CN113763407B - 一种超声图像的结节边缘分析方法 - Google Patents

一种超声图像的结节边缘分析方法 Download PDF

Info

Publication number
CN113763407B
CN113763407B CN202111085410.7A CN202111085410A CN113763407B CN 113763407 B CN113763407 B CN 113763407B CN 202111085410 A CN202111085410 A CN 202111085410A CN 113763407 B CN113763407 B CN 113763407B
Authority
CN
China
Prior art keywords
edge pixel
edge
pixel point
point
curvature
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
CN202111085410.7A
Other languages
English (en)
Other versions
CN113763407A (zh
Inventor
程栋梁
谢蠡
张泉
刘振
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.)
Hefei Hebin Intelligent Robot Co ltd
Original Assignee
Hefei Hebin Intelligent Robot 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 Hefei Hebin Intelligent Robot Co ltd filed Critical Hefei Hebin Intelligent Robot Co ltd
Priority to CN202111085410.7A priority Critical patent/CN113763407B/zh
Publication of CN113763407A publication Critical patent/CN113763407A/zh
Application granted granted Critical
Publication of CN113763407B publication Critical patent/CN113763407B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-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
    • G06T7/136—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
    • G06T2207/10024—Color 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
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种超声图像的结节边缘分析方法，方位如下：对结节边缘上的边缘像素点以顺时针或逆时针的顺序进行排序，得到边缘像素点序列，且该边缘像素点序列首尾相连；在边缘像素点序列中，分别计算各个边缘像素点的曲率；在边缘像素点序列中，分别计算各个边缘像素点的线段曲率；若结节边缘上，线段曲率大于设定阈值的边缘像素点的数量超过设定数值，则该结节边缘为不规则的结节边缘；否则为规则的结节边缘。本发明能够自动分析超声图像中结节的边缘属性，判断结节边缘是否规则光整，为结节自动分级、良恶性自动分类提供数据支撑。

Description

一种超声图像的结节边缘分析方法
技术领域
本发明涉及超声图像识别技术领域，尤其是一种超声图像的结节边缘分析方法。
背景技术
结节是人体组织细胞局部异常生长引起的病变，超声无电离辐射，价格低廉，广泛用于体检和结节早筛。其中结节的边缘属性是判断结节良恶性的重要参考指标，边缘光整是良性结节的重要特征之一，而边缘不规则是恶性结节的重要特征之一。因此，判断结节的边缘属性是结节自动分级、良恶性自动分类的关键步骤，判断结节的边缘属性后，同时也可以对医生进行提示，为结节分级提供帮助，适用于医疗资源匮乏的基层地区。
目前，超声图像的结节良恶性识别方法主要采用深度学习的方法，使用卷积神经网络对结节进行良恶性分类，但由于卷积神经网络是一个黑盒子，只能得到良恶性的结果，无法给出判断依据以及关键的中间信息。
发明内容
为了克服上述现有技术中的缺陷，本发明提供一种超声图像的结节边缘分析方法，能够自动分析超声图像中结节的边缘属性，判断结节边缘是否规则光整，为结节自动分级、良恶性自动分类提供数据支撑。
为实现上述目的，本发明采用以下技术方案，包括：
一种超声图像的结节边缘分析方法，包括以下步骤：
S1，从超声图像中识别出结节，根据结节外轮廓的坐标信息，绘制出结节边缘；
S2，根据结节边缘上各个边缘像素点的坐标，以顺时针或逆时针的顺序，对各个边缘像素点进行编号，并按照各个边缘像素点的编号进行排序，得到边缘像素点序列，且该边缘像素点序列首尾相连；
S3，在边缘像素点序列中，分别计算各个边缘像素点的曲率，计算方式为：根据边缘像素点的坐标以及与该边缘像素点左邻近的若干个边缘像素点的坐标，与该边缘像素点右邻近的若干个边缘像素点的坐标，计算该边缘像素点的曲率；
与该边缘像素点左邻近的若干个边缘像素点是指：在边缘像素点序列中，编号小于该边缘像素点且与该边缘像素点相邻近的若干个边缘像素点；
与该边缘像素点右邻近的若干个边缘像素点是指：在边缘像素点序列中，编号大于该边缘像素点且与该边缘像素点相邻近的若干个边缘像素点；
S4，在边缘像素点序列中，分别计算各个边缘像素点的线段曲率，计算方式为：根据边缘像素点的曲率以及与该边缘像素点左邻近的若干个边缘像素点的曲率，与该边缘像素点右邻近的若干个边缘像素点的曲率，计算平均曲率，该平均曲率即为该边缘像素点的线段曲率；
S5，若结节边缘上，线段曲率大于设定阈值的边缘像素点的数量超过设定数值，则该结节边缘为不规则的结节边缘；否则为规则的结节边缘。
步骤S2中，以顺时针的顺序，对各个边缘像素点进行编号，具体方式如下所示：
S21，选取横坐标值加纵坐标值之和为最小的边缘像素点作为起点，起点的编号i＝1；
S22，从起点开始，查找下一个编号i＝2的边缘像素点，查找方式如下所示：
与该起点相邻的8个像素格中，若仅存在一个未编号的边缘像素点，则未编号的该像素点作为下一个编号为2的像素点；
与该起点相邻的8个像素格中，若存在多个未编号的边缘像素点，则按照优先级顺序，选取优先级最高的像素格中的未编号的边缘像素点作为下一个编号i＝2的边缘像素点；
其中，以起点为中心，与该起点相邻的8个像素格中，位于起点左上方45°角的像素格的优先级最高，按照顺时针的顺序，优先级逐渐降低；
S23，按照步骤S22的方式，以当前编号为i的边缘像素点为中心，依次查找下一个编号为i+1的像素点，直至对所有的边缘像素点完成编号；
S24，根据边缘像素点的编号进行排序，得到边缘像素点序列，且该边缘像素点序列首尾相连。
步骤S2中，以逆时针的顺序，对各个边缘像素点进行编号，具体方式如下所示：
S21，选取横坐标值加纵坐标值之和为最小的边缘像素点作为起点，起点的编号i＝1；
S22，从起点开始，查找下一个编号i＝2的边缘像素点，查找方式如下所示：
与该起点相邻的8个像素格中，若仅存在一个未编号的边缘像素点，则未编号的该像素点作为下一个编号为2的像素点；
与该起点相邻的8个像素格中，若存在多个未编号的边缘像素点，则按照优先级顺序，选取优先级最高的像素格中的未编号的边缘像素点作为下一个编号i＝2的边缘像素点；
其中，以起点为中心，与该起点相邻的8个像素格中，位于起点右上方45°角的像素格的优先级最高，按照逆时针的顺序，优先级逐渐降低；
S23，按照步骤S22的方式，以当前编号为i的边缘像素点为中心，依次查找下一个编号为i+1的像素点，直至对所有的边缘像素点完成编号；
S24，根据边缘像素点的编号进行排序，得到边缘像素点序列，且该边缘像素点序列首尾相连。
步骤S3中，根据边缘像素点的坐标以及与该边缘像素点左邻近的j个边缘像素点的坐标，与该边缘像素点右邻近的j边缘像素点的坐标，计算该边缘像素点的曲率；
其中，编号为i的边缘像素点的坐标为(xi,yi)；与编号为i的该边缘像素点左邻近的j个边缘像素点的坐标依次为(xi-1,yi-1)、(xi-2,yi-2)、…、(xi-j,yi-j)；与编号为i的该边缘像素点右邻近的j个边缘像素点的坐标依次为(xi+1,yi+1)、(xi+2,yi+2)、…、(xi+j,yi+j)；
编号为i的边缘像素点的曲率Ri的计算方式如下所示：
编号为i的边缘像素点，与编号为i的该边缘像素点左邻近的j个边缘像素点，以及与编号为i的该边缘像素点右邻近的j个边缘像素点，该2j+1个边缘像素点所构成的曲线的表达式为y＝f(x)；
曲线在点(xi,yi)处的曲率，即编号为i的边缘像素点的曲率Ri为：
步骤S4中，根据边缘像素点的曲率以及与该边缘像素点左邻近的k个边缘像素点的曲率，与该边缘像素点右邻近的k个边缘像素点的曲率，计算该边缘像素点的线段曲率；
其中，编号为i的边缘像素点的曲率为Ri；与编号为i的该边缘像素点左邻近的k个边缘像素点的曲率依次为Ri-1，Ri-2…Ri-k；与编号为i的该边缘像素点右邻近的k个边缘像素点的的曲率依次为Ri+1，Ri+2…Ri+k；
编号为i的边缘像素点的线段曲率的计算方式如下所示：
步骤S5中，线段曲率的设定阈值为T，T的取值范围为0.05～0.2。
步骤S1中，包括以下步骤：
S11，对超声设备采集到的超声图像进行图像分割，所述图像分割是对超声图像进行像素点的分类，确定每个像素点的类别，即确定像素点是否为属于结节的像素点；
S12，根据图像分割的结果，对超声图像进行二值化处理，提取超声图像中的结节；
S13，利用滤波器对结节的轮廓曲线进行平滑处理，去除轮廓曲线中的拐点；
S14，提取结节的外轮廓，根据外轮廓的坐标信息，绘制出结节边缘。
步骤S11中，采用Unet图像分割网络对超声图像进行图像分割，且将该Unet图像分割网络的下采样部分中顺序卷积网络结构替换成ResNet的残差结构。
本发明的优点在于：
(1)本发明能够自动分析超声图像中结节的边缘属性，判断结节边缘是否规则光整，为结节自动分级、良恶性自动分类提供数据支撑。
附图说明
图1为本发明的一种超声图像的结节边缘分析方法的流程图。
图2为与某边缘像素点相邻的8个像素格示意图。
图3为不规则的结节边缘示意图。
图4为规则的结节边缘示意图。
图5为不规则的结节边缘上边缘像素点的曲率折线图。
图6为规则的结节边缘上边缘像素点的曲率折线图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
由图1所示，一种超声图像的结节边缘分析方法，包括以下步骤：
S1，使用图像分割网络对超声设备采集到的超声图像进行图像分割，所述图像分割是对超声图像进行像素点的分类，确定每个像素点的类别，即确定像素点是否为属于结节的像素点。
S2，根据图像分割的结果，对超声图像进行二值化处理，本实施例中，将属于结节的像素点的像素值设置为255，将不属于结节的像素点即背景像素点的像素值设置为0，从而实现超声图像中的结节识别。
S3，利用滤波器对结节的轮廓曲线进行平滑，去除轮廓曲线中毛糙的拐点。本实施例中，使用高斯滤波器平滑轮廓曲线，去除毛躁的拐点，且高斯滤波器的窗口大小设置成9，高斯滤波中的参数σ设置成2。
S4，提取结节的外轮廓，根据外轮廓的坐标信息，绘制出结节边缘。本实施例中，采用数字二值图像进行拓扑分析方法提取外轮廓坐标。
S5，根据结节边缘上的每个像素点即根据各个边缘像素点的坐标，以顺时针或者逆时针的顺序，对各个边缘像素点进行编号，并按照各个边缘像素点的编号进行排序，得到边缘像素点序列，且该边缘像素点序列首尾相连。
S6，在边缘像素点序列中，分别计算各个边缘像素点的曲率，计算方式为：根据边缘像素点的坐标以及与该边缘像素点左邻近的若干个边缘像素点的坐标，与该边缘像素点右邻近的若干个边缘像素点的坐标，计算该边缘像素点的曲率。
与该边缘像素点左邻近的若干个边缘像素点是指：在边缘像素点序列中，编号小于该边缘像素点且与该边缘像素点相邻近的若干个边缘像素点；
与该边缘像素点右邻近的若干个边缘像素点是指：在边缘像素点序列中，编号大于该边缘像素点且与该边缘像素点相邻近的若干个边缘像素点。
S7，在边缘像素点序列中，分别计算各个边缘像素点的线段曲率，计算方式为：根据边缘像素点的曲率以及与该边缘像素点左邻近的若干个边缘像素点的曲率，与该边缘像素点右邻近的若干个边缘像素点的曲率，计算平均曲率，该平均曲率即为该边缘像素点的线段曲率。
S8，线段曲率大于设定阈值的边缘像素点即为超限的边缘像素点，若结节边缘上，超限的边缘像素点的数量超过设定数值，则该结节边缘为不规则的结节边缘；否则为规则的结节边缘。
步骤S1中，图像分割是对输入图像进行像素级的分类，确定每个像素点属于的类别。在医疗领域常用的分割网络是UNet，UNet结构简单，在前景背景二分类的场景下像素分类的速度快效果好。但是UNet提出较早，采用一层一层的顺序卷积网络结构，之后出现了许多提升效果却不影响效率的网络结构，如ResNet的残差结构，使用残差结构的Unet可以进一步提升分割指标，尤其在边缘的地方，ResNet-Unet图像分割得到的结果更加精细。本发明也对UNet进行改进，仅仅对UNet的下采样部分进行修改，把下采样部分顺序卷积网络结构替换成ResNet的残差结构，上采样部分和跳连部分没变化。
步骤S5中，根据各个边缘像素点的坐标，以顺时针的顺序，对边缘像素点进行排序，具体方式如下所示：
S51，取横坐标值加纵坐标值之和为最小的边缘像素点，以该边缘像素点为起点，起点的编号i＝1。
S52，从起点开始，查找下一个编号i＝2的边缘像素点，查找方式如下所示：
与该起点相邻的8个像素格中，若仅存在一个未编号的边缘像素点，则未编号的该像素点作为下一个编号为2的像素点；
与该起点相邻的8个像素格中，若存在多个未编号的边缘像素点，则按照优先级顺序，选取优先级最高的像素格中的未编号的边缘像素点作为下一个编号i＝2的边缘像素点。
若以顺时针的顺序，则以起点为中心，由图2所示，与该起点相邻的8个像素格中，位于起点左上方45°角的像素格的优先级最高，按照顺时针的顺序，优先级逐渐降低。图2中的1、2、3、4、5、6、7、8依次为优先级从高到低；
若以逆时针的顺序，则以起点为中心，与该起点相邻的8个像素格中，位于起点右上方45°角的像素格的优先级最高，按照逆时针的顺序，优先级逐渐降低。
经过本实施例中步骤S4的外轮廓提取，每个边缘像素点所相邻的8个像素格中必定存在2个以上边缘像素点。
S53，按照步骤S52的方式，以当前编号为i的边缘像素点为中心，依次查找下一个编号为i+1的像素点，直至对所有的边缘像素点完成编号；
S54，根据边缘像素点的编号进行排序，得到边缘像素点序列。
步骤S6中，根据边缘像素点的坐标以及与该边缘像素点左邻近的j个边缘像素点的坐标，与该边缘像素点右邻近的j边缘像素点的坐标，计算该边缘像素点的曲率；
其中，编号为i的边缘像素点的坐标为(xi,yi)；与编号为i的该边缘像素点左邻近的j个边缘像素点的坐标依次为(xi-1,yi-1)、(xi-2,yi-2)、…、(xi-j,yi-j)；与编号为i的该边缘像素点右邻近的j个边缘像素点的坐标依次为(xi+1,yi+1)、(xi+2,yi+2)、…、(xi+j,yi+j)；；
编号为i的边缘像素点的曲率Ri的计算方式如下所示：
编号为i的边缘像素点，与编号为i的该边缘像素点左邻近的j个边缘像素点，与编号为i的该边缘像素点右邻近的j个边缘像素点，由此2j+1个边缘像素点所构成的曲线的表达式为y＝f(x)；
曲线在点(xi,yi)处的曲率Ri为：
本实施例中，j＝1；
若编号i＝1，即该边缘像素点为起点时，由于该边缘像素点序列首尾相连，则与编号为i的该边缘像素点左邻近的j个边缘像素点依次为：边缘像素点序列中的最后一个边缘像素点至倒数第j个边缘像素点。
步骤S7中，根据边缘像素点的曲率以及与该边缘像素点左邻近的k个边缘像素点的曲率，与该边缘像素点右邻近的k个边缘像素点的曲率，计算该边缘像素点的线段曲率；
其中，编号为i的边缘像素点的曲率为Ri；与编号为i的该边缘像素点左邻近的k个边缘像素点的曲率依次为Ri-1，Ri-2…Ri-k；与编号为i的该边缘像素点右邻近的k个边缘像素点的的曲率依次为Ri+1，Ri+2…Ri+k；
以编号为i的边缘像素点为中心所构建的线段的线段曲率的计算方式如下所示：
本实施例中，k＝3；
若编号i＝1，即该边缘像素点为起点时，由于该边缘像素点序列首尾相连，则与编号为i的该边缘像素点左邻近的k个边缘像素点依次为：边缘像素点序列中的最后一个边缘像素点至倒数第k个边缘像素点。
步骤S8中，若结节边缘上，线段曲率大于设定阈值T的边缘像素点的数量超过设定数值N，则该结节边缘为不规则的结节边缘；否则为规则的结节边缘；
其中，线段曲率的设定阈值为T，T的取值范围为0.05～0.2，本实施例中，线段曲率的设定阈值T＝0.10；设定数值N的取值范围与步骤S3中所使用滤波器有关，本实施例中N＝5。
本实施例中，对规则的结节边缘和不规则的结节边缘上的边缘像素点的曲率进行了对比，图3为不规则的结节边缘示意图，图4为规则的结节边缘示意图，图5为该不规则的结节边缘上边缘像素点的曲率折线图，图6为该规则的结节边缘上边缘像素点的曲率折线图。
以上仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明创造的保护范围之内。

Claims (6)

1.一种超声图像的结节边缘分析方法，其特征在于，包括以下步骤：
S1，从超声图像中识别出结节，根据结节外轮廓的坐标信息，绘制出结节边缘；
S2，根据结节边缘上各个边缘像素点的坐标，以顺时针或逆时针的顺序，对各个边缘像素点进行编号，并按照各个边缘像素点的编号进行排序，得到边缘像素点序列，且该边缘像素点序列首尾相连；
S3，在边缘像素点序列中，分别计算各个边缘像素点的曲率，计算方式为：根据边缘像素点的坐标以及与该边缘像素点左邻近的若干个边缘像素点的坐标，与该边缘像素点右邻近的若干个边缘像素点的坐标，计算该边缘像素点的曲率；
与该边缘像素点左邻近的若干个边缘像素点是指：在边缘像素点序列中，编号小于该边缘像素点且与该边缘像素点相邻近的若干个边缘像素点；
与该边缘像素点右邻近的若干个边缘像素点是指：在边缘像素点序列中，编号大于该边缘像素点且与该边缘像素点相邻近的若干个边缘像素点；
S4，在边缘像素点序列中，分别计算各个边缘像素点的线段曲率，计算方式为：根据边缘像素点的曲率以及与该边缘像素点左邻近的若干个边缘像素点的曲率，与该边缘像素点右邻近的若干个边缘像素点的曲率，计算平均曲率，该平均曲率即为该边缘像素点的线段曲率；
S5，若结节边缘上，线段曲率大于设定阈值的边缘像素点的数量超过设定数值，则该结节边缘为不规则的结节边缘；否则为规则的结节边缘；
步骤S3中，根据边缘像素点的坐标以及与该边缘像素点左邻近的j个边缘像素点的坐标，与该边缘像素点右邻近的j边缘像素点的坐标，计算该边缘像素点的曲率；
其中，编号为i的边缘像素点的坐标为(xi,yi)；与编号为i的该边缘像素点左邻近的j个边缘像素点的坐标依次为(xi-1,yi-1)、(xi-2,yi-2)、…、(xi-j,yi-j)；与编号为i的该边缘像素点右邻近的j个边缘像素点的坐标依次为(xi+1,yi+1)、(xi+2,yi+2)、…、(xi+j,yi+j)；
编号为i的边缘像素点的曲率Ri的计算方式如下所示：
编号为i的边缘像素点，与编号为i的该边缘像素点左邻近的j个边缘像素点，以及与编号为i的该边缘像素点右邻近的j个边缘像素点，该2j+1个边缘像素点所构成的曲线的表达式为y＝f(x)；
曲线在点(xi,yi)处的曲率，即编号为i的边缘像素点的曲率Ri为：
步骤S4中，根据边缘像素点的曲率以及与该边缘像素点左邻近的k个边缘像素点的曲率，与该边缘像素点右邻近的k个边缘像素点的曲率，计算该边缘像素点的线段曲率；
其中，编号为i的边缘像素点的曲率为Ri；与编号为i的该边缘像素点左邻近的k个边缘像素点的曲率依次为Ri-1，Ri-2…Ri-k；与编号为i的该边缘像素点右邻近的k个边缘像素点的的曲率依次为Ri+1，Ri+2…Ri+k；
编号为i的边缘像素点的线段曲率的计算方式如下所示：
2.根据权利要求1所述的一种超声图像的结节边缘分析方法，其特征在于，步骤S2中，以顺时针的顺序，对各个边缘像素点进行编号，具体方式如下所示：
S21，选取横坐标值加纵坐标值之和为最小的边缘像素点作为起点，起点的编号i＝1；
S22，从起点开始，查找下一个编号i＝2的边缘像素点，查找方式如下所示：
与该起点相邻的8个像素格中，若仅存在一个未编号的边缘像素点，则未编号的该像素点作为下一个编号为2的像素点；
与该起点相邻的8个像素格中，若存在多个未编号的边缘像素点，则按照优先级顺序，选取优先级最高的像素格中的未编号的边缘像素点作为下一个编号i＝2的边缘像素点；
其中，以起点为中心，与该起点相邻的8个像素格中，位于起点左上方45°角的像素格的优先级最高，按照顺时针的顺序，优先级逐渐降低；
S23，按照步骤S22的方式，以当前编号为i的边缘像素点为中心，依次查找下一个编号为i+1的像素点，直至对所有的边缘像素点完成编号；
S24，根据边缘像素点的编号进行排序，得到边缘像素点序列，且该边缘像素点序列首尾相连。
3.根据权利要求1所述的一种超声图像的结节边缘分析方法，其特征在于，步骤S2中，以逆时针的顺序，对各个边缘像素点进行编号，具体方式如下所示：
S21，选取横坐标值加纵坐标值之和为最小的边缘像素点作为起点，起点的编号i＝1；
S22，从起点开始，查找下一个编号i＝2的边缘像素点，查找方式如下所示：
与该起点相邻的8个像素格中，若仅存在一个未编号的边缘像素点，则未编号的该像素点作为下一个编号为2的像素点；
与该起点相邻的8个像素格中，若存在多个未编号的边缘像素点，则按照优先级顺序，选取优先级最高的像素格中的未编号的边缘像素点作为下一个编号i＝2的边缘像素点；
其中，以起点为中心，与该起点相邻的8个像素格中，位于起点右上方45°角的像素格的优先级最高，按照逆时针的顺序，优先级逐渐降低；
S23，按照步骤S22的方式，以当前编号为i的边缘像素点为中心，依次查找下一个编号为i+1的像素点，直至对所有的边缘像素点完成编号；
S24，根据边缘像素点的编号进行排序，得到边缘像素点序列，且该边缘像素点序列首尾相连。
4.根据权利要求1所述的一种超声图像的结节边缘分析方法，其特征在于，步骤S5中，线段曲率的设定阈值为T，T的取值范围为0.05～0.2。
5.根据权利要求1所述的一种超声图像的结节边缘分析方法，其特征在于，步骤S1中，包括以下步骤：
S11，对超声设备采集到的超声图像进行图像分割，所述图像分割是对超声图像进行像素点的分类，确定每个像素点的类别，即确定像素点是否为属于结节的像素点；
S12，根据图像分割的结果，对超声图像进行二值化处理，提取超声图像中的结节；
S13，利用滤波器对结节的轮廓曲线进行平滑处理，去除轮廓曲线中的拐点；
S14，提取结节的外轮廓，根据外轮廓的坐标信息，绘制出结节边缘。
6.根据权利要求5所述的一种超声图像的结节边缘分析方法，其特征在于，步骤S11中，采用Unet图像分割网络对超声图像进行图像分割，且将该Unet图像分割网络的下采样部分中顺序卷积网络结构替换成ResNet的残差结构。
CN202111085410.7A 2021-09-16 2021-09-16 一种超声图像的结节边缘分析方法 Active CN113763407B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111085410.7A CN113763407B (zh) 2021-09-16 2021-09-16 一种超声图像的结节边缘分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111085410.7A CN113763407B (zh) 2021-09-16 2021-09-16 一种超声图像的结节边缘分析方法

Publications (2)

Publication Number Publication Date
CN113763407A CN113763407A (zh) 2021-12-07
CN113763407B true CN113763407B (zh) 2024-03-19

Family

ID=78795914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111085410.7A Active CN113763407B (zh) 2021-09-16 2021-09-16 一种超声图像的结节边缘分析方法

Country Status (1)

Country Link
CN (1) CN113763407B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116883688B (zh) * 2023-09-08 2023-12-01 泗水县锦川花生食品有限公司 一种油炸花生智能拣选方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102023759A (zh) * 2010-11-23 2011-04-20 广东威创视讯科技股份有限公司 一种有源笔书写定位方法
CN103824295A (zh) * 2014-03-03 2014-05-28 天津医科大学 一种肺部ct图像中粘连血管型肺结节的分割方法
CN110596120A (zh) * 2019-09-06 2019-12-20 深圳新视智科技术有限公司 玻璃边界缺陷检测方法、装置、终端及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108447071B (zh) * 2018-03-16 2021-12-21 中国一拖集团有限公司 基于啮合-像素图像边缘跟踪法的齿轮齿廓边界提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102023759A (zh) * 2010-11-23 2011-04-20 广东威创视讯科技股份有限公司 一种有源笔书写定位方法
CN103824295A (zh) * 2014-03-03 2014-05-28 天津医科大学 一种肺部ct图像中粘连血管型肺结节的分割方法
CN110596120A (zh) * 2019-09-06 2019-12-20 深圳新视智科技术有限公司 玻璃边界缺陷检测方法、装置、终端及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CT图像的肺结节特征提取的方法研究;何柯程;《中国优秀硕士学位论文全文数据库信息科技辑》;20120215(第07期);I138-1604 *
不规则形态肺结节的分割及毛刺检测研究;邢谦谦;《中国优秀硕士学位论文全文数据库医药卫生科技辑》;20160315(第03期);E072-43 *
肺结节相似图像搜索系统的设计与实现;孙乾程;《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);E072-566 *

Also Published As

Publication number Publication date
CN113763407A (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
CN109410238B (zh) 一种基于PointNet++网络的枸杞识别计数方法
CN112184657A (zh) 一种肺结节自动检测方法、装置及计算机系统
CN106340016A (zh) 一种基于细胞显微镜图像的dna定量分析方法
CN111986183B (zh) 一种染色体散型图像自动分割识别系统及装置
Qu et al. The algorithm of concrete surface crack detection based on the genetic programming and percolation model
CN109948621B (zh) 一种基于图片验证码的图像处理与字符分割方法
JP2020085546A (ja) 構造物の点検・補修支援システム
CN109064419A (zh) 一种基于wls滤波和多尺度稀疏表达的单幅图像去雨方法
JP2007102458A (ja) 画像処理による注目部分を自動描出する方法及びそのための装置並びにプログラムを記録した記録媒体
CN113763407B (zh) 一种超声图像的结节边缘分析方法
CN111353978B (zh) 一种识别心脏解剖学结构的方法及装置
CN111369623A (zh) 一种基于深度学习3d目标检测的肺部ct图像识别方法
CN113160185A (zh) 一种利用生成边界位置指导宫颈细胞分割的方法
CN116823725A (zh) 一种基于支持向量机的航空发动机叶片表面缺陷检测方法
CN110598581B (zh) 基于卷积神经网络的光学乐谱识别方法
CN115294377A (zh) 一种道路裂缝的识别系统及方法
CN111723852A (zh) 针对目标检测网络的鲁棒训练方法
Shambhu et al. Edge-based segmentation for accurate detection of malaria parasites in microscopic blood smear images: A novel approach using FCM and MPP algorithms
CN113673396A (zh) 一种孢子发芽率计算方法、装置及存储介质
Lin et al. Image segmentation based on edge detection and region growing for thinprep-cervical smear
CN112258449A (zh) 一种基于结节特征的快速结节匹配方法
CN111862088A (zh) 一种快速计算裂缝宽度的方法
CN116311403A (zh) 一种基于FECAGhostNet的轻量化卷积神经网络的指静脉识别方法
CN110619273B (zh) 一种高效的虹膜识别方法以及识别装置
CN114049345A (zh) 一种基于数据集的肝脏ct图像分类方法

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