差值小于第四预设阈值时，将所述任一像素所在的区域作为第二背景区域；
根据所述图像边缘背景、第一背景区域和第二背景区域得到背景标记掩膜图。
进一步的，所述根据所述区域标记图对所述X光图像进行聚类分类，得到分类标记图具体包括：
分别对区域标记图和X光图像进行分块处理；
按照分块处理后块的顺序依次搜索块中的区域；
提取搜索到的区域的邻域区域，并将提取到的邻域区域与搜索到的区域组成第一区域集合；
计算所述第一区域集合中的每个区域的平均灰度值；
通过K均值聚类分类对所述第一区域集合中的所有区域进行分类；
根据分类后的第一区域集合对搜索到的区域进行分类标记，得到分类标记图。
进一步的，所述根据所述分类标记图对所述X光图像进行近邻分类，得到修正分类标记图具体包括：
搜索通过分类标记图不能确定类别的区域，得到不确定类别区域；
提取所述不确定类别区域的邻域区域，将提取到的邻域区域组成第二区域集合；
根据所述第二区域集合中不同类别的数量对所述不确定类别区域进行分类，得到修正分类标记图。
进一步的，所述根据所述区域标记图和修正分类标记图对X光图像进行曲面拟合修正，得到分类掩膜图具体包括：
根据所述区域标记图和修正分类标记图对X光图像中各个区域构建二元二次曲面多项式模型，所述二元二次曲面多项式模型为P＝ax2+by2+cxy+dx+ey+f，P表示拟合值，(x,y)为各个区域中的像素对应的坐标，a、b、c、d、e、f为拟合模型系数；
根据计算得到的拟合值和各个区域的实际灰度值，计算得到各个区域相对于不同类别的拟合误差；
选择拟合误差较小的类别作为对应的区域的新类别，得到分类掩膜图。
综上所述，本发明提供的一种X光图像的智能分割方法及终端，可以避免全局灰度重叠等原因导致分类类别难以区分的问题，可有效提高图像分割的可靠性，尤其适用于对骨骼的识别和提取。
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 (3)

1.一种X光图像的智能分割方法，其特征在于，包括：
计算X光图像中任一像素的局部中值和局部标准差，分别得到局部中值图像和局部标准差图像；
对X光图像进行区域生长，得到区域标记图；
根据所述区域标记图对所述X光图像进行背景提取，得到背景标记掩膜图；
根据所述区域标记图对所述X光图像进行聚类分类，得到分类标记图；
根据所述分类标记图对所述X光图像进行近邻分类，得到修正分类标记图；
根据所述区域标记图和修正分类标记图对X光图像进行曲面拟合修正，得到分类掩膜图；
根据所述背景标记掩膜图和分类掩膜图对所述X光图像进行分割处理；
所述对X光图像进行区域生长，得到区域标记图具体包括：
获取所述X光图像中任一像素的邻域像素；
当所述邻域像素同时满足
Figure FDA0004193760180000011
和/>
Figure FDA0004193760180000012
时，将所述邻域像素加入至所述任一像素所在的区域，其中σi表示任一像素的局部标准差，σj表示邻域像素的局部标准差，γF表示第一预设阈值，μi表示任一像素的局部中值，μj表示邻域像素的局部中值，γM表示第二预设阈值；
对所述任一像素所在的区域进行标记，得到区域标记图；
所述根据所述区域标记图对所述X光图像进行背景提取，得到背景标记掩膜图具体包括：
对所述X光图像进行视野四周的边缘区域提取，得到图像边缘背景；
根据所述区域标记图计算X光图像对应区域的平均灰度值和平均标准差；
当任一区域的平均灰度值不在[Tg0,Tg1]范围内，且平均标准差不在[Ts0,Ts1]范围内时，将所述任一区域作为第一背景区域；其中Ts0和Ts1均为常数；根据公式
Figure FDA0004193760180000021
计算得到Tg0和Tg1，Imin表示X光图像的最小灰度值，Imax表示X光图像的最大灰度值，Trg0和Trg1为常数；
对非第一背景区域的区域内的任一像素在四个方向上进行连续搜索；
当其中一个方向上搜索到的所有像素的局部标准差与所述任一像素的局部标准差均大于第三预设阈值，且所有像素的局部标准差与所述任一像素的局部标准差的差值小于第四预设阈值时，将所述任一像素所在的区域作为第二背景区域；
根据所述图像边缘背景、第一背景区域和第二背景区域得到背景标记掩膜图；
所述根据所述区域标记图对所述X光图像进行聚类分类，得到分类标记图具体包括：
分别对区域标记图和X光图像进行分块处理；
按照分块处理后块的顺序依次搜索块中的区域；
提取搜索到的区域的邻域区域，并将提取到的邻域区域与搜索到的区域组成第一区域集合；
计算所述第一区域集合中的每个区域的平均灰度值；
通过K均值聚类分类对所述第一区域集合中的所有区域进行分类；
根据分类后的第一区域集合对搜索到的区域进行分类标记，得到分类标记图；
所述根据所述分类标记图对所述X光图像进行近邻分类，得到修正分类标记图具体包括：
搜索通过分类标记图不能确定类别的区域，得到不确定类别区域；
提取所述不确定类别区域的邻域区域，将提取到的邻域区域组成第二区域集合；
根据所述第二区域集合中不同类别的数量对所述不确定类别区域进行分类，得到修正分类标记图。
2.根据权利要求1所述的X光图像的智能分割方法，其特征在于，所述根据所述区域标记图和修正分类标记图对X光图像进行曲面拟合修正，得到分类掩膜图具体包括：
根据所述区域标记图和修正分类标记图对X光图像中各个区域构建二元二次曲面多项式模型，所述二元二次曲面多项式模型为P＝ax2+by2+cxy+dx+ey+f，P表示拟合值，(x,y)为各个区域中的像素对应的坐标，a、b、c、d、e、f为拟合模型系数；
根据计算得到的拟合值和各个区域的实际灰度值，计算得到各个区域相对于不同类别的拟合误差；
选择拟合误差较小的类别作为对应的区域的新类别，得到分类掩膜图。
3.一种X光图像的智能分割终端，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：
计算X光图像中任一像素的局部中值和局部标准差，分别得到局部中值图像和局部标准差图像；
对X光图像进行区域生长，得到区域标记图；
根据所述区域标记图对所述X光图像进行背景提取，得到背景标记掩膜图；
根据所述区域标记图对所述X光图像进行聚类分类，得到分类标记图；
根据所述分类标记图对所述X光图像进行近邻分类，得到修正分类标记图；
根据所述区域标记图和修正分类标记图对X光图像进行曲面拟合修正，得到分类掩膜图；
根据所述背景标记掩膜图和分类掩膜图对所述X光图像进行分割处理；
所述对X光图像进行区域生长，得到区域标记图具体包括：
获取所述X光图像中任一像素的邻域像素；
当所述邻域像素同时满足
Figure FDA0004193760180000031
和/>
Figure FDA0004193760180000032
时，将所述邻域像素加入至所述任一像素所在的区域，其中σi表示任一像素的局部标准差，σj表示邻域像素的局部标准差，γF表示第一预设阈值，μi表示任一像素的局部中值，μj表示邻域像素的局部中值，γM表示第二预设阈值；
对所述任一像素所在的区域进行标记，得到区域标记图；
所述根据所述区域标记图对所述X光图像进行背景提取，得到背景标记掩膜图具体包括：
对所述X光图像进行视野四周的边缘区域提取，得到图像边缘背景；
根据所述区域标记图计算X光图像对应区域的平均灰度值和平均标准差；
当任一区域的平均灰度值不在[Tg0,Tg1]范围内，且平均标准差不在[Ts0,Ts1]范围内时，将所述任一区域作为第一背景区域；其中Ts0和Ts1均为常数；根据公式
Figure FDA0004193760180000041
计算得到Tg0和Tg1，Imin表示X光图像的最小灰度值，Imax表示X光图像的最大灰度值，Trg0和Trg1为常数；
对非第一背景区域的区域内的任一像素在四个方向上进行连续搜索；
当其中一个方向上搜索到的所有像素的局部标准差与所述任一像素的局部标准差均大于第三预设阈值，且所有像素的局部标准差与所述任一像素的局部标准差的差值小于第四预设阈值时，将所述任一像素所在的区域作为第二背景区域；
根据所述图像边缘背景、第一背景区域和第二背景区域得到背景标记掩膜图；
所述根据所述区域标记图对所述X光图像进行聚类分类，得到分类标记图具体包括：
分别对区域标记图和X光图像进行分块处理；
按照分块处理后块的顺序依次搜索块中的区域；
提取搜索到的区域的邻域区域，并将提取到的邻域区域与搜索到的区域组成第一区域集合；
计算所述第一区域集合中的每个区域的平均灰度值；
通过K均值聚类分类对所述第一区域集合中的所有区域进行分类；
根据分类后的第一区域集合对搜索到的区域进行分类标记，得到分类标记图；
所述根据所述分类标记图对所述X光图像进行近邻分类，得到修正分类标记图具体包括：
搜索通过分类标记图不能确定类别的区域，得到不确定类别区域；
提取所述不确定类别区域的邻域区域，将提取到的邻域区域组成第二区域集合；
根据所述第二区域集合中不同类别的数量对所述不确定类别区域进行分类，得到修正分类标记图。
CN202010145697.7A 2020-03-03 2020-03-03 X光图像的智能分割方法及终端 Active CN111369580B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010145697.7A CN111369580B (zh) 2020-03-03 2020-03-03 X光图像的智能分割方法及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010145697.7A CN111369580B (zh) 2020-03-03 2020-03-03 X光图像的智能分割方法及终端

Publications (2)

Publication Number Publication Date
CN111369580A CN111369580A (zh) 2020-07-03
CN111369580B true CN111369580B (zh) 2023-06-20

Family

ID=71206443

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010145697.7A Active CN111369580B (zh) 2020-03-03 2020-03-03 X光图像的智能分割方法及终端

Country Status (1)

Country Link
CN (1) CN111369580B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103903254A (zh) * 2012-12-31 2014-07-02 中国科学院深圳先进技术研究院 一种x光图像处理方法、系统及x光图像处理设备
CN105069773A (zh) * 2015-06-15 2015-11-18 上海应用技术学院 基于掩膜与canny相结合的自适应边缘检测计算方法
CN106611413A (zh) * 2016-11-30 2017-05-03 上海联影医疗科技有限公司 图像分割方法及其系统
CA2940393A1 (en) * 2015-12-29 2017-06-29 Veneree Rakotomalala Randrianarisoa Method and system for performing bone multi-segmentation in imaging data
CN109509199A (zh) * 2018-10-10 2019-03-22 华南理工大学 一种基于三维重建的医学影像组织智能分割方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103903254A (zh) * 2012-12-31 2014-07-02 中国科学院深圳先进技术研究院 一种x光图像处理方法、系统及x光图像处理设备
CN105069773A (zh) * 2015-06-15 2015-11-18 上海应用技术学院 基于掩膜与canny相结合的自适应边缘检测计算方法
CA2940393A1 (en) * 2015-12-29 2017-06-29 Veneree Rakotomalala Randrianarisoa Method and system for performing bone multi-segmentation in imaging data
CN106611413A (zh) * 2016-11-30 2017-05-03 上海联影医疗科技有限公司 图像分割方法及其系统
CN109509199A (zh) * 2018-10-10 2019-03-22 华南理工大学 一种基于三维重建的医学影像组织智能分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Automatic segmenting teeth in X-ray images: Trends, a novel data set, benchmarking and future perspectives;Gil Silva et al.;《Expert Systems with Applications》;20181001;第107卷;第15-31页 *
医学X光图像感兴趣区域提取;王鹏博;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20180115(第01期);第1-65页 *

Also Published As

Publication number Publication date
CN111369580A (zh) 2020-07-03

Similar Documents

Publication Publication Date Title
Wang et al. CT male pelvic organ segmentation using fully convolutional networks with boundary sensitive representation
US10169873B2 (en) Weakly supervised probabilistic atlas generation through multi-atlas label fusion
Anavi et al. A comparative study for chest radiograph image retrieval using binary texture and deep learning classification
CN109345527B (zh) 一种基于MaskRcnn的膀胱肿瘤检测方法
CN112950651B (zh) 基于深度学习网络的纵隔淋巴引流区的自动勾画方法
US20180114313A1 (en) Medical Image Segmentation Method and Apparatus
US8885926B2 (en) Image and data segmentation
Somkantha et al. Bone age assessment in young children using automatic carpal bone feature extraction and support vector regression
US11620359B2 (en) Method, device, and computer program product for self-supervised learning of pixel-wise anatomical embeddings in medical images
CN112184617A (zh) 一种基于深度学习的脊椎mri影像关键点检测方法
US20230005140A1 (en) Automated detection of tumors based on image processing
CN113269257A (zh) 一种图像分类方法、装置、终端设备及存储介质
Susomboon et al. A hybrid approach for liver segmentation
Krawczyk et al. Bones detection in the pelvic area on the basis of YOLO neural network
US11620747B2 (en) Method and system for image segmentation using a contour transformer network model
CN110766659A (zh) 医学图像识别方法、装置、设备和介质
CN102831614A (zh) 基于交互式字典迁移的序列医学图像快速分割方法
CN114092450A (zh) 一种基于胃镜检查视频的实时图像分割方法、系统、装置
Ma et al. A combined learning algorithm for prostate segmentation on 3D CT images
CN114429649B (zh) 目标图像识别方法及装置
WO2022271838A1 (en) Detecting and segmenting regions of interest in biomedical images using neural networks
CN110570450B (zh) 一种基于级联的上下文感知框架的目标跟踪方法
CN111369580B (zh) X光图像的智能分割方法及终端
Li et al. Deformation and refined features based lesion detection on chest X-ray
Ortiz et al. MRI brain image segmentation with supervised SOM and probability-based clustering method

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