CN112132189B - 一种面向cbct图像的密度峰值超像素预处理方法 - Google Patents
一种面向cbct图像的密度峰值超像素预处理方法 Download PDFInfo
- Publication number
- CN112132189B CN112132189B CN202010896063.5A CN202010896063A CN112132189B CN 112132189 B CN112132189 B CN 112132189B CN 202010896063 A CN202010896063 A CN 202010896063A CN 112132189 B CN112132189 B CN 112132189B
- Authority
- CN
- China
- Prior art keywords
- pixel
- distance
- pixels
- cbct
- superpixel
- 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
Links
- 238000007408 cone-beam computed tomography Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000007781 pre-processing Methods 0.000 title claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 12
- 210000001519 tissue Anatomy 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- 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
- 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]
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)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
一种面向CBCT图像的密度峰值超像素预处理方法,将CBCT图像的Hu值转化为像素亮度值,通过计算每个像素的局部密度和距离,得出每个像素的决策值,根据决策值确定出目标数目的聚类中心,然后计算每个像素和聚类中心的加权距离并为像素赋上标签生成超像素,再对不合理的超像素区域进行合并,得到CBCT区域级图像。本发明利用局部密度峰值聚类的超像素分割,提高了CBCT图像预处理的便捷性和有效性,降低了预处理的图像损失率。
Description
技术领域
本专利涉及医学图像处理与机器学习领域,特别是指一种面向CBCT图像的密度峰值超像素预处理方法。
背景技术
随着计算机科学和医学图像的发展,利用计算机图像处理技术对CBCT二维切片图像进行分析和处理,实现对人体器官、软组织和病变体的分割提取、三维重建和三维显示,可以辅助医生对病变体及其它感兴趣的区域进行定性甚至定量的分析,从而提高医疗诊断的准确性和可靠性。
对图像的处理大多以像素为单位,用二维矩阵来表示一张图像,并未考虑像素之间的空间组织关系,这使得算法处理效率过低。2003年Ren等人提出了超像素,所谓超像素,是指具有相似纹理、颜色、亮度等特征的相邻像素构成的图像块。它利用像素之间特征的相似程度将像素分组,可以获取图像的冗余信息,在很大程度上降低了后续图像处理任务的复杂度,是图像处理和计算机视觉中的重要预处理环节。
目前常用的超像素算法主要有SLIC算法和LCS算法。SLIC算法是一种比较快速的超像素分割算法,但边缘召回率不高且需要预先设定超像素的数目。LSC算法通过核函数将像素信息映射到特征空间,提高了超像素分割精度,但是仍需手动设定超像素的数目和空间相似度与颜色相似度的平衡参数。
发明内容
为了解决现有的一些超像素分割方法边缘召回率低、分割精度不足、鲁棒性差、处理速度缓慢等问题,受密度峰值聚类算法的启发,本发明提出了一种基于密度峰值超像素分割的图像损失小且处理更加便捷的CBCT图像预处理方法,可以快速、高效地生成高质量的CBCT预处理图像。
本发明解决其技术问题所采用的技术方案是:
一种面向CBCT图像的密度峰值超像素预处理方法,包括如下步骤:
步骤一:输入CBCT图像的超像素目标数目k和需凸显特定组织的Hu值范围,从原始的CBCT数据中的Hu值逐一转化为亮度值li,得到亮度图L={li|1≤i≤n},
li=Hui+1024,
其中n为亮度图L的像素总数,CBCT亮度图的单个像素的向量表示为pi=(xi,yi,li),(xi,yi)为像素在亮度图中的坐标值;
步骤二:选取像素pi的K个最近邻居像素构成的集合P,根据每个邻居像素pj∈P和pi之间的欧式距离/>计算像素pi的局部密度ρi
步骤三:计算每个像素的距离即像素pi的距离为pi到最近的大密度像素点的距离;
步骤四:计算每个像素的决策值γi=ρi×δi;
步骤五:根据决策值,取与前k个决策值对应的像素点为聚类中心集{c1,c2,...,ck},并将cj对应的像素点标签labelcj标记为j;
步骤六:遍历像素点,对于未标签的像素点pi,计算pi与聚类中心cj的距离
d1(i,cj)=β×dc+(1-β)×ds,0<β<1,
其中为pi与cj的亮度分量距离,/>为pi与cj的空间坐标分量距离,并将像素点pi的标签置为使距离d1(i,cj)最小所对应的聚类中心的标签,生成超像素分割像素集/>得到CBCT区域级图像;
步骤七:合并超像素,对于超像素Si,如果‖Si‖小于即超像素Si包含的像素数小于预期超像素的平均大小,则计算超像素Si和相邻超像素Sj的距离
其中/>和/>为对应超像素所有像素的平均亮度和平均坐标,把Si合并到使距离d2(Si,Sj)最小对应的超像素Sj中去,即把Si中所有像素的标签置为Sj中的像素标签,完善能有效表示图像特征的CBCT区域级图像。
本发明的技术构思为:将CBCT对应的CT值信息用像素亮度信息表示,通过计算每个像素的局部密度和距离,得出每个像素的决策值,根据决策值自动确定出聚类中心,然后计算像素和聚类中心的距离并为像素赋上标签生成超像素,并对超像素进行优化合并,得到CBCT区域级图像。
本发明的有益效果为:利用局部密度峰值聚类,提出了一种鲁棒性强、边缘召回率高、可达分割精度高且自动化的超像素分割方法,提高了CBCT图像预处理的便捷性和有效性,降低了预处理的图像损失率。
附图说明
图1为超像素分割后口腔CBCT图像示意图。
图2为本发明的流程图。
具体实施方式
下面结合附图对本发明做进一步说明。
参照图1和图2,一种面向CBCT图像的密度峰值超像素预处理方法,包括如下步骤:
步骤一:输入CBCT图像的超像素目标数目k和需凸显特定组织的Hu值范围,从原始的CBCT数据中的Hu值逐一转化为亮度值li,得到亮度图L={li|1≤i≤n},
li=Hui+1024,
其中n为亮度图L的像素总数,CBCT亮度图的单个像素的向量表示为pi=(xi,yi,li),(xi,yi)为像素在亮度图中的坐标值;
步骤二:选取像素pi的K个最近邻居像素构成的集合P,根据每个邻居像素pj∈P和pi之间的欧式距离/>计算像素pi的局部密度ρi
步骤三:计算每个像素的距离即像素pi的距离为pi到最近的大密度像素点的距离;
步骤四:计算每个像素的决策值γi=ρi×δi;
步骤五:根据决策值,取与前k个决策值对应的像素点为聚类中心集{c1,c2,...,ck},并将cj对应的像素点标签labelcj标记为j;
步骤六:遍历像素点,对于未标签的像素点pi,计算pi与聚类中心cj的距离
d1(i,cj)=β×dc+(1-β)×ds,0<β<1,
其中为pi与cj的亮度分量距离,/>为pi与cj的空间坐标分量距离,并将像素点pi的标签置为使距离d1(i,cj)最小所对应的聚类中心的标签,生成超像素分割像素集/>得到CBCT区域级图像;
步骤七:合并超像素,对于超像素Si,如果‖Si‖小于即超像素Si包含的像素数小于预期超像素的平均大小,则计算超像素Si和相邻超像素Sj的距离
其中/>和/>为对应超像素所有像素的平均亮度和平均坐标,把Si合并到使距离d2(Si,Sj)最小对应的超像素Sj中去,即把Si中所有像素的标签置为Sj中的像素标签,完善能有效表示图像特征的CBCT区域级图像。
如上所述,本专利实施的具体实现步骤使本发明更加清晰。在本发明的精神和权利要求的保护范围内,对本发明做出的任何修改和改变,都落入本发明的保护范围。
Claims (1)
1.一种面向CBCT图像的密度峰值超像素预处理方法,其特征在于:所述方法包括如下步骤:
步骤一:输入CBCT图像的超像素目标数目k和需凸显特定组织的Hu值范围,从原始的CBCT数据中的Hu值逐一转化为亮度值li,得到亮度图L={li|1≤i≤n},
li=Hui+1024,
其中n为亮度图L的像素总数,CBCT亮度图的单个像素的向量表示为pi=(xi,yi,li),(xi,yi)为像素在亮度图中的坐标值;
步骤二:选取像素pi的K个最近邻居像素构成的集合P,根据每个邻居像素pj∈P和pi之间的欧式距离/>计算像素pi的局部密度ρi
步骤三:计算每个像素的距离即像素pi的距离为pi到最近的大密度像素点的距离;
步骤四:计算每个像素的决策值γi=ρi×δi;
步骤五:根据决策值,取与前k个决策值对应的像素点为聚类中心集{c1,c2,...,ck},并将cj对应的像素点标签标记为j;
步骤六:遍历像素点,对于未标签的像素点pi,计算pi与聚类中心cj的距离
d1(i,cj)=β×dc+(1-β)×ds,0<β<1,
其中为pi与cj的亮度分量距离,/>为pi与cj的空间坐标分量距离,并将像素点pi的标签置为使距离d1(i,cj)最小所对应的聚类中心的标签,生成超像素分割像素集/>得到CBCT区域级图像;
步骤七:合并超像素,对于超像素Si,如果‖Si‖小于即超像素Si包含的像素数小于预期超像素的平均大小,则计算超像素Si和相邻超像素Sj的距离/>其中/>和/>为对应超像素所有像素的平均亮度和平均坐标,把Si合并到使距离d2(Si,Sj)最小对应的超像素Sj中去,即把Si中所有像素的标签置为Sj中的像素标签,完善能有效表示图像特征的CBCT区域级图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010896063.5A CN112132189B (zh) | 2020-08-31 | 2020-08-31 | 一种面向cbct图像的密度峰值超像素预处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010896063.5A CN112132189B (zh) | 2020-08-31 | 2020-08-31 | 一种面向cbct图像的密度峰值超像素预处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132189A CN112132189A (zh) | 2020-12-25 |
CN112132189B true CN112132189B (zh) | 2024-03-22 |
Family
ID=73847728
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010896063.5A Active CN112132189B (zh) | 2020-08-31 | 2020-08-31 | 一种面向cbct图像的密度峰值超像素预处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132189B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113470054B (zh) * | 2021-06-17 | 2024-04-16 | 浙江工业大学 | 一种基于边缘概率的口腔cbct超像素生成方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952271A (zh) * | 2017-03-08 | 2017-07-14 | 西北工业大学 | 一种基于超像素分割和em/mpm处理的图像分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016150873A1 (en) * | 2015-03-20 | 2016-09-29 | Ventana Medical Systems, Inc. | System and method for image segmentation |
-
2020
- 2020-08-31 CN CN202010896063.5A patent/CN112132189B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106952271A (zh) * | 2017-03-08 | 2017-07-14 | 西北工业大学 | 一种基于超像素分割和em/mpm处理的图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112132189A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110310281B (zh) | 一种基于Mask-RCNN深度学习的虚拟医疗中肺结节检测与分割方法 | |
CN108648172B (zh) | 一种基于3D-Unet的CT图肺结节检测系统 | |
CN112086197B (zh) | 基于超声医学的乳腺结节检测方法及系统 | |
CN110689564B (zh) | 一种基于超像素聚类的牙弓线绘制方法 | |
CN111062955A (zh) | 一种肺部ct影像数据分割方法及系统 | |
CN114757960B (zh) | 一种基于cbct图像的牙齿分割与重建方法及存储介质 | |
CN112734755A (zh) | 基于3d全卷积神经网络与多任务学习的肺叶分割方法 | |
CN112700461B (zh) | 一种肺结节检测和表征类别识别的系统 | |
CN112651929B (zh) | 基于三维全卷积神经网络及区域生长的医学影像器官分割方法及系统 | |
CN112132166A (zh) | 一种数字细胞病理图像智能分析方法、系统及装置 | |
CN112991365B (zh) | 一种冠状动脉分割方法、系统及存储介质 | |
CN106327479A (zh) | 血管造影中介下先心病术中血管辨识的装置及方法 | |
CN113344950A (zh) | 一种深度学习结合点云语义的cbct图像牙齿分割方法 | |
CN112132189B (zh) | 一种面向cbct图像的密度峰值超像素预处理方法 | |
CN115527657A (zh) | 基于医学数字成像和通信的影像、图像多模态重建、成像及标注 | |
Honghan et al. | Rms-se-unet: A segmentation method for tumors in breast ultrasound images | |
CN1296874C (zh) | 基于点重建的超大规模医学影像三维可视化方法 | |
CN113689441A (zh) | 一种基于DeepLabV3网络的左心室超声动态分割方法 | |
CN116883341A (zh) | 一种基于深度学习的肝脏肿瘤ct图像自动分割方法 | |
CN110232684A (zh) | 一种基于谱分析的三维医学图像自动分割方法 | |
CN115439650A (zh) | 基于ct图像跨模态迁移学习的肾脏超声图像分割方法 | |
CN115294151A (zh) | 基于多任务卷积模型的肺部ct感兴趣区域自动检测方法 | |
CN110706209B (zh) | 一种网格网络的大脑磁共振图像肿瘤定位方法 | |
CN113255794A (zh) | 一种基于GoogLeNet网络的医学图像分类方法 | |
CN111489434A (zh) | 一种基于三维图割的医学影像三维重建方法 |
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 |