CN112070785A - 一种基于计算机视觉的医学图像分析方法 - Google Patents
一种基于计算机视觉的医学图像分析方法 Download PDFInfo
- Publication number
- CN112070785A CN112070785A CN202010519537.4A CN202010519537A CN112070785A CN 112070785 A CN112070785 A CN 112070785A CN 202010519537 A CN202010519537 A CN 202010519537A CN 112070785 A CN112070785 A CN 112070785A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- treated
- threshold
- hospital
- 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.)
- Withdrawn
Links
- 238000003703 image analysis method Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims abstract description 15
- 238000006243 chemical reaction Methods 0.000 claims abstract description 10
- 238000003709 image segmentation Methods 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims description 25
- 238000001228 spectrum Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 16
- 238000005516 engineering process Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 6
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 230000008520 organization Effects 0.000 claims description 6
- 238000004445 quantitative analysis Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 230000007547 defect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims 7
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 230000008030 elimination Effects 0.000 abstract description 2
- 238000003379 elimination reaction Methods 0.000 abstract description 2
- 238000009499 grossing Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 6
- 230000008667 sleep stage Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000004171 remote diagnosis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 210000001185 bone marrow Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 210000002321 radial artery Anatomy 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
- 238000007794 visualization technique 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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- 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
- G06T2207/20—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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明请求保护一种基于计算机视觉的医学图像分析方法完成了对输入的医学图像序列的预处理工作,主要包括灰度变换、平滑和噪声消除,实现了对预处理后的医学图像的图像分割。其实现了对医学影像的数字化管理,降低了管理的难度和成本,管理更加规范,更加适合图像的查询和检索;不再需要胶片,方便了数据的传输,而且数据不容易损坏、变质、丢失;采用DICOM标准,能够兼容目前大部分医学影像设备的数据格式,极大的提高了数据的利用率与流通性。获取的数据经过模糊分类的随机抽样训练获得训练信息,有效减少了数据处理量,在不影响精度的前提下,处理效率更高。
Description
在先申请:2019104964992
在先申请日:2019.06.10
技术领域
本发明涉及图像处理技术领域,特别涉及一种基于计算机视觉的医学图像分析方法,适用于目标跟踪、目标识别、视频监控、视频会议、生物医学、信息安全、遥感遥测、航天航空或视频多媒体中图像匹配。
背景技术
进入70年代以来,随着计算机断层扫描,核磁共振成像等医学成像设备的出现与应用,人们可以得到人体及其内部器官的二维数字断层图像序列。放射医师可以通过观察图像,来发现和诊断病情,但这种诊断方式有以下主要的不足:(1)X射线图像(含CT)的对比度很低,容易误诊(2)核同位素图像及超声图像比较粗糙,分辨率很低;(3)从一组二维图像构想三维结构困难而且不准确。为提高医疗诊断和治疗规划的准确性与科学性,需要将二维断层图像序列转变成为具有直观立体效果的图像,展现人体器官的三维结构与形态,从而提供若干用传统手段无法获得的解剖结构信息,并为进一步模拟操作提供视觉交互手段。医学图像三维重建与可视化技术就是在这一背景下提出的,该技术一经提出之后,便得到了大量的研究与广泛应用。。
在三维图像的显示过程中,医生必须借助显示仪器来完成对医学数据的使用,然而传统的三维可视化方法并不能将原始数据在普通显示仪器上不失真的显示出来,这就为医生使用这些医学图像数据带来了困难,同时也阻碍了医学图像三维可视化在更广的范围内的应用。
尽管当前计算机技术已取得很大的发展,运算速度相对于从前提高了很多,但是图像几何匹配中需要被处理的数据量有时十分庞大,因此,计算机的计算速度还是没有达到实时性目标。且由于相异的光照和噪声等,会使相同内容的图像也会有差别,从而提高了图像几何匹配的难度。因此,匹配精度高、实时性好的图像几何匹配算法,对于医学图像处理、遥感图像处理、模式识别等领域具有非常重要的应用价值和理论意义。
当前医学影像的数字化管理,管理的难度和成本较高,管理不规范,不适合图像的查询和检索;存储需要胶片,不方便数据的传输,而且数据容易损坏、变质、丢失;不能兼容目前大部分医学影像设备的数据格式,对各种医学影像进行管理,不能充分的利用互联网,实现数据共享,远程诊断,多地会诊,无法为医疗教学提供了资源,数据的利用率与流通性差。
发明内容
针对现有技术存在的不足,本发明提供了基于计算机视觉的医学图像分析方法,并具有一定的通用性。
本发明请求保护一种基于计算机视觉的医学图像分析方法,其特征在于,包括:
基于计算机视觉的医学图像分析方法,其特征在于,包括:
患者使用手机对待治疗区域图像进行采集:若采集到的图像存在缺陷区(缺陷区包括歪斜、模糊等区域情形),提示患者重新拍摄待治疗区域图像,得到清晰图像;
完成图像的读入和转换以及图像的显示和阈值分割:服务器终端采用基于形状特征的模板匹配算法和基于SIFT特征的检测算法进行检测,调用OpenCV视觉类库中封装好的图像处理算子,编程完成相应的C++代码程序编制,赋值并调用各个控件按钮实现算法的功能;
手机启动该系统软件进行图像预处理,并进行手机识别:图像预处理完成图像滤波处理和目标子图像的获取及其直方图均衡处理,消除医学图像数据中的冗余信息(冗余信息可以包含的用于固定病患的支架或其它支撑物等),其方法包括用背景的灰度值来填充橡皮擦所经过路线上的原始灰度值,将原始DICOM数据形成的训练集,经过模糊分类的随机抽样,训练获得训练信息,再通过调和映射地方式转化为8位BMP灰度图;
得到待治疗区域图像信息,而后把得到的信息发给医院平台系统:图像分割和自动化定量分析,获得目标的外部轮廓特征,在图像分割的基础上,分别获取目标区域最长和最宽距离内包含的像素个数,并按比例尺系数换算成实体的长宽值,经重建得到三维模型后,辅助功能模块主要完成对模型的三维视角变换操作;
根据交互式的区域选择,显示不同部分的组织:医院实时发送待治疗区域图像信息给患者,利用鼠标操作或键盘输入实现定量的背景分离功能。
本发明的基于计算机视觉的医学图像分析方法的一种改进:
所述患者使用安装有该软件的手机对待治疗区域图像图像进行采集,具体还包括:
系统的采集部分至少由具有镜头的相机和工控机构成;
采集过程通过系统相机拍摄目标背景,由工控机转换为图像信号后,通过USB2.0接口传送到处理服务器进行处理;
图像采集过程中,需要对图像进行数字化,一般使用数字化的图像采集卡进行处理。
本发明的基于计算机视觉的医学图像分析方法的一种改进:包括:
所述图像读入,完成图像的读入和转换以及图像的显示和阈值分割,具体还包括:
确定需要的分割阀值,将分割阀值与像素值比较来划分像素,确定一个灰度值,然后将大于、等于此灰度值的像素判为对象并用一个灰度值表示,而将小于此灰度值的像素判为背景并用另一个灰度值表示,或者反之,对象、背景的灰度大小关系对调,二值化的结果将使得灰阶图像变成了二值图像;
确定阀值是分割的关键,不同的阀值可能会引起完全不同的结果,阀值的个数和取值是根据先验知识或试验统计数据确定;
应用迭代阈值分割技术对预处理后的子图像进行分割,并根据子图像中的分割结果在原图像中;
提取目标的轮廓,为计算机进行自动化定量分析创造条件;
根据分割结果图像中,同一区域中特征的一致性,以及各子区域的形状特征来评价分割结果的好坏。
本发明的基于计算机视觉的医学图像分析方法的一种改进:包括:
所述手机启动该系统软件进行图像预处理,并进行手机识别,具体还包括:
选择多级中值滤波和边缘检测技术完成对图像的预处理,其中,多级中值滤波用于对全图的预处理,对于任一像素,取其一定邻域内像素的平均灰度值替代原来的像素;
边缘检测用于对包含目标区域的子图像的处理,进一步加大目标和背景的区分度,为分割提供高质量的图像,用输入图像和高斯函数进行卷积运算得到滤波后的图像,然后利用微分算子计算图像梯度的幅值和方向,接着遍历整个图像,对梯度幅值进行非极大值抑制,最后使用双重阈值的方法进行边缘的提取,超过较高阈值的像素为边缘,反之则不是,如果检测结果大于低阈值但又小于高阈值,那就比较这个像素的邻域像素中有没有超过高阈值的边缘像素,如果有则该为边缘,反之则不是。
本发明的基于计算机视觉的医学图像分析方法的一种改进:包括:
所述得到待治疗区域图像信息,而后手机把得到的信息发给医院,具体还包括:
利用Fourier变换求出待治疗区域图像和医院图像之间的旋转角度;
首先输入待治疗区域图像和医院图像,医院图像与待治疗区域图像是对同一场景所成图像,两者之间存在一定的旋转角度差,也即待治疗区域图像与医院图像之间存在一定的旋转角度差;
将待治疗区域图像和医院图像均变换到Fourier频域,得到待治疗区域图像和医院图像的频谱,然后对待治疗区域图像的频谱和医院图像的Fourier频谱分别取模值,建立一个关于两幅图像间旋转角度的等式,找出待治疗区域图像频谱和医院图像频谱模值的关系;
再将旋转角度等式变换到极坐标下,得到Fourier频谱两模值在极坐标下相应的关系等式,最后对极坐标下的等式进行Fourier变换,根据交叉能量谱公式求得待治疗区域图像和医院图像之间的旋转角度。
本发明的基于计算机视觉的医学图像分析方法的一种改进:包括:
所述根据交互式的区域选择,显示不同部分的组织,具体还包括:
将含噪图像进行平稳小波变换邻域系数萎缩的图像去噪,分别获得子带系数:低频系数、水平细节系数、垂直细节系数和对角细节系数人机交互,选取子块区域并保存对应点坐标,获取比例尺系数;
在新对话框中显示滤波后图像,可根据实际需要对其大小进行缩放,分配内存空间保存对应子块图像数据和比例尺系数;
将低频系数保持不变,对各层的水平细节系数、垂直细节系数和对角细节系数分别进行邻域阈值处理;
采用脉冲耦合神经网络对噪声图像进行处理,显示处理后子块位图;
对由医生人工确定的包含目标区域的子图像采用直方图均衡技术进行增强,改变图像偏暗的现象。
本发明的基于计算机视觉的医学图像分析方法的一种改进:确定模糊分类器,依据模糊分类器设定的训练深度对原始DICOM数据进行训练,训练时由上层数据集随机抽取部分样本数据。这里可以在本层训练后投影到下一层数据集。
本发明的基于计算机视觉的医学图像分析方法的一种改进:随机抽取部分样本数据的数据选取量为占相应被抽取数据总量的75%以上。指在同一数据集中模糊分类的抽取量。
本发明的基于计算机视觉的医学图像分析方法的一种改进:随机抽取部分样本数据的数据选取量为占相应被抽取数据总量的75%-85%。
本发明完成了对输入的医学图像序列的预处理工作,主要包括灰度变换!平滑和噪声消除,实现了对预处理后的医学图像的图像分割。提出了由自动计算与交互式相结合的阈值分割、形态学方法进行区域修整,实现了对医学影像的数字化管理,降低了管理的难度和成本,管理更加规范,更加适合图像的查询和检索;图像是以数字化的形式存储,其图像的信息被完整的保留了下来,窗位与窗宽可以改变,且可以利用一些图像处理技术加以处理;使用磁盘进行图像的保存,不再需要胶片,方便了数据的传输,而且数据不容易损坏、变质、丢失;采用DICOM标准,能够兼容目前大部分医学影像设备的数据格式,对各种医学影像进行管理;可以充分的利用互联网,实现数据共享,远程诊断,多地会诊,同时也为医疗教学提供了很多资源,极大的提高了数据的利用率与流通性。同时在数据处理当中,采用随机抽样训练的形式,仅需要对部分数据进行训练处理,从而节约了数据处理的时间,极大地提高了数据处理的效率,并且还能够保证数据的处理质量。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明所涉及的一种基于计算机视觉的医学图像分析方法的工作流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
参照附图1为本发明所涉及的一种基于计算机视觉的医学图像分析方法的工作流程图。
本发明请求保护一种基于计算机视觉的医学图像分析方法,其特征在于,包括:
患者使用安装有该软件的手机对待治疗区域图像进行采集:若采集到的图像歪斜、模糊等,手机提示患者重新拍摄待治疗区域图像,得到清晰图像;
图像读入,完成图像的读入和转换以及图像的显示和阈值分割:服务器终端采用基于形状特征的模板匹配算法和基于SIFT特征的检测算法进行检测,调用OpenCV视觉类库中封装好的图像处理算子,编程完成相应的C++代码,并利用应用软件界面中各个控件按钮实现算法的功能;
手机启动该系统软件进行图像预处理,并进行手机识别:图像预处理完成图像滤波处理和目标子图像的获取及其直方图均衡处理,将医学图像数据中包含的用于固定病患的支架或其它支撑物无用信息删除,其方法是用背景的灰度值来填充橡皮擦所经过路线上的原始灰度值,从而为医学诊断提供从定性到定量,更为客观的信息将原始DICOM数据,将原始DICOM数据形成的训练集,经过随机抽样训练获得训练信息,将训练信息通过调和映射地方式转化为8位BMP灰度图,增强输出图像的对比度;
得到待治疗区域图像信息,而后手机把得到的信息发给医院:图像分割和自动化定量分析,获得目标的外部轮廓特征,在图像分割的基础上,分别获取目标区域最长和最宽距离内包含的像素个数,并按比例尺系数换算成实体的长宽值,经重建得到三维模型后,辅助功能模块主要完成对模型的三维视角变换操作;
根据交互式的区域选择,显示不同部分的组织:医院实时发送待治疗区域图像信息给患者,利用鼠标操作或键盘输入实现定量的背景分离功能。
在前述方案中,将原始DICOM数据形成的训练集,经过随机抽样训练获得训练信息时,其中,训练集的原始DICOM数据经过随机抽样训练获得训练信息为:训练集的原始DICOM数据经过随机抽样训练获得训练信息为:确定模糊分类器,依据模糊分类器设定的训练深度对将原始DICOM数据进行训练,依据训练深度确定对应层次的数据集,训练时由上层数据集随机抽取部分样本数据,训练并投影到下一层数据集,即其中矩阵X′中的N′表示随机抽取原始训练集的部分样本,至满足预设样本数量则进行下一步操作,进行新样本抽取或者训练。
在这一过程中,排除大规模样本中特征信息的冗余以降会对模糊分类器的分类性能造成的影响。
为了说明本随机抽样训练的效果,实验研究了PhysioBank档案库中MIT-BIHpolysomnographic数据库,该数据库可在线获得,https://physionet.org/physiobank/database/slpdb/。数据集中所有受试者均为男性,年龄32至56岁(平均年龄43岁),体重为89至152千克(平均体重119千克)。记录中slp01a和slp01b是同一个受试者多导睡眠图的片段,间隔约为1小时;记录slp02a和slp02b是另一个受试者多导睡眠图的片段,间隔十分钟。其余14项记录均来自不同科目。所有记录包括ECG信号,有创血压信号(使用桡动脉中的导管测量),EEG信号和呼吸信号(大多数情况下来自鼻热敏电阻)。为了能充分提取每个样本的特征和避免维数灾难,同时又考虑到信号的非线性和非平稳性,实验利用基于高斯径向基核函数提取特定病症信号的特征。
在操作中,为了方便快捷的获取专家对睡眠阶段的注释,可以访问https://archive.physionet.org/cgi-bin/atm/ATM,通过PHYSIOBANKATM直接获取每个睡眠阶段的注释。
研究的MIT-BIH polysomnographic数据库的采样频率是250Hz,同时专家以30秒为一个周期进行睡眠阶段的注释。因此一个睡眠阶段将会对应7500个EEG脑电信号采样点。将以EEG脑电信号中的7500个样本点为一个周期与专家注释的睡眠阶段进行依次组合。此外,在EEG脑电信号以及专家注释的数据集中,包含有每个脑电信号采样的时间节点以及专家对睡眠阶段进行注释的时间节点,通过校验采样和注释的时间节点确保在组合EEG脑电信号与睡眠阶段注释时不发生错位。采用巴特沃斯带通滤波器对EEG脑电信号进行滤波。由于原始的EEG脑电信号中包含多种高频噪音,信号波形显得杂乱无章。经过0.5~30Hz巴特沃斯带通滤波器的滤波后可以明显的发现,滤波后的EEG信号中包含的信号频率大部分集中在0.5~30Hz,只有极个别的高频噪音。实验中采用小波阀值去噪的方法对有效频域内的EEG脑电信号进行去噪处理。这里可以采用db6小波基函数对本次实验的EEG脑电信号进行小波分解。
实现EEG脑电信号的小波分解后,采用全局阀值对小波分解的高频系数进行阀值量化处理,并且使用软阀值函数实现信噪分离,最后通过小波重构得到去噪信号。考虑到脑电信号的非线性和非平稳线性,采样基于高斯径向基核函数的KPCA对脑电信号进行特征提取。
以依据病症形态进行分类并再次分类获得数据子集的情形,读取样本中的训练集数据,实施如下操作形成测试集:(1)随机选取75%数据特征进行训练;(2)随机选取80%数据特征进行训练;(3)随机选取85%数据特征进行训练,依据赋予的集合特征,测试该模糊分类器性能,主要体现在分类性能和泛化性两个方面。
表一实验数据的分布情况
表二实验数据集的分布
下述方案中,训练精度的评估以输出结果与表二预设结果进行校准,重复3次取平均精度。
表四仅训练集\测试集75%的特征和训练全部特征时的训练精度和测试精度对比(本实施例方案训练深度为5)
表五仅训练集\测试集85%的特征和训练全部特征时的训练精度和测试精度对比(本实施例方案训练深度为1)
通过表一至表五的数据对比表明提出的模糊分类器在3个数据集上的分类、泛化性能的表现。和现有技术相比,表三至表五展示了训练精度为1时,即通过一次随机抽样进行训练,本申请的技术方案在抽样特征占比80%时即表现出了令人满意的分类性能和相当的泛化性能,显而易见的在降低了数据处理总量后,在数据处理的效果上仍具有较好的结论。进一步地研究表明,当训练深度为5时,本申请的技术方案在抽样特征占比75%时即表现出了令人满意的分类性能和相当的泛化性能,显而易见的在降低了数据处理总量后,在数据处理的效果上仍具有较好的结论。
需要注意的是,以训练全部为对照,与从训练时间上比较,本案的实施可以节约20%以上的训练时间和计算量,并且可以预见的是,样本量越大、训练次数越多的时候,这里的效率优势就更为明显。
在随机抽样训练时,对应样本可以选择等间距划分K个模糊分区,并将其表示为G1,G2,...,Gk,...,GK,在每个分区中随机产生聚类中心点ak,并给予这些聚类中心点相应的语言解释,从而当模糊规则输出yk∈(,Gk-1,,Gk)时,给予它相应区间的医学解释。从而将定义赋值解释后的数据传导至平台系统,作为参考数据,以便于后续归类与处理作业。
优选的,所述患者使用安装有该软件的手机对待治疗区域图像图像进行采集,具体还包括:
系统的采集部分由镜头、相机和工控机等构成;
采集过程通过系统相机拍摄目标背景,转换为图像信号后,通过USB2.0接口传送到处理服务器进行处理;
图像采集过程中,需要对图像进行数字化,一般使用数字化的图像采集卡进行处理。
优选的,所述图像读入,完成图像的读入和转换以及图像的显示和阈值分割,具体还包括:
确定需要的分割阀值,将分割阀值与象素值比较来划分象素,确定一个灰度值,然后将大于、等于此灰度值的像素判为对象并用一个灰度值表示,而将小于此灰度值的像素判,为背景并用另一个灰度值表示,或者反之,对象、背景的灰度大小关系对调,二值化的结果将使得灰阶图像变成了二值图像;
确定阀值是分割的关键,不同的阀值可能会引起完全不同的结果,阀值的个数和取值是根据先验知识或试验统计数据确定;
应用迭代阈值分割技术对预处理后的子图像进行分割,并根据子图像中的分割结果在原图像中;
提取目标的轮廓,为计算机进行自动化定量分析创造条件;
根据分割结果图像中,同一区域中特征的一致性,以及各子区域的形状特征来评价分割结果的好坏。
进一步地,所述手机启动该系统软件进行图像预处理,并进行手机识别,具体还包括:
选择多级中值滤波和边缘检测技术完成对图像的预处理,其中,多级中值滤波用于对全图的预处理,对于任一像素,取其一定邻域内像素的平均灰度值替代原来的像素;
采用基于滤波窗口内方差和均值之比的自适应加权中值滤波方法,对滤波窗口覆盖区域执行中值滤波操作前,先根据方差和均值的比值大小对窗口内的像素点赋予不同的权值。加权中值滤波权系数表达式为:
ω(i,j)=[ω(k+1,k+1)-cdσ2/m]
其所用中值滤波的局部窗口大小为(2k+1)*(2k+1),式子中ω(k+1,k+1,k+1)是中心点权重;c是常量,由人工调节;d是点(i,j)到局部窗口中心的距离;σ2和m是局部窗口的方差与均值,[x]表示当中括号内结果存在时取最接近的整数,若结果不存在,则取零。
在上式中,因为c、d、σ2和m均大于或等于0,显然中心点的权值最大。一般来说,在那些比较均匀的区域,若出现突变,主要是噪声引起的。在这些区域内,局部方差很小,cdσ2/m的值很小,区域内各像素点的权值大致相等,等同于一般的中值滤波器,将突变点去除。在那些包含细节信息或边界的区域,局部方差很大,cdσ2/m的值很大,因此区域内像素点权值随着与中心点距离增大而迅速减小,使窗口中心附近的灰度值得以保留,达到保留细节的目的。
在滤波器中,窗口的大小决定去噪能力,常量c和中心点权重ω(k+1,k+1,k+1)决定保护边界和细节的能力;取中心点权重150,可调节参数c=7,滤波窗口为5×5,取得了较为满意的效果。
边缘检测用于对包含目标区域的子图像的处理,进一步加大目标和背景的区分度,为分割提供高质量的图像,用输入图像和高斯函数进行卷积运算得到滤波后的图像,然后利用微分算子计算图像梯度的幅值和方向,接着遍历整个图像,对梯度幅值进行非极大值抑制,最后使用双重阈值的方法进行边缘的提取,超过较高阈值的像素为边缘,反之则不是,如果检测结果大于低阈值但又小于高阈值,那就比较这个像素的邻域像素中有没有超过高阈值的边缘像素,如果有则该为边缘,反之则不是。
优选的,所述得到待治疗区域图像信息,而后手机把得到的信息发给医院,具体还包括:
利用Fourier变换求出待治疗区域图像和医院图像之间的旋转角度;
首先输入待治疗区域图像和医院图像,医院图像与待治疗区域图像是对同一场景所成图像,两者之间存在一定的旋转角度差,也即待治疗区域图像与医院图像之间存在一定的旋转角度差;
将待治疗区域图像和医院图像均变换到Fourier频域,得到待治疗区域图像和医院图像的频谱,然后对待治疗区域图像的频谱和医院图像的Fourier频谱分别取模值,建立一个关于两幅图像间旋转角度的等式,找出待治疗区域图像频谱和医院图像频谱模值的关系;
再将旋转角度等式变换到极坐标下,得到Fourier频谱两模值在极坐标下相应的关系等式,最后对极坐标下的等式进行Fourier变换,根据交叉能量谱公式求得待治疗区域图像和医院图像之间的旋转角度。
优选的,所述根据交互式的区域选择,显示不同部分的组织,具体还包括:
将含噪图像进行平稳小波变换邻域系数萎缩的图像去噪,分别获得子带系数:低频系数、水平细节系数、垂直细节系数和对角细节系数人机交互,选取子块区域并保存对应点坐标,获取比例尺系数;
在新对话框中显示滤波后图像,可根据实际需要对其大小进行缩放,分配内存空间保存对应子块图像数据和比例尺系数;
将低频系数保持不变,对各层的水平细节系数、垂直细节系数和对角细节系数分别进行邻域阈值处理;
采用脉冲耦合神经网络对噪声图像进行处理,显示处理后子块位图;
对由医生人工确定的包含目标区域的子图像采用直方图均衡技术进行增强,改变图像偏暗的现象。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (9)
1.一种基于计算机视觉的医学图像分析方法,其特征在于,包括:
患者使用手机对待治疗区域图像进行采集:若采集到的图像存在缺陷区,提示患者重新拍摄待治疗区域图像,得到清晰图像;
完成图像的读入和转换以及图像的显示和阈值分割:服务器终端采用基于形状特征的模板匹配算法和基于SIFT特征的检测算法进行检测,调用OpenCV视觉类库中封装好的图像处理算子,编程完成相应的C++代码程序编制,赋值并调用各个控件按钮实现算法的功能;
手机启动该系统软件进行图像预处理,并进行手机识别:图像预处理完成图像滤波处理和目标子图像的获取及其直方图均衡处理,消除医学图像数据中的冗余信息,其方法包括用背景的灰度值来填充橡皮擦所经过路线上的原始灰度值,将原始DICOM数据形成的训练集,经过模糊分类的随机抽样,训练获得训练信息,再通过调和映射地方式转化为8位BMP灰度图;
得到待治疗区域图像信息,而后把得到的信息发给医院平台系统:图像分割和自动化定量分析,获得目标的外部轮廓特征,在图像分割的基础上,分别获取目标区域最长和最宽距离内包含的像素个数,并按比例尺系数换算成实体的长宽值,经重建得到三维模型后,辅助功能模块主要完成对模型的三维视角变换操作;
根据交互式的区域选择,显示不同部分的组织:医院实时发送待治疗区域图像信息给患者,利用鼠标操作或键盘输入实现定量的背景分离功能。
2.如权利要求1所述的一种基于计算机视觉的医学图像分析方法,其特征在于,包括:
所述患者使用安装有该软件的手机对待治疗区域图像图像进行采集,具体还包括:
系统的采集部分至少由具有镜头的相机和工控机构成;
采集过程通过系统相机拍摄目标背景,由工控机转换为图像信号后,通过USB2.0接口传送到处理服务器进行处理;
图像采集过程中,需要对图像进行数字化,一般使用数字化的图像采集卡进行处理。
3.如权利要求1所述的一种基于计算机视觉的医学图像分析方法,其特征在于,包括:
所述图像读入,完成图像的读入和转换以及图像的显示和阈值分割,具体还包括:
确定需要的分割阀值,将分割阀值与像素值比较来划分像素,确定一个灰度值,然后将大于、等于此灰度值的像素判为对象并用一个灰度值表示,而将小于此灰度值的像素判为背景并用另一个灰度值表示,或者反之,对象、背景的灰度大小关系对调,二值化的结果将使得灰阶图像变成了二值图像;
确定阀值是分割的关键,不同的阀值可能会引起完全不同的结果,阀值的个数和取值是根据先验知识或试验统计数据确定;
应用迭代阈值分割技术对预处理后的子图像进行分割,并根据子图像中的分割结果在原图像中;
提取目标的轮廓,为计算机进行自动化定量分析创造条件;
根据分割结果图像中,同一区域中特征的一致性,以及各子区域的形状特征来评价分割结果的好坏。
4.如权利要求1所述的一种基于计算机视觉的医学图像分析方法,其特征在于,包括:
所述手机启动该系统软件进行图像预处理,并进行手机识别,具体还包括:
选择多级中值滤波和边缘检测技术完成对图像的预处理,其中,多级中值滤波用于对全图的预处理,对于任一像素,取其一定邻域内像素的平均灰度值替代原来的像素;
边缘检测用于对包含目标区域的子图像的处理,进一步加大目标和背景的区分度,为分割提供高质量的图像,用输入图像和高斯函数进行卷积运算得到滤波后的图像,然后利用微分算子计算图像梯度的幅值和方向,接着遍历整个图像,对梯度幅值进行非极大值抑制,最后使用双重阈值的方法进行边缘的提取,超过较高阈值的像素为边缘,反之则不是,如果检测结果大于低阈值但又小于高阈值,那就比较这个像素的邻域像素中有没有超过高阈值的边缘像素,如果有则该为边缘,反之则不是。
5.如权利要求1所述的一种基于计算机视觉的医学图像分析方法,其特征在于,包括:
所述得到待治疗区域图像信息,而后手机把得到的信息发给医院平台系统,具体还包括:
利用Fourier变换求出待治疗区域图像和医院图像之间的旋转角度;
首先输入待治疗区域图像和医院图像,医院图像与待治疗区域图像是对同一场景所成图像,两者之间存在一定的旋转角度差,也即待治疗区域图像与医院图像之间存在一定的旋转角度差;
将待治疗区域图像和医院图像均变换到Fourier频域,得到待治疗区域图像和医院图像的频谱,然后对待治疗区域图像的频谱和医院图像的Fourier频谱分别取模值,建立一个关于两幅图像间旋转角度的等式,找出待治疗区域图像频谱和医院图像频谱模值的关系;
再将旋转角度等式变换到极坐标下,得到Fourier频谱两模值在极坐标下相应的关系等式,最后对极坐标下的等式进行Fourier变换,根据交叉能量谱公式求得待治疗区域图像和医院图像之间的旋转角度。
6.如权利要求1所述的一种基于计算机视觉的医学图像分析方法,其特征在于,包括:
所述根据交互式的区域选择,显示不同部分的组织,具体还包括:
将含噪图像进行平稳小波变换邻域系数萎缩的图像去噪,分别获得子带系数:低频系数、水平细节系数、垂直细节系数和对角细节系数人机交互,选取子块区域并保存对应点坐标,获取比例尺系数;
在新对话框中显示滤波后图像,可根据实际需要对其大小进行缩放,分配内存空间保存对应子块图像数据和比例尺系数;
将低频系数保持不变,对各层的水平细节系数、垂直细节系数和对角细节系数分别进行邻域阈值处理;
采用脉冲耦合神经网络对噪声图像进行处理,显示处理后子块位图;
对由医生人工确定的包含目标区域的子图像采用直方图均衡技术进行增强,改变图像偏暗的现象。
7.如权利要求1所述的一种基于计算机视觉的医学图像分析方法,其特征在于,所述随机抽样为:确定模糊分类器,依据模糊分类器设定的训练深度对原始DICOM数据进行训练,训练时由上层数据集随机抽取部分样本数据,训练并投影到下一层数据集。
8.如权利要求7所述的一种基于计算机视觉的医学图像分析方法,其特征在于,所述随机抽取部分样本数据的数据选取量为占相应被抽取数据总量的75%以上。
9.如权利要求7所述的一种基于计算机视觉的医学图像分析方法,其特征在于,所述随机抽取部分样本数据的数据选取量为占相应被抽取数据总量的75%-85%。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2019104964992 | 2019-06-10 | ||
CN201910496499.2A CN110211143A (zh) | 2019-06-10 | 2019-06-10 | 一种基于计算机视觉的医学图像分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112070785A true CN112070785A (zh) | 2020-12-11 |
Family
ID=67791592
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910496499.2A Pending CN110211143A (zh) | 2019-06-10 | 2019-06-10 | 一种基于计算机视觉的医学图像分析方法 |
CN202010519537.4A Withdrawn CN112070785A (zh) | 2019-06-10 | 2020-06-09 | 一种基于计算机视觉的医学图像分析方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910496499.2A Pending CN110211143A (zh) | 2019-06-10 | 2019-06-10 | 一种基于计算机视觉的医学图像分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN110211143A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112652382A (zh) * | 2020-12-31 | 2021-04-13 | 山东大学齐鲁医院 | 一种基于移动终端的胆胰疾病多学科联合咨询会诊系统 |
CN113764072B (zh) * | 2021-05-13 | 2023-04-18 | 腾讯科技(深圳)有限公司 | 医疗影像的重建方法、装置、设备及存储介质 |
CN116630425A (zh) * | 2023-07-21 | 2023-08-22 | 长春市天之城科技有限公司 | 一种基于x光的食品智能检测系统 |
CN117541983A (zh) * | 2023-11-08 | 2024-02-09 | 广东理致技术有限公司 | 一种基于机器视觉的模型数据质量分析方法及系统 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111078090A (zh) * | 2019-11-29 | 2020-04-28 | 上海联影医疗科技有限公司 | 一种显示方法、装置、设备和存储介质 |
CN112401829A (zh) * | 2020-11-26 | 2021-02-26 | 温州眼视光国际创新中心 | 一种裂隙灯的远程智能控制系统 |
CN113160153A (zh) * | 2021-04-06 | 2021-07-23 | 宁波大学医学院附属医院 | 一种基于深度学习技术的肺结节筛查方法及筛查系统 |
-
2019
- 2019-06-10 CN CN201910496499.2A patent/CN110211143A/zh active Pending
-
2020
- 2020-06-09 CN CN202010519537.4A patent/CN112070785A/zh not_active Withdrawn
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112652382A (zh) * | 2020-12-31 | 2021-04-13 | 山东大学齐鲁医院 | 一种基于移动终端的胆胰疾病多学科联合咨询会诊系统 |
CN113764072B (zh) * | 2021-05-13 | 2023-04-18 | 腾讯科技(深圳)有限公司 | 医疗影像的重建方法、装置、设备及存储介质 |
CN116630425A (zh) * | 2023-07-21 | 2023-08-22 | 长春市天之城科技有限公司 | 一种基于x光的食品智能检测系统 |
CN116630425B (zh) * | 2023-07-21 | 2023-09-22 | 长春市天之城科技有限公司 | 一种基于x光的食品智能检测系统 |
CN117541983A (zh) * | 2023-11-08 | 2024-02-09 | 广东理致技术有限公司 | 一种基于机器视觉的模型数据质量分析方法及系统 |
CN117541983B (zh) * | 2023-11-08 | 2024-07-26 | 天顺科技(广州)有限公司 | 一种基于机器视觉的模型数据质量分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110211143A (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070785A (zh) | 一种基于计算机视觉的医学图像分析方法 | |
Bankman | Handbook of medical image processing and analysis | |
US5830141A (en) | Image processing method and device for automatic detection of regions of a predetermined type of cancer in an intensity image | |
JP4634418B2 (ja) | 医療画像において腫瘤や実質組織変形をコンピュータを用いて検出する自動化した方法と装置 | |
Sinha et al. | Medical image processing | |
JPH07299053A (ja) | コンピュータ診断支援方法 | |
Bhateja et al. | Medical image fusion in wavelet and ridgelet domains: a comparative evaluation | |
CN110414607A (zh) | 胶囊内窥镜图像的分类方法、装置、设备及介质 | |
CN114241077B (zh) | 一种ct图像分辨率优化方法及装置 | |
CN116630762B (zh) | 一种基于深度学习的多模态医学图像融合方法 | |
Nie et al. | Feature extraction for medical CT images of sports tear injury | |
Pradhan et al. | Machine learning model for multi-view visualization of medical images | |
CN111968108A (zh) | 基于智能扫描协议的ct智能成像方法、装置及系统 | |
CN116309647B (zh) | 颅脑病灶图像分割模型构建方法、图像分割方法及设备 | |
Bagaria et al. | A wavelet-based segmentation technique for medical images | |
Guo et al. | Thyroid nodule ultrasonic imaging segmentation based on a deep learning model and data augmentation | |
Fonseca et al. | X-ray image enhancement: A technique combination approach | |
Sajda et al. | Multi-resolution and wavelet representations for identifying signatures of disease | |
CN114569116A (zh) | 基于三通道图像及迁移学习的心冲击图室颤辅助诊断系统 | |
CN114612484A (zh) | 基于无监督学习的视网膜oct图像分割方法 | |
CN110084772B (zh) | 基于弯曲波的mri/ct融合方法 | |
Shi et al. | Ultrasound image denoising autoencoder model based on lightweight attention mechanism | |
Fall et al. | Digitalization and classification of scanned ECG using convolutional neural network | |
CN115578285B (zh) | 一种乳腺钼靶图像细节增强方法及系统 | |
Zaman et al. | An experimental research in health informatics for designing an enhanced intelligent could-based collaborative multi-modal framework for medical imaging diagnostics |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201211 |
|
WW01 | Invention patent application withdrawn after publication |