CN112508859A - 一种基于小波变换的子宫内膜厚度自动测量方法及系统 - Google Patents
一种基于小波变换的子宫内膜厚度自动测量方法及系统 Download PDFInfo
- Publication number
- CN112508859A CN112508859A CN202011298086.2A CN202011298086A CN112508859A CN 112508859 A CN112508859 A CN 112508859A CN 202011298086 A CN202011298086 A CN 202011298086A CN 112508859 A CN112508859 A CN 112508859A
- Authority
- CN
- China
- Prior art keywords
- image
- endometrial
- wavelet
- endometrium
- layer
- 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
Links
- 210000004696 endometrium Anatomy 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000009466 transformation Effects 0.000 title claims abstract description 24
- 230000002357 endometrial effect Effects 0.000 claims abstract description 96
- 238000003709 image segmentation Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 19
- 238000001914 filtration Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000002146 bilateral effect Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000000691 measurement method Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 14
- 230000008569 process Effects 0.000 abstract description 7
- 238000003759 clinical diagnosis Methods 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 42
- 238000002604 ultrasonography Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004321 preservation Methods 0.000 description 3
- 238000011426 transformation method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000002346 layers by function Substances 0.000 description 2
- 210000000754 myometrium Anatomy 0.000 description 2
- 230000016087 ovulation Effects 0.000 description 2
- 206010014733 Endometrial cancer Diseases 0.000 description 1
- 206010014759 Endometrial neoplasm Diseases 0.000 description 1
- 206010027339 Menstruation irregular Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 230000009245 menopause Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000002632 myometrial effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000004291 uterus Anatomy 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20028—Bilateral 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]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (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 Processing (AREA)
Abstract
本发明公开了一种基于小波变换的子宫内膜厚度自动测量方法及系统，其中所涉及的一种基于小波变换的子宫内膜厚度自动测量方法，包括步骤：S1.接收采集的与子宫内膜相对应的标准纵切图像；S2.对接收到的子宫内膜图像进行预处理，得到预处理后的子宫内膜图像；S3.对预处理后的子宫内膜图像基于多分辨率快速小波变换进行子宫内膜图像分割，得到分割后的子宫内膜图像；S4.根据得到的分割后的子宫内膜图像，自动测量子宫内膜基底层之间的最大距离，即为子宫内膜厚度。本发明基于小波变换的图像分割方法，准确分割子宫内膜图像，自动测量子宫内膜厚度作为临床提供诊断依据。此过程不需要人为介入，可以快速有效的输出自动测量结果。
Description
技术领域
本发明涉及图像测量技术领域，尤其涉及一种基于小波变换的子宫内膜厚度自动测量方法及系统。
背景技术
妇科常规超声检查中通常通过经阴道超声扫描(Transvaginal Sonography，TVS)测量子宫内膜的厚度来检查育龄妇女月经周期不规则的原因；评估有生育问题的患者在治疗中促排卵的最佳触发排卵时机和取卵时机；还可以对绝经后有出血妇女进行子宫内膜癌的筛查。
现有的技术在常规超声子宫内膜测量中主要依靠临床医生的手工操作，医生根据TVS获得标准的子宫纵切面，手动测量子宫内膜的厚度，同时检查其他异常情况。
可见，现有技术主要依赖于医生的经验，可能导致测量结果有显著化差异，并且对于操作人员来讲也是非常耗时和耗费精力
因此，需要一种自动子宫内膜厚度测量将显著优化医生评估的临床工作流程，同时还可以减少临床研究中的可变性，实现一致和客观的评估标准。
发明内容
本发明的目的是针对现有技术的缺陷，提供了一种基于小波变换的子宫内膜厚度自动测量方法及系统。基于小波变换的图像分割方法，准确分割子宫内膜图像，自动测量子宫内膜厚度作为临床提供诊断依据。此过程不需要人为介入，可以快速有效的输出自动测量结果。
为了实现以上目的，本发明采用以下技术方案：
一种基于小波变换的子宫内膜厚度自动测量方法，包括步骤：
S1.接收采集的与子宫内膜相对应的标准纵切图像；
S2.对接收到的子宫内膜图像进行预处理，得到预处理后的子宫内膜图像；
S3.对预处理后的子宫内膜图像基于多分辨率快速小波变换进行子宫内膜图像分割，得到分割后的子宫内膜图像；
S4.根据得到的分割后的子宫内膜图像，自动测量子宫内膜基底层之间的最大距离，即为子宫内膜厚度。
进一步的，所述步骤S2具体为：
S21.对接收到的子宫内膜图像进行降噪和保留图像边界处理，得到处理后的子宫内膜图像；
S22.将处理后的子宫内膜图像进行对比度增强处理。
进一步的，所述步骤S21中对子宫内膜图像进行降噪处理采用的是保边滤波方法进行处理的；其中，保边滤波方法包括双边滤波和引导滤波。
进一步的，所述步骤S22中进行对比度增强处理包括灰度变换法、直方图变换法。
进一步的，所述步骤S3具体为：
S31.设置小波变换的分解尺度band，band≤log2 N，其中N为采样点数；
S32.选取小波基函数；
S33.采用Mallat快速算法对预处理后的子宫内膜图像进行band层小波分解，得到小波的各层细节系数；
S34.对得到的各层细节系数设置阈值并采用阈值门限进行处理，得到处理后的小波各层细节系数；
S35.通过小波重构滤波器，将处理后的小波各层细节系数进行二维小波重构，得到图像分割之后的子宫内膜图像。
进一步的，所述步骤S33中采用Mallat快速算法对预处理后的子宫内膜图像进行band层小波分解，得到小波的各层细节系数，表示为：
A0[f(t)]＝f(t)
其中，H和G表示小波分解滤波器；A0和f(t)表示原始信号，t＝1,2,...,N，N表示采样点数；j表示小波分解层数，j＝1,2,...,band；Aj表示信号的尺度系数，Dj为信号的细节系数。
进一步的，所述步骤S34具体为采用自适应的阈值分割方法选择各层细节系数的阈值；其中采用自适应的阈值分割方法包括采用邻域窗口像素的均值和高斯卷积值作为阈值。
进一步的，所述步骤S35中通过小波重构滤波器，将处理后的小波各层细节系数进行二维小波重构，得到图像分割之后的子宫内膜图像，表示为：
其中，h和g表示小波重构滤波器；j表示小波分解层数，j＝1,2,...,band；Aj表示信号的尺度系数，Dj为信号的细节系数。
进一步的，所述步骤S4具体为：
S41.将分割后的子宫内膜图像中的两层基底层分为上下两层；
S42.计算上下两层基底层之间的最大距离，即为子宫内膜厚度。
相应的，还提供一种基于小波变换的子宫内膜厚度自动测量系统，包括：
接收模块，用于接收采集的与子宫内膜相对应的标准纵切图像；
处理模块，用于对接收到的子宫内膜图像进行预处理，得到预处理后的子宫内膜图像；
分割模块，用于对预处理后的子宫内膜图像基于多分辨率快速小波变换进行子宫内膜图像分割，得到分割后的子宫内膜图像；
测量模块，用于根据得到的分割后的子宫内膜图像，自动测量子宫内膜基底层之间的最大距离，即为子宫内膜厚度。
与现有技术相比，本发明具有以下有益效果：
1、本发明采用双边滤波和指数变换图像预处理方法，达到子宫内膜图像保边降噪的效果，提高子宫内膜自动分割的准确性。
2、本发明采用基于小波变换的子宫内膜图像自动分割方法，能够准确区分子宫内膜和周围组织，提高子宫内膜厚度测量的准确性。
3、本发明能够和当前的超声系统很好地兼容，自动测量子宫内膜厚度，优化临床医生工作流程，提高测量结果的准确性和一致性。
附图说明
图1是实施例一提供的一种基于小波变换的子宫内膜厚度自动测量方法流程图；
图2是实施例一提供的经阴道超声(TVS)图像采集子宫内膜标准纵切图像示意图；
图3是实施例一提供的子宫内膜基底层和功能层示意图；
图4是实施例一提供的基于小波变换的子宫内膜图像分割和厚度自动测量算法流程图；
图5是实施例二提供的一种基于小波变换的子宫内膜厚度自动测量系统结构图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
本发明的目的是针对现有技术的缺陷，提供了一种基于小波变换的子宫内膜厚度自动测量方法及系统。
实施例一
本实施例提供的一种基于小波变换的子宫内膜厚度自动测量方法，如图1所示，包括步骤：
S11.接收采集的与子宫内膜相对应的标准纵切图像；
S12.对接收到的子宫内膜图像进行预处理，得到预处理后的子宫内膜图像；
S13.对预处理后的子宫内膜图像基于多分辨率快速小波变换进行子宫内膜图像分割，得到分割后的子宫内膜图像；
S14.根据得到的分割后的子宫内膜图像，自动测量子宫内膜基底层之间的最大距离，即为子宫内膜厚度。
本实施例主要提出利用临床医生经阴道超声(TVS)采集的子宫内膜标准纵切图像，基于小波变换的图像分割方法，准确分割子宫内膜图像，自动测量子宫内膜厚度作为临床提供诊断依据。此过程不需要人为介入，可以快速有效的输出自动测量结果。
在步骤S11中，接收采集的与子宫内膜相对应的标准纵切图像。
经阴道超声(TVS)采集子宫内膜的标准纵切图像，然后系统自动接收经阴道超声(TVS)采集到的图像，并进行后续处理。
图2所示为经阴道超声(TVS)图像采集子宫内膜标准纵切图像示意图。
在步骤S12中，对接收到的子宫内膜图像进行预处理，得到预处理后的子宫内膜图像。
进行子宫内膜图像预处理的目的是降低图像的噪声，保留图像的边界，增强图像的对比度，且增大子宫肌层与周围组织、子宫内膜与子宫肌层之间的灰度差异。
步骤S12具体为：
S121.对接收到的子宫内膜图像进行降噪和保留图像边界处理，得到处理后的子宫内膜图像；
对子宫内膜图像进行降噪处理采用的是保边滤波方法进行处理的；其中，保边滤波方法包括双边滤波和引导滤波。
本实施例中以双边滤波为例具体说明。
采用双边滤波的方法对图像进行保边去噪。双边滤波处理子宫超声图像结合了图像的空间邻近度和像素值相似度，滤波器由两个函数构成，同时考虑空域信息和灰度相似性。一个函数是由几何空间距离决定滤波器系数。另一个由像素差值决定滤波器系数。双边滤波器中，输出像素的值g(i,j)依赖于邻域像素的值的加权组合，公式如下：
其中f(k,l)为邻域像素，权重系数w(i,j)取决于空域核和值域核的乘积。
S122.将处理后的子宫内膜图像进行对比度增强处理。
进行对比度增强处理包括灰度变换法、直方图变换法。
本实施例以灰度变换法中的指数变换为例具体说明。
采用指数变换曲线调整图像动态范围，使图像对比度增强，达到区分子宫内膜基底层与其周围子宫肌层图像范围的目的。指数变换公式如下：
y＝bc(x-a)-1
其中，参数b、c控制曲线形状，参数a控制曲线的左右位置。
在步骤S13中，对预处理后的子宫内膜图像基于多分辨率快速小波变换进行子宫内膜图像分割，得到分割后的子宫内膜图像。如图4所示，具体为：
S131.设置小波变换的分解尺度band，band≤log2N，其中N为采样点数；
本实施例中采用小波分解尺度band＝4。
S132.选取小波基函数；
本实施例采用Daubechies9/7小波基函数进行小波变换。
S133.采用Mallat快速算法对预处理后的子宫内膜图像进行band层小波分解，得到小波的各层细节系数；表示为：
A0[f(t)]＝f(t)
其中，H和G表示小波分解滤波器；A0和f(t)表示原始信号，t＝1,2,...,N，N表示采样点数；j表示小波分解层数，j＝1,2,...,band；Aj表示信号的尺度系数，Dj为信号的细节系数。
134.对得到的各层细节系数设置阈值并采用阈值门限进行处理，得到处理后的小波各层细节系数；
采用自适应的阈值分割方法选择阈值，对小波分解后得到的各层细节系数采用阈值门限处理，每个像素可以设置不同的阈值。其中采用自适应的阈值分割方法包括采用邻域窗口像素的均值和高斯卷积值作为阈值。
其中，阈值的计算公式为：
其中f(x,y)为当前像素值，m为该像素的邻域大小，g(x,y)为该像素邻域的平均值，作为阈值。
阈值门限处理后的像素值计算公式如下：
f'(x,y)＝f(x,y),f(x,y)≥g(x,y)
f'(x,y)＝0,f(x,y)＜g(x,y)
135.通过小波重构滤波器，将处理后的小波各层细节系数进行二维小波重构，得到图像分割之后的子宫内膜图像。
通过小波重构滤波器，将阈值量化后的各尺度细节系数和第band层尺度系数进行二维小波重构，得到图像分割之后的子宫内膜图像。表示为：
其中，h和g表示小波重构滤波器；j表示小波分解层数，j＝1,2,...,band；Aj表示信号的尺度系数，Dj为信号的细节系数。
在步骤S14中，根据得到的分割后的子宫内膜图像，自动测量子宫内膜基底层之间的最大距离，即为子宫内膜厚度。具体为：
S41.将分割后的子宫内膜图像中的两层基底层分为上下两层；
如图3所示为子宫内膜基底层和功能层示意图。
采用K-means聚类算法将子宫内膜两层基底层分为上下两层。
S42.计算上下两层基底层之间的最大距离，即为子宫内膜厚度。
与现有技术相比，本实施例具有以下有益效果：
1、采用双边滤波和指数变换图像预处理方法，达到子宫内膜图像保边降噪的效果，提高子宫内膜自动分割的准确性。
2、采用基于小波变换的子宫内膜图像自动分割方法，能够准确区分子宫内膜和周围组织，提高子宫内膜厚度测量的准确性。
3、能够和当前的超声系统很好地兼容，自动测量子宫内膜厚度，优化临床医生工作流程，提高测量结果的准确性和一致性。
实施例二
本实施例提供一种基于小波变换的子宫内膜厚度自动测量系统，如图5所示，包括：
接收模块11，用于接收采集的与子宫内膜相对应的标准纵切图像；
处理模块12，用于对接收到的子宫内膜图像进行预处理，得到预处理后的子宫内膜图像；
分割模块13，用于对预处理后的子宫内膜图像基于多分辨率快速小波变换进行子宫内膜图像分割，得到分割后的子宫内膜图像；
测量模块14，用于根据得到的分割后的子宫内膜图像，自动测量子宫内膜基底层之间的最大距离，即为子宫内膜厚度。
需要说明的是，本实施例提供的一种基于小波变换的子宫内膜厚度自动测量系统与实施例一类似，在此不多做赘述。
与现有技术相比，本实施例具有以下有益效果：
1、采用双边滤波和指数变换图像预处理方法，达到子宫内膜图像保边降噪的效果，提高子宫内膜自动分割的准确性。
2、采用基于小波变换的子宫内膜图像自动分割方法，能够准确区分子宫内膜和周围组织，提高子宫内膜厚度测量的准确性。
3、能够和当前的超声系统很好地兼容，自动测量子宫内膜厚度，优化临床医生工作流程，提高测量结果的准确性和一致性。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于小波变换的子宫内膜厚度自动测量方法，其特征在于，包括步骤：
S1.接收采集的与子宫内膜相对应的标准纵切图像；
S2.对接收到的子宫内膜图像进行预处理，得到预处理后的子宫内膜图像；
S3.对预处理后的子宫内膜图像基于多分辨率快速小波变换进行子宫内膜图像分割，得到分割后的子宫内膜图像；
S4.根据得到的分割后的子宫内膜图像，自动测量子宫内膜基底层之间的最大距离，即为子宫内膜厚度。
2.根据权利要求1所述的一种基于小波变换的子宫内膜厚度自动测量方法，其特征在于，所述步骤S2具体为：
S21.对接收到的子宫内膜图像进行降噪和保留图像边界处理，得到处理后的子宫内膜图像；
S22.将处理后的子宫内膜图像进行对比度增强处理。
3.根据权利要求2所述的一种基于小波变换的子宫内膜厚度自动测量方法，其特征在于，所述步骤S21中对子宫内膜图像进行降噪处理采用的是保边滤波方法进行处理的；其中，保边滤波方法包括双边滤波和引导滤波。
4.根据权利要求2所述的一种基于小波变换的子宫内膜厚度自动测量方法，其特征在于，所述步骤S22中进行对比度增强处理包括灰度变换法、直方图变换法。
5.根据权利要求1所述的一种基于小波变换的子宫内膜厚度自动测量方法，其特征在于，所述步骤S3具体为：
S31.设置小波变换的分解尺度band，band≤log2 N，其中N为采样点数；
S32.选取小波基函数；
S33.采用Mallat快速算法对预处理后的子宫内膜图像进行band层小波分解，得到小波的各层细节系数；
S34.对得到的各层细节系数设置阈值并采用阈值门限进行处理，得到处理后的小波各层细节系数；
S35.通过小波重构滤波器，将处理后的小波各层细节系数进行二维小波重构，得到图像分割之后的子宫内膜图像。
6.根据权利要求5所述的一种基于小波变换的子宫内膜厚度自动测量方法，其特征在于，所述步骤S33中采用Mallat快速算法对预处理后的子宫内膜图像进行band层小波分解，得到小波的各层细节系数，表示为：
A0[f(t)]＝f(t)
其中，H和G表示小波分解滤波器；A0和f(t)表示原始信号，t＝1,2,...,N，N表示采样点数；j表示小波分解层数，j＝1,2,...,band；Aj表示信号的尺度系数，Dj为信号的细节系数。
7.根据权利要求5所述的一种基于小波变换的子宫内膜厚度自动测量方法，其特征在于，所述步骤S34具体为采用自适应的阈值分割方法选择各层细节系数的阈值；其中采用自适应的阈值分割方法包括采用邻域窗口像素的均值和高斯卷积值作为阈值。
8.根据权利要求5所述的一种基于小波变换的子宫内膜厚度自动测量方法，其特征在于，所述步骤S35中通过小波重构滤波器，将处理后的小波各层细节系数进行二维小波重构，得到图像分割之后的子宫内膜图像，表示为：
其中，h和g表示小波重构滤波器；j表示小波分解层数，j＝1,2,...,band；Aj表示信号的尺度系数，Dj为信号的细节系数。
9.根据权利要求1所述的一种基于小波变换的子宫内膜厚度自动测量方法，其特征在于，所述步骤S4具体为：
S41.将分割后的子宫内膜图像中的两层基底层分为上下两层；
S42.计算上下两层基底层之间的最大距离，即为子宫内膜厚度。
10.一种基于小波变换的子宫内膜厚度自动测量系统，其特征在于，包括：
接收模块，用于接收采集的与子宫内膜相对应的标准纵切图像；
处理模块，用于对接收到的子宫内膜图像进行预处理，得到预处理后的子宫内膜图像；
分割模块，用于对预处理后的子宫内膜图像基于多分辨率快速小波变换进行子宫内膜图像分割，得到分割后的子宫内膜图像；
测量模块，用于根据得到的分割后的子宫内膜图像，自动测量子宫内膜基底层之间的最大距离，即为子宫内膜厚度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011298086.2A CN112508859A (zh) | 2020-11-19 | 2020-11-19 | 一种基于小波变换的子宫内膜厚度自动测量方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011298086.2A CN112508859A (zh) | 2020-11-19 | 2020-11-19 | 一种基于小波变换的子宫内膜厚度自动测量方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112508859A true CN112508859A (zh) | 2021-03-16 |
Family
ID=74956933
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011298086.2A Pending CN112508859A (zh) | 2020-11-19 | 2020-11-19 | 一种基于小波变换的子宫内膜厚度自动测量方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112508859A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112991230A (zh) * | 2021-04-27 | 2021-06-18 | 南京誉葆科技有限公司 | 一种合成孔径雷达图像处理方法 |
| CN113191961A (zh) * | 2021-03-19 | 2021-07-30 | 聚融医疗科技(杭州)有限公司 | 一种基于双边滤波和特征识别的超声去噪方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105433980A (zh) * | 2015-11-20 | 2016-03-30 | 深圳开立生物医疗科技股份有限公司 | 一种超声成像方法、装置及其超声设备 |
| CN108205804A (zh) * | 2016-12-16 | 2018-06-26 | 阿里巴巴集团控股有限公司 | 图像处理方法、装置及电子设备 |
| CN109003284A (zh) * | 2018-07-11 | 2018-12-14 | 武汉科技大学 | 基于层厚统计信息模型的相干光断层扫描图像的层分割方法 |
| CN109523479A (zh) * | 2018-11-10 | 2019-03-26 | 东莞理工学院 | 一种桥墩表面缝隙视觉检测方法 |
| CN109859232A (zh) * | 2019-01-11 | 2019-06-07 | 安徽师范大学 | 一种动物脑组织切片显微图像分割方法 |
-
2020
- 2020-11-19 CN CN202011298086.2A patent/CN112508859A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105433980A (zh) * | 2015-11-20 | 2016-03-30 | 深圳开立生物医疗科技股份有限公司 | 一种超声成像方法、装置及其超声设备 |
| CN108205804A (zh) * | 2016-12-16 | 2018-06-26 | 阿里巴巴集团控股有限公司 | 图像处理方法、装置及电子设备 |
| CN109003284A (zh) * | 2018-07-11 | 2018-12-14 | 武汉科技大学 | 基于层厚统计信息模型的相干光断层扫描图像的层分割方法 |
| CN109523479A (zh) * | 2018-11-10 | 2019-03-26 | 东莞理工学院 | 一种桥墩表面缝隙视觉检测方法 |
| CN109859232A (zh) * | 2019-01-11 | 2019-06-07 | 安徽师范大学 | 一种动物脑组织切片显微图像分割方法 |
Non-Patent Citations (5)
| Title |
|---|
| ""基于小波变换的图像分割方法的研究"" * |
| ""基于小波变换的图像分割的研究"" * |
| NITIN SINGHAL 等: ""AUTOMATED ASSESSMENT OF ENDOMETRIUM FROM TRANSVAGINAL ULTRASOUND USING DEEP LEARNED SNAKE"", 《2017 IEEE 14TH INTERNATIONAL SYMPOSIUM ON THE BIOMEDICAL IMAGING》 * |
| 汤汉兵: ""基于快速活动轮廓模型和 BP-AdaBoost 的织物缺陷检测"", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》 * |
| 石显: ""小波理论研究——多分辨率分析和 MALLAT 算法"", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/93019492》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113191961A (zh) * | 2021-03-19 | 2021-07-30 | 聚融医疗科技(杭州)有限公司 | 一种基于双边滤波和特征识别的超声去噪方法及系统 |
| CN112991230A (zh) * | 2021-04-27 | 2021-06-18 | 南京誉葆科技有限公司 | 一种合成孔径雷达图像处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109544540B (zh) | 一种基于图像分析技术的糖尿病视网膜图像质量检测方法 | |
| EP1793350B1 (en) | Ultrasound imaging system and method for forming a 3D ultrasound image of a target object | |
| CN109961411B (zh) | 非下采样剪切波变换医学ct图像去噪方法 | |
| US8737703B2 (en) | Systems and methods for detecting retinal abnormalities | |
| JPH10503961A (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 | |
| CN112508859A (zh) | 一种基于小波变换的子宫内膜厚度自动测量方法及系统 | |
| JP2012512672A (ja) | 医用画像内病変自動検出方法およびシステム | |
| Padmapriya et al. | Edge based image segmentation technique for detection and estimation of the bladder wall thickness | |
| CN112819773B (zh) | 一种超声图像定量评估系统 | |
| Hiremath et al. | Follicle detection in ultrasound images of ovaries using active contours method | |
| WO2019062842A1 (zh) | 超声波图像处理方法及装置、超声诊断装置及存储介质 | |
| CN116703784B (zh) | 一种心脏超声图像视觉增强方法 | |
| Sheba et al. | Objective quality assessment of image enhancement methods in digital mammography–a comparative study | |
| Beheshti et al. | Classification of abnormalities in mammograms by new asymmetric fractal features | |
| CN117422628B (zh) | 一种心脏血管超声检查数据优化增强方法 | |
| CN113689424B (zh) | 可自动识别图像特征的超声检查系统及识别方法 | |
| YILMAZ et al. | Follicle detection for polycystic ovary syndrome by using image processing methods | |
| CN110874597B (zh) | 一种眼底图像血管特征提取方法、设备、系统和存储介质 | |
| Lazar et al. | Retinal microaneurysm detection based on intensity profile analysis | |
| CN110710986A (zh) | 一种基于ct图像的脑部动静脉畸形检测方法及检测系统 | |
| CN116993764B (zh) | 一种胃部ct智能分割提取方法 | |
| CN117529282A (zh) | 通过超声图像的分析诊断肺炎的设备和方法 | |
| CN109492653B (zh) | 乳腺病灶体积测量方法、装置、计算机设备及存储介质 | |
| CN111383323B (zh) | 一种超声成像方法和系统以及超声图像处理方法和系统 | |
| Youssef et al. | Statistical features and classification of normal and abnormal mammograms |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210316 |
|
| RJ01 | Rejection of invention patent application after publication |