CN113470054A - 一种基于边缘概率的口腔cbct超像素生成方法 - Google Patents
一种基于边缘概率的口腔cbct超像素生成方法 Download PDFInfo
- Publication number
- CN113470054A CN113470054A CN202110670197.XA CN202110670197A CN113470054A CN 113470054 A CN113470054 A CN 113470054A CN 202110670197 A CN202110670197 A CN 202110670197A CN 113470054 A CN113470054 A CN 113470054A
- Authority
- CN
- China
- Prior art keywords
- pixel
- points
- distance
- density
- value
- 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
- 238000007408 cone-beam computed tomography Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 15
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 210000000214 mouth Anatomy 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 206010035664 Pneumonia Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 210000001519 tissue 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- 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
- 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
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
一种基于边缘概率的口腔CBCT超像素生成方法,包括以下步骤:1)CT值初始化;2)像素特征映射;3)计算像素密度;4)计算像素距离和决策值;5)生成超像素;6)合并不合理区域。本发明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口腔CBCT超像素生成方法,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。
Description
技术领域
本发明涉及医学图像处理与机器学习领域,特别是指一种面向口腔CBCT图像的超像素生成方法。
背景技术
医学图像的分割是图像分割领域的一项重要研究任务,是病变区域跟踪和三维重建的基础。CT图像作为临床判断病理状况常用的医学图像之一,被广泛用于如肿瘤诊断、新冠肺炎检测与骨况检测等医学临床任务。使用超像素作为医学图像分割的基本单元,可以有效提升处理速度,加快病灶检测,具有广泛且实际的意义。
目前常用的超像素算法主要有简单线性迭代聚类SLIC算法和线性谱聚类LCS算法。SLIC算法使用K-means聚类对像素空间和颜色信息的五维特征表示(XY lab特征)进行迭代聚类,因其简单有效而被广泛使用。但迭代过程中,SLIC初始保留的一些边缘可能会丢失。LSC算法将像素的五维特征表示映射到十维特征空间,在特征空间上应用加权K-means对像素向量聚类,可以有效捕获全局图像属性,但计算复杂度相对于SLIC要高。SLIC算法和LCS算法虽然可以在三通道的自然图像上生成一定可达分割精度的超像素,但它们不能直接应用于口腔CBCT单通道图像的超像素分割。
发明内容
为了将灰度值相近、边缘强度相似的局部区域聚合成超像素,使超像素边缘能够更好地贴合不同器官和组织的边缘,本发明提出了一种基于边缘概率的口腔CBCT超像素生成方法,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:
一种基于边缘概率的口腔CBCT超像素生成方法,包括如下步骤:
步骤一:选择口腔CBCT影像的某一位面图,输入最近邻居数K和超像素目标数目k,根据感兴趣区域的窗宽WW、窗位WL对CBCT图像的像素值进行初始化,将窗口外的CT值l进行变换:
其中ep使用Canny边缘检测算法计算,α为像素的灰度权重,β为边缘强度权重,γ为空间相邻度权重,W(p,q)为像素点p和q的相似度度量,q=[lq,eq,xq,yq],V为所有像素点的集合;
步骤三:计算像素最近邻密度,对于口腔CBCT图像I中的任一八维向量表示的像素pi,计算pi到以pi为中心、半径为的邻域内像素点pj的距离dij,从中选出最小的前K个值组成pi的最近邻邻域计算pj的密度ρi
dij为像素pi与pj的欧式距离:
依据距离δi和密度ρi计算所有局部密度极大值点的决策值λi=ρiδi;
步骤五:生成超像素,选择前k个大的决策值对应的像素为聚类中心点,将所有非聚类中心点pi归类到其加权距离d(pi,cj)最近的聚类中心点cj,归为同一类的像素点构成的集合即为一个超像素,
步骤六:合并不合理区域,对生成的超像素,存在过小或者孤立的区域,将这些区域合并到平均距离最近的相邻超像素中去,得到口腔CBCT图像的超像素分割结果。
本发明的技术构思为:为丰富口腔CBCT图像的像素特征表示,将像素的灰度特征与Canny算法检测出的边缘强度相结合,通过核函数映射到八维特征空间,计算每个像素的最近邻密度以及所有局部密度极大值点的距离和决策值,选择前k个大的决策值对应的像素为聚类中心点,将所有非聚类中心点归类到其加权距离最近的聚类中心点,合并过小或者孤立的不合理区域,得到口腔CBCT图像的超像素生成结果。
本发明的有益效果为:利用边缘强度和局部密度峰值聚类,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1,一种基于边缘概率的口腔CBCT超像素生成方法,包括如下步骤:
步骤一:选择口腔CBCT影像的某一位面图,输入最近邻居数K和超像素目标数目k,根据感兴趣区域的窗宽WW、窗位WL对CBCT图像的像素值进行初始化,将窗口外的CT值l进行变换:
其中ep使用Canny边缘检测算法计算,α为像素的灰度权重,β为边缘强度权重,γ为空间相邻度权重,W(p,q)为像素点p和q的相似度度量,q=[lq,eq,xq,yq],V为所有像素点的集合;
步骤三:计算像素最近邻密度,对于口腔CBCT图像I中的任一八维向量表示的像素pi,计算pi到以pi为中心、半径为的邻域内像素点pj的距离dij,从中选出最小的前K个值组成pi的最近邻邻域计算pj的密度ρi
dij为像素pi与pj的欧式距离:
依据距离δi和密度ρi计算所有局部密度极大值点的决策值λi=ρiδi;
步骤五:生成超像素,选择前k个大的决策值对应的像素为聚类中心点,将所有非聚类中心点pi归类到其加权距离d(pi,cj)最近的聚类中心点cj,归为同一类的像素点构成的集合即为一个超像素,
步骤六:合并不合理区域,对生成的超像素,存在过小或者孤立的区域,将这些区域合并到平均距离最近的相邻超像素中去,得到口腔CBCT图像的超像素分割结果。
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)
1.一种基于边缘概率的口腔CBCT超像素生成方法,其特征在于:所述方法包括如下步骤:
步骤一:选择口腔CBCT影像的某一位面图,输入最近邻居数K和超像素目标数目k,根据感兴趣区域的窗宽WW、窗位WL对CBCT图像的像素值进行初始化,将窗口外的CT值l进行变换:
其中ep使用Canny边缘检测算法计算,α为像素的灰度权重,β为边缘强度权重,γ为空间相邻度权重,W(p,q)为像素点p和q的相似度度量,q=[lq,eq,xq,yq],V为所有像素点的集合;
步骤三:计算像素最近邻密度,对于口腔CBCT图像I中的任一八维向量表示的像素pi,计算pi到以pi为中心、半径为的邻域内像素点pj的距离dij,从中选出最小的前K个值组成pi的最近邻邻域计算pj的密度ρi
dij为像素pi与pj的欧式距离:
依据距离δi和密度ρi计算所有局部密度极大值点的决策值λi=ρiδi;
步骤五:生成超像素,选择前k个大的决策值对应的像素为聚类中心点,将所有非聚类中心点pi归类到其加权距离d(pi,cj)最近的聚类中心点cj,归为同一类的像素点构成的集合即为一个超像素,
步骤六:合并不合理区域,对生成的超像素,存在过小或者孤立的区域,将这些区域合并到平均距离最近的相邻超像素中去,得到口腔CBCT图像的超像素分割结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110670197.XA CN113470054B (zh) | 2021-06-17 | 2021-06-17 | 一种基于边缘概率的口腔cbct超像素生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110670197.XA CN113470054B (zh) | 2021-06-17 | 2021-06-17 | 一种基于边缘概率的口腔cbct超像素生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113470054A true CN113470054A (zh) | 2021-10-01 |
CN113470054B CN113470054B (zh) | 2024-04-16 |
Family
ID=77870195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110670197.XA Active CN113470054B (zh) | 2021-06-17 | 2021-06-17 | 一种基于边缘概率的口腔cbct超像素生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113470054B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998320A (zh) * | 2022-07-18 | 2022-09-02 | 银江技术股份有限公司 | 视觉显著性检测的方法、系统、电子装置和存储介质 |
CN115439474A (zh) * | 2022-11-07 | 2022-12-06 | 山东天意机械股份有限公司 | 一种电力设备故障快速定位方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101694697B1 (ko) * | 2015-08-03 | 2017-01-10 | 안동대학교 산학협력단 | 텍스춰정보를 포함하는 단순 선형 상관 클러스터링을 이용한 영상 분할방법, 이를 기록한 기록매체 |
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 |
CN112116621A (zh) * | 2020-09-18 | 2020-12-22 | 杭州世平信息科技有限公司 | 一种合成孔径雷达图像快速多尺度超像素分割方法 |
CN112132189A (zh) * | 2020-08-31 | 2020-12-25 | 浙江工业大学 | 一种面向cbct图像的密度峰值超像素预处理方法 |
-
2021
- 2021-06-17 CN CN202110670197.XA patent/CN113470054B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101694697B1 (ko) * | 2015-08-03 | 2017-01-10 | 안동대학교 산학협력단 | 텍스춰정보를 포함하는 단순 선형 상관 클러스터링을 이용한 영상 분할방법, 이를 기록한 기록매체 |
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 |
CN112132189A (zh) * | 2020-08-31 | 2020-12-25 | 浙江工业大学 | 一种面向cbct图像的密度峰值超像素预处理方法 |
CN112116621A (zh) * | 2020-09-18 | 2020-12-22 | 杭州世平信息科技有限公司 | 一种合成孔径雷达图像快速多尺度超像素分割方法 |
Non-Patent Citations (1)
Title |
---|
杨艳;许道云;: "优化加权核K-means聚类初始中心点的SLIC算法", 计算机科学与探索, no. 03, 23 August 2017 (2017-08-23), pages 159 - 166 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998320A (zh) * | 2022-07-18 | 2022-09-02 | 银江技术股份有限公司 | 视觉显著性检测的方法、系统、电子装置和存储介质 |
CN115439474A (zh) * | 2022-11-07 | 2022-12-06 | 山东天意机械股份有限公司 | 一种电力设备故障快速定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113470054B (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109493308B (zh) | 基于条件多判别生成对抗网络的医疗图像合成与分类方法 | |
Huang et al. | A robust graph-based segmentation method for breast tumors in ultrasound images | |
Xian et al. | A benchmark for breast ultrasound image segmentation (BUSIS) | |
Kabade et al. | Segmentation of brain tumour and its area calculation in brain MR images using K-mean clustering and fuzzy C-mean algorithm | |
Van Assen et al. | A 3-D active shape model driven by fuzzy inference: application to cardiac CT and MR | |
CN110852350B (zh) | 一种基于多尺度迁移学习的肺结节良恶性分类方法和系统 | |
CN107369158B (zh) | 基于rgb-d图像的室内场景布局估计及目标区域提取方法 | |
JP5279245B2 (ja) | クラスタ変更グラフ・カットを使用する検出の方法および装置 | |
Xu et al. | A weighted mean shift, normalized cuts initialized color gradient based geodesic active contour model: applications to histopathology image segmentation | |
WO2013155358A1 (en) | Techniques for segmentation of lymph nodes, lung lesions and other solid or part-solid objects | |
CN107146228A (zh) | 一种基于先验知识的大脑磁共振图像超体素生成方法 | |
CN108876769B (zh) | 一种左心耳ct图像分割方法 | |
CN113012173A (zh) | 基于心脏mri的心脏分割模型和病理分类模型训练、心脏分割、病理分类方法及装置 | |
CN113470054A (zh) | 一种基于边缘概率的口腔cbct超像素生成方法 | |
CN110738662B (zh) | 基于细粒度医学图像分割与真值发现数据扩增的垂体瘤质地影像分级方法 | |
CN112529910A (zh) | 一种sar图像快速超像素合并及图像分割方法 | |
CN112419344A (zh) | 一种基于Chan-Vese模型的无监督图像分割方法 | |
Liu et al. | Extracting lungs from CT images via deep convolutional neural network based segmentation and two-pass contour refinement | |
Sharma et al. | A comparative study of cell nuclei attributed relational graphs for knowledge description and categorization in histopathological gastric cancer whole slide images | |
JP2016016265A (ja) | 画像処理装置、画像処理方法及び医用画像診断装置 | |
CN109285176B (zh) | 一种基于正则化图割的大脑组织分割方法 | |
Ghalib et al. | Artificial neural network based detection of renal tumors using CT scan image processing | |
WO2021194358A1 (en) | Segmentation in multi-energy ct data | |
CN110232684B (zh) | 一种基于谱分析的三维医学图像自动分割方法 | |
CN116468923A (zh) | 一种基于加权重采样聚类不稳定性的图像强化方法及装置 |
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 |